Resistance Exercise Training and Greek Yogurt Consumption Modulate Markers of Systemic Inflammation in Healthy Young Males—A Secondary Analysis of a Randomized Controlled Trial
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVES: Chronic exercise training reduces markers of systemic inflammation; however, less is known about how to optimize this adaptation using nutrition. Dairy products, especially fermented ones, like Greek yogurt (GY), contain anti-inflammatory constituents. This secondary analysis aimed to examine the influence of post-exercise GY consumption vs. an isoenergetic carbohydrate pudding (CP; control) on markers of systemic inflammation during an exercise training intervention. METHODS: = 15). Rested/fasted blood samples were acquired at baseline, and weeks 1 and 12, and inflammatory biomarkers (tumor necrosis factor-alpha [TNF-α], interleukin [IL]-6, IL-1 receptor antagonist [IL-1ra], IL-1Beta [IL-1β], IL-10, and C-reactive protein [CRP]) were measured. Linear mixed models were run on the absolute concentrations, and linear regressions were performed on the absolute change (baseline to week 12), allowing us to account for important covariates. RESULTS: In both groups, CRP (pro) and IL-1ra (anti) increased at week 1 vs. baseline and week 12, while IL-1β (pro) decreased at week 12 vs. baseline (main time effects). We observed significant interactions for IL-6, TNF-α, and the TNF-α/IL-10 ratio, indicating that at week 12, IL-6 (pro) was lower in GY, whereas TNF-α and TNF-α/IL-10 (both pro-inflammatory) were higher in CP vs. week 1 and baseline, respectively. Additionally, within our linear regression models, higher baseline concentrations of IL-1ra (anti), IL-10 (anti) and CRP (pro) predicted greater change over the intervention. CONCLUSIONS: These results indicate that our intervention benefited circulating inflammatory markers, and GY supplementation may enhance these effects.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».