观点的文章

前面。Netw。杂志。,24 November 2022
秒。网络运动生理学
卷2 - 2022 | https://doi.org/10.3389/fnetp.2022.1060858

Phenomics在运动:新兴方法推动先进的见解吗?

大卫·t·马丁 ^2、3

¹运动和体育科学,北卡罗莱纳大学教堂山分校,教堂山,数控、美国
²Apeiron生活,门洛帕克,CA,美国
³行为和健康科学学院,澳大利亚天主教大学、新南威尔士、澳大利亚墨尔本

方法应用体育科学的主要驱动一个简化的接地组件的机制来推动运动员训练和护理。而线性机械方法提供有用的见解,他们阻碍进步的发展更复杂的网络生理模型,考虑多种因素的时间和空间的相互作用在跨系统和子系统。为此,需要一种更为复杂的方法和开发的方法论框架可以被认为是一个大挑战。具体地说,一个跨学科的phenomics-based科学建模框架有可取之处。Phenomics人类精密医学是一个相对较新的领域,但它也是一个发达地区植物进化生物学研究的科学。的融合创新精密医学、便携式无损测量技术和进步在建模复杂的人类行为是中央phenomics融入体育科学。等概念的方法使应用表型健身、可塑性,剂量反应动力学,关键的窗口,和多维网络模型的行为。此外,配置文件是基于指数的变化,和模型考虑运动员的性能或复苏轨迹动态环境的函数。这个新框架介绍跨几个例子运动科学领域潜在的集成。特定因素的强调是作为潜在的候选人提供健身变量和示例配置文件提供一个可概括的建模方法精度训练和照顾。 Finally, considerations for the future are discussed, including scaling from individual athletes to teams and additional factors necessary for the successful implementation of phenomics.

1介绍

最大化一个运动员的可用性和性能是竞技体育的成功的核心,以极大的时间和精力投入减少伤害,疾病,和极度疲劳。尽管经过数十年的研究针对这些主题,受伤和re-injury利率似乎没有减少(孔蒂et al ., 2016;麦克et al ., 2020;科·et al ., 2016)和广义健康预测仍然是难以捉摸的范Eetvelde et al ., 2021)。应用运动科学主要利用component-focused因果关系的线性加法模型,用单因素机制强调有限考虑的环境因素。例如,最近发现在生物标记支持从遗传学的转变与承诺(创)组学这些新数据将揭示高分辨率机械基础的物理功能(Ehlert et al ., 2013)、身体健康可训练性(布沙尔et al ., 2011),软组织受伤的风险(Georgiades et al ., 2017),脑震荡诊断和恢复(戈登,2010),和整体运动的成就(Ehlert et al ., 2013)。然而,这些发现并没有承诺的灵丹妙药,没有可靠的候选基因或基因组协会已经被发现了。相反,不一致的结果导致要求扩张表观遗传学Ehlert et al ., 2013)与更大的群组研究中进行表型(王et al ., 2016)。特定生理、需要超越分子水平上对一个更广泛的框架多尺度器官系统如何协调和整合促进紧急,适应性行为成功性能(Balague et al ., 2022)。

尽管今天的欠component-focused线性建模,不幸的是导致僵局的理解和预测性能和健康运动。这个屏障由欠定的模型不考虑综合因素的复杂的相互作用,推动运动员表现在时间和规模。因此应用体育科学是需要一种更为复杂的方法解决可以认为是什么体育大挑战——精确的分析和建模的各种组件和子组件之间复杂的互动训练和恢复通知成功的风险管理与运动员的健康。本文的目的是介绍一个新的框架,利用新兴技术和方法,结合几十年的工作在进化生物学,更准确和全面,模型和预测运动员的表现和健康(2节)。几个体育科学领域提供为例重点融入这个新方法,与特定的因素,强调相互关联(第三节)。我们的结论与对未来的考虑(第四节)。

2 Phenomics

Genomics-based精密医学表明极有希望用于治疗特定疾病(柯林斯和Varmus, 2015年;希礼,2016),相关方法和建模方法基本解决我们运动挑战赛。然而,近10年前,科学家们意识到,一个基因组学框架本身是不够的,并主张创新方法检测,测量和分析一系列生物医学数据,超越传统的(创)组学数据,考虑到行为,生理和环境参数(Mirnezami et al ., 2012;柯林斯和Varmus, 2015年)。这些调用已经扩大到优先级高分辨率phenomics和环境暴露数据作为一个关键的步骤精密医学充分发挥潜力(丹尼和柯林斯,2021)。这个焦点,一个新的框架可以出现。phenomics捕获的跨学科的研究出现的表型变化的多个维度的交互与环境因素(个人的基因组成Houle et al ., 2010)。作为当前phenomics方法主要是基于人类医学模式,他们可能会重复过去的错误的早期人类基因组分离组件是否应该重点讨论(列文,1986;安吉尔,1990)。人类医学方法还依赖于昂贵,高保真医学成像和放映在相对无菌实验室进行设置,并不总是方便实用和可伸缩的实现在运动。

