Bioinformatics Analysis Identifies Key Genes in the Effect of Resistance Training on Female Skeletal Muscle Aging
Notice bibliographique
Résumé
Resistance training is used to combat skeletal muscle function decline in older adults. Few studies have been designed specific for females, resulting in very limited treatment options for skeletal muscle atrophy in aging women. Here, we analyzed the gene expression profiles of skeletal muscle samples from sedentary young women, sedentary older women, and resistance-trained older women, using microarray data from public database. A total of 45 genes that were differentially expressed during female muscle aging and reversed by resistance training were identified. Functional and pathway enrichment analysis, protein-protein interaction network analysis, and receiver operating characteristic analysis were performed to reveal the key genes and pathways involved in the effects of resistance training on female muscle aging. The collagen genes COL1A1, COL3A1, and COL4A1 were identified important regulators of female muscle aging and resistance training, by modulating multiple signaling pathways, such as PI3 kinase-Akt signaling, focal adhesions, extracellular matrix-receptor interactions, and relaxin signaling. Interestingly, the expression of CDKN1A and TP63 were increased during aging, and further upregulated by resistance training in older women, suggesting they may negatively affect resistance training outcomes. Our findings provide novel insights into the molecular mechanisms of resistance training on female muscle aging and identify potential biomarkers and targets for clinical intervention.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».