The Effect of High‐Intensity Interval Training and Mixed Probiotic Supplementation on SMOC‐1 Gene Expression, Insulin Resistance, and Blood Glucose in Male Rats With Induced Diabetes
Notice bibliographique
Résumé
Background and Aims In this study, we investigated whether high‐intensity interval training (HIIT) and mixed probiotic consumption, either autonomously or synergistically, could regulate the expression of calcium‐binding protein‐1 (SMOC‐1), insulin resistance (IR), and blood glucose (BG) in male rats with induced diabetes. Methods Thirty healthy male Wistar rats, aged about 8 weeks, were randomly divided into five groups of six rats each, including control group (C, 1G), diabetic control group (CD, 2G), probiotic supplement group (Pro, 3G), HIIT group (Ex, 4G), and HIIT and probiotic supplement group (Pro + Ex, 5G). Each strain of the mixed probiotic supplement, containing Lactobacillus rhamnosus GG (PTCC1637), Lactobacillus reuteri , and Lactococcus casei enriched with L‐cysteine HCl, was administered at a concentration of 10 10 colony‐forming units (CFU) per milliliter to Groups 3G and 5G. Groups 4G and 5G underwent HIIT to evaluate the effect of supplementation and HIIT on SMOC‐1, IR, and BG. Results Mixed probiotics and HIIT did not affect SMOC‐1 expression in liver muscle ( η 2 = 0.00, p = 0.965, F (1, 15) = 0.002); however, they synergistically lowered IR ( η 2 = 0.23, p = 0.048, F (1, 15) = 4.65) and BG ( η 2 = 0.32, p = 0.013, F (1, 15) = 7.79). Conclusion We found no significant effect of mixed probiotic supplementation or its combination with HIIT on SMOC‐1. Notably, the HIIT and mixed probiotics reduced IR and BG. Future studies can help assess the accurate synergistic effects of HIIT and mixed probiotics.
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 | 0,000 |
| 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 ».