重要的是,phenomics也是一个快速发展的研究领域在植物进化生物学科学(沙赫扎德et al ., 2021),建立了研究行lab-controlled和现场环境(Lurig et al ., 2021)证实综合生物表现型和概念的引入现象学在1967年(苏尔,1967)。这些字段有标准化的协议和技术,专注于相对低成本、无损检测的生物自然环境指数实时多维表型变化West-Eberhard 1989;Agrawal 2001;Burggren 2014;Hairmansis et al ., 2014)。这项工作是基于索引生物的变化健身,定义为变化的速度(例如,增长)的基因型,表现型甚至特定的生物相对于人口波动的环境(劳克林et al ., 2020)。因此,它通常是制定有关生物生存:考试的死亡率,繁殖率和增长率的例子定义良好的生物适应性为研究变量(cf。Burggren和米勒,2015)。

这种方法为我们提倡phenomics基本解决运动挑战赛。我们提出了体育科学框架是基于表型的表达运动员的表现重要和有意义的环境影响。这个表达式是基于个人performance-relevant健身变量。这些变量必须首先准确地识别,每个健身变量特定领域的一部分,或表型,然后连接到其他表型。因此,超越传统的线性的方法使用的机制,通过构建多维phenomic概要文件(或网络)跨多个域。这使得phenomic概要文件,和相关组件的表型,附着的动力学解释(如网络)模型可以预测相似的个体的行为(即。、系统)和坚持多对一principal-i.e。,outcomes realized through an array of potential mechanistic underpinnings, or varying inputs (西尔伯斯坦Chemero和,2008年)。这种方法也与迅速发展的领域直接连接网络生理学(cf。Balague et al, 2020年),它把人类行为系统作为一个集成的网络互连的器官子系统,同时考虑他们的复杂非线性动力学通过特定的健身变量。此外,每个状态变量作为代表这些内部或之间动态交互子系统,根据测量特征(如神经生理学,neuromechanical或行为),而每个应力大小和索引。

这种建模方法是至关重要的客观识别特定的压力和他们明确的情况下,可以准确的相关表型变化的环境(例如,性能或日常生活)条件(基弗et al ., 2018;基弗et al ., 2022)。这样做,一个序数stress-fitness响应曲线可以开发概要表型表达在压力梯度(见图1),最终系统的适应性通过表型可塑性的计算(Agrawal 2001)。表型可塑性是一个全球性的健身特点和捕捉各地积极适应环境压力的能力。交互组件组成,构成一个给定的表型,和概要文件(行为)的表型表达跨连续测量响应相对于增加压力。表型可塑性因此占底层功能性能自适应过程的动态特性,这从个体与环境之间的交互。这个指标可能是高度敏感的行为状态个体为实现更高效的性能的转换,具体来说,行为改变环境变化的函数(基弗et al ., 2018)。

图1

图1。例子表型可塑性概要文件在不同程度的压力。前:一个二维表型与健身健身曲线(y设在)绘制在暴露环境压力(x设在)。曲线的峰值的虚线表示的关键区域自适应敏感性,表型健身是最敏感的环境压力以一种积极的方式。同样,不适应的敏感性的临界区是标记表型健身低于基线时,或中性的条件。这就是表型健身最负面影响,或不知所措,由外部压力接触。(及以上)曲线下的阴影区域代表一个可量化的表型可塑性指数,或整体适应性系统。底:三维表型与表型健身健身响应面(y设在)策划与物理压力(x设在)和认知负载(z设在)。这提供了一个示例的额外维度的压力或工作负载可以添加到这个概要文件以可视化系统对这些因素的反应。

表型可塑性的方法利用从进化生物学其他几个重要原则。第一种是与剂量反应曲线(花茎甘蓝和马特森,2011),可以通知干预点,从而治疗计划enhancement-e.g健康或性能。,定义良好的“倒u”(即。,hormetic) curve of arousal and performance first introduced over a century ago (耶基斯和多德森,1908)。激效反应的基础是低剂量的压力或环境挑战促进积极的表达式(或发展)健身变量的研究(Costantini Borremans, 2019)。这种类型的反应形象无处不在在生物系统(花茎甘蓝和痘痘,2011),并提供一个配置文件系统的自适应能力。

