研究人员开发了一种数学模型，可以预测锻炼肌肉的最佳锻炼方式。来自剑桥大学的研究人员使用理论生物物理学的方法来构建模型，该模型可以判断特定的运动量会导致肌肉生长的程度以及需要多长时间。该模型可以构成软件产品的基础，用户可以通过输入他们个人生理的一些细节来优化他们的锻炼方式。
该模型基于同一团队的早期工作，该团队发现称为肌联蛋白的肌肉成分负责产生影响肌肉生长的化学信号。
发表在《生物物理学杂志》上的结果表明，对于每个人和每个肌肉生长目标，都有一个最佳的阻力训练重量。肌肉只能在很短的时间内接近其最大负荷，并且随着时间的推移整合负荷会激活导致新肌肉蛋白质合成的细胞信号通路。但是低于某个值，负载不足以引起大量信号，并且锻炼时间将不得不成倍增加以进行补偿。该临界负荷的值可能取决于个体的特定生理机能。
我们都知道运动可以锻炼肌肉。还是我们?剑桥大学卡文迪什实验室的尤金·特伦杰夫教授说：“令人惊讶的是，人们对运动为何或如何锻炼肌肉知之甚少：有很多轶事知识和获得的智慧，但很少有确凿或经过验证的数据。”该论文的作者。
锻炼时，负荷越高，重复次数越多或频率越高，则肌肉体积增加的幅度越大。然而，即使查看整个肌肉，也不知道为什么会发生这种情况或发生的程度。随着重点下降到单个肌肉或其单个纤维，这两个问题的答案变得更加棘手。
肌肉由单独的细丝组成，这些细丝只有 2 微米长，宽度不到 1 微米，小于肌肉细胞的大小。“因此，肌肉生长的部分解释必须在分子尺度上，”合著者尼尔·伊巴塔说。“肌肉中主要结构分子之间的相互作用大约在 50 年前才被拼凑在一起。较小的辅助蛋白质如何融入图片仍然不完全清楚。”
这是因为数据很难获得：人们的生理和行为差异很大，几乎不可能对真人的肌肉大小变化进行受控实验。“你可以提取肌肉细胞并单独观察它们，但这会忽略运动过程中的氧气和葡萄糖水平等其他问题，”特伦杰夫说。“很难把它们放在一起看。”
几年前，Terentjev 和他的同事开始研究机械感应的机制——细胞感知环境中机械线索的能力。英国体育学院注意到了这项研究，他们对这是否与他们在肌肉康复方面的观察有关感兴趣。他们一起发现肌肉肥大/萎缩与剑桥的工作直接相关。
2018 年，剑桥大学的研究人员启动了一个关于肌肉细丝中的蛋白质如何在力作用下发生变化的项目。他们发现主要的肌肉成分肌动蛋白和肌球蛋白缺乏信号分子的结合位点，因此它必须是第三丰富的肌肉成分——肌联蛋白——负责发出施加力变化的信号。
每当分子的一部分处于张力下足够长的时间时，它就会切换到不同的状态，从而暴露先前隐藏的区域。如果该区域随后可以与参与细胞信号传导的小分子结合，则会激活该分子，产生化学信号链。Titin 是一种巨大的蛋白质，当肌肉被拉伸时，其中的很大一部分会伸展，但在肌肉收缩时，一小部分分子也会处于紧张状态。这部分肌联蛋白包含所谓的肌联蛋白激酶域，它是产生影响肌肉生长的化学信号的域。
如果分子在更大的力下或在相同的力下保持更长时间，则它更有可能打开。这两种情况都会增加激活信号分子的数量。然后这些分子会诱导更多信使 RNA 的合成，从而产生新的肌肉蛋白质，并且肌肉细胞的横截面增加。
这种认识导致了目前的工作，由 Ibata 开始，他本人是一名狂热的运动员。“我很高兴能够更好地了解肌肉生长的原因和方式，”他说。“考虑到运动员能够达到的特定训练量，在避免低效率的锻炼方式以及通过定期进行更高价值的训练来最大限度地发挥运动员的潜力方面，可以节省大量时间和资源。”
Terentjev 和 Ibata 着手构建一个数学模型，该模型可以对肌肉生长进行定量预测。他们从一个简单的模型开始，该模型跟踪在力下打开的肌联蛋白分子并启动信号级联。他们使用显微镜数据来确定肌联蛋白激酶单元在力下打开或关闭并激活信号分子的力依赖性概率。
然后，他们通过包含额外的信息，例如代谢能量交换，以及重复长度和恢复，使模型变得更加复杂。该模型使用过去对肌肉肥大的长期研究进行了验证。
“我们的模型为肌肉生长主要发生在最大负荷的 70% 时的想法提供了生理基础，这是阻力训练背后的想法，”特伦杰夫说。“在此之下，肌联蛋白激酶的开放率急剧下降，并阻止了机械敏感信号的发生。在此之上，快速衰竭会阻止我们的模型定量预测的良好结果。”
英国体育学院高级力量与体能教练 Fionn MacPartlin 说：“在为精英运动员做准备时面临的挑战之一是在平衡相关权衡(如能源成本)的同时最大限度地适应的共同要求。” “这项工作让我们更深入地了解肌肉如何感知和响应负荷的潜在机制，这可以帮助我们更具体地设计干预措施来实现这些目标。”
该模型还解决了长期卧床休息或宇航员在微重力环境中出现的肌肉萎缩问题，显示肌肉在开始恶化之前可以保持不活动多长时间，以及最佳恢复机制可能是什么。
最终，研究人员希望开发一种用户友好的基于软件的应用程序，该应用程序可以针对特定目标提供个性化的锻炼方案。研究人员还希望通过使用男性和女性的详细数据扩展他们的分析来改进他们的模型，因为许多运动研究严重偏向于男性运动员。