The role of osteoprotegerin (OPG) in exercise-induced skeletal muscle adaptation
Notice bibliographique
Résumé
Abstract Objectives The purpose of this narrative review is to offer an updated perspective on the current research on the glycoprotein Osteoprotegerin (OPG), including its potential therapeutic impact and mechanisms of action, and interaction with bone and muscle tissues. Content As health and social care advances people are living longer, with projections suggesting that in 2050 there will be 2 billion people who are aged over 60 years. Yet musculoskeletal health still declines into older age and as a result there is an increase in the proportion of older populations that spend more time with persistent disabilities. Although physical exercise is repeatedly demonstrated to minimise detrimental effects of ageing, it is not always a feasible intervention, and other directions must be considered. Summary and outlook OPG, a glycoprotein decoy receptor for the receptor activator of nuclear factor kappa-β ligand (RANKL) is a key regulator of bone formation yet emerging evidence has presented its potential to offer positive outcomes in regard to the preservation of skeletal muscle mass and function. Animal models have shown that OPG levels increase during exercise, and independently acts to restore losses of muscle strength and reduce bone resorption. Interventions to increase circulating OPG alongside exercise may act as a therapeutic target to combat the decline in quality of life in older age in humans. Further research is needed on the mechanisms of its action and interaction in humans in combination with exercise.
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 ».