第二个原则是关键的时间窗口(cf。Burggren和米勒,2015)。这些通常被认为是相对于生物发展关键时期,当系统认定为地区最敏感和表型表达最大的地方。运动的目的,这些可以被认为是时间的窗户增强运动员的响应能力。建模表型可塑性的压力梯度,可以添加时间的三维轴。重要的是,尽管时间区间变量,实际的单位可以根据事件的时间顺序,与空间关系相对重要方面的培训或开发周期(见图2,最高)。这是一个有用的个人时间窗口,但它很可能也可以推广普及技能发展模式剖面平均跨多个运动员或运动“基因”。这种方法的最强大的一个方面是多域配置文件的开发时间和压力(cf。Burggren和米勒,2015)。考虑,例如,不同时间尺度的生理、神经运动的,知觉和技能发展过程发生在一个特定的季节,淡季或职业。通过构造表型资料跨越时间和压力,一个模型可以改变在一个复杂的互连组件(请参阅图2,底部)。时请注意,这些都是最简单的开发为人类可读两到三维资料;然而,并没有限制数量的维度和量表模型。因此,虽然人类可读性是至关重要的,因为这种方法是进一步发展将是至关重要的利用创新可辩解的和可翻译的机器学习技术的高维的网络组件(例如,Mi et al, 2021年这些概要文件),并检测相关的特性快速、准确地精密培训或护理。

图2

图2。例三维跨时间表型可塑性的概要文件。前:一个表型健身与表型表达的关键窗口表面用箭头指示不适应的灵敏度的关键地区的表型健身技能发展的早期阶段(例如)在更高水平的压力。相反,自适应的关键区域敏感性,用虚线,表示当表型健身积极表达稍晚阶段的技能发展,即使在这些高水平的压力。这可能表明之间的匹配能力和挑战。底:一个多维表型健身表面有四个表型domains-Neuromotor控制、力学、知觉和生理学和phnoetypic反应动力学在时间和压力。虽然这是一个简化的示例中,在这种情况下,我们可以看到每个维度的性能可以建模在同一时间/压力量表,以便表型表达的比较。这种方法允许初始检查潜在的干预点相关的关键时刻windows系统的技能发展,例如。

3扩大phenomics应用运动科学

phenomics应用体育科学需要分析的扩张与运动员性能相关的关键健身领域和健康。虽然在运动是高度成功的先决条件变量,它是常见的运动科学家们将注意力集中在理解:1)的生理和心理特点成功的竞争者,2)身体、运动的战术和技术的要求,和3)的干预措施,促进所需的改编。之前开发的先进技术和资金,允许团队专家关注运动员的支持,教练依靠直觉、经验和疲劳通常相对简单的测量和性能来指导决策。今天,许多这些一般原则仍然是相关的;然而,参与评估的方法一个运动员的长处,弱点,并准备执行更复杂的收益更有意义的见解。这需要创新技术,促进表型信息的高分辨率提取重点非破坏性评估。这样一个快速增长的信息提取技术是计算机应用从视频中运动输出,通过markerless姿势估计(例如,Uhlrich et al ., 2022),更符合实际的行动识别(Bertasius et al, 2017年;Bertasius等,2021),疲劳可以量化的独特表现。这些工具可以与其他被动可穿戴技术监测生物识别技术相结合,锻炼,和恢复(如全局位置传感器,个加速器,心率监测甚至移动眼球追踪)。技术和方法的结合促进了集成的基于phenomics精密人类医学的焦点。简而言之,数据可以告知正确的干预在正确的时间,用最小的破坏和最大效率。

自行车运动了专注于身体组成的高精度估计包括量化的下半身肌肉使用双能x线吸收仪(DXA对;Haakonssen et al, 2016年)。复杂的循环电表和周期测功机上合并相关的惯性负载可以量化的最大力量output-exercise期限。渐进式锻炼测试过程中,心率、氧更新、血乳酸、出汗率,可以量化和感知发挥文档相关的生理能力。风洞可以用来估计阻力系数区域与不同类型的自行车相关设备和骑马的位置。也可以量化生物力学疲劳的表现在长期循环使用武力挑战踏板和逆动力学(马丁和布朗,2009年)。对于一个给定的健身领域,节奏策略可以优化相对于地形时间试验。此外,新的可穿戴技术可以量化营养、睡眠和训练负荷提供见解的性能。最近的数据检查肌肉如何适应阻力训练提供了一个生动的例子,说明蛋白质摄入量在睡觉之前可以调节所需的改编(Trommelen房龙,2016年)。复杂的模型,结合应力类型和可用的营养运动后需要预测肌肉健身可塑性。循环性能的全面概要文件可以为训练目标某些因素并确定其优先级。

相比个体运动自行车的生理和生物力学条件成功已确定,团队运动引入了额外的复杂性。例如,现在职业篮球团队采用大型团队的专家关注的球员选择、发展、竞争、和康复,并使用计算机视觉等技术,全面评估球员移动在练习和游戏(Monezi et al, 2020年)。虽然支持人员倾向于关注提高物理、心理、和技术能力,教练会把注意力转向涌现性与玩家互动。特别重要的团队运动是减少受伤的风险(多兰et al ., 2022),建立一种文化,球员,教练和工作人员相信成功是不可避免的。phenomics框架可以帮助识别自适应和不适应的地区健身变量与这些因素有关。具体地说,皮格马利翁效应已经被描述为性能优势归因于准备的环境中,教师或教练描绘一个强大的信念成功的学生/球员(韦弗et al, 2015年)。独特的轮询技术已被证明是有效的在理解个人和小组的集体观点持有承诺对于评估小组相信他们是否会改善并最终赢得(贝克尔等人,2017年)。在这种情况下phenomics-approach可以概要文件这些类型的心理社会功能和使身体或指导干预的目标增强可塑性,或适应特定的健身变量在正确的时间。

4注意事项和对未来的优先级

phenomics框架是一种强大的方法来全面概要文件和模型的运动员的表现和健康。它带来的重要优势准确、有效地索引反应区和精确有关健身干预变量来提高运动员的适应性,最终,峰值能力最大化。它还尺度非常好(cf。Agrawal 2001在生物学,例如)。在运动中,发现健身变量可以从个体研究和建模的运动员通过一组系统。例如,basketball-relevant健身变量如有争议的投篮命中率可以被索引对于单个运动员,后场位置集团或整个团队。此外,这可能是相对于特定的训练或异形跨段使用球员跟踪技术的一个或多个季节季节。还可以看附加应力变量,如物理工作负载在竞争激烈的季节,与高分辨率的因素,如射击性能更关键的比赛中时刻或改变对手的防御能力。同样,可以想象一个健身变量的战术稳定性、或一致性(例如,Lopez-Felip et al, 2018年),团队的索引,然后建模性能相对于压力。

phenomics框架还包含潜在因素,导致表型的表达,如exposomics,或者一个人的一生环境接触史,包括生活方式的因素,为了更好地描述环境相关危险因素(野生2005;Lubelczyk et al ., 2013)。虽然这主要主张在人类医学基因组学的扩大(荷兰,2017年),当视为额外的参数,使特定大小的表型表达相对于环境压力,exposomics数据可以集成到更复杂的phenomics-based网络模型的性能和健康。重要的是要考虑到运动员暴露在独特的环境因素而言,人口相比,从增加辐射从医疗检查化学补充疗法(Thevis et al, 2021年)。这样的曝光更容易跟踪一旦运动员组织的一员,但每个运动员和他们带来一个接触史,可能极大地影响的几个重要因素网络生理学和相关的表型健身。因此,移动传感器更准确和全面的评估环境因素成为重要的超越分辨率较低的指标(例如,一个人的地理家)高分辨率的监测数据,可以通知暴露和风险模型(Loh et al ., 2017)。简而言之,所有的应激反应不平等,exposomics有可能进一步阐明生理基础子系统交互的复杂因素构成表型表达。

5的结论

领域的未来看起来描述和预测的性能和健康的运动员,一个phenomics框架将有很大的效用。它促进了许多交互组件的建模和多维分析,是全面的和translateable与高精度可行的干预措施。它也促进个性化通过一个单元的分析上下文驱动的环境因素和运动员占和性能。套用著名生理学家Leon博士玻璃、生物学和动态的健康:作为科学家和从业者,我们必须认识到,发展并不取决于一个突破,而是经常摆脱“…适当使用众所周知的概念至关重要的问题(玻璃,20158)页。”phenomics的情况下,我们必须向完善的健身的概念,表型可塑性,最终,phenomics,从进化生物学作为体育科学的路线图谈判僵局的线性因果模型和变换运动员风险管理,培训,和照顾。

数据可用性声明

最初的贡献提出了研究中都包含在本文/辅料,可以针对相应的作者进一步询问。

作者的贡献

正义与发展党和DM贡献完全概念化,构思、内容生成和写作的手稿。

的利益冲突

DM是受雇于公司Apeiron作者的生活。

其余作者宣称,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用

Agrawal a . a (2001)。表型可塑性的交互和物种的进化。科学。(纽约,纽约)294 (5541),321 - 326。doi: 10.1126 / science.1060701