锻炼肌肉(为什么锻炼可以锻炼肌肉？)
我们运动的时候，负荷越高，重复次数越多，肌肉增长越大。但是，为什么运动可以锻炼肌肉呢？为什么长时间不活动会导致肌肉萎缩？
这两个问题看似简短，但答案大多来自坊间，以及活动康复医学界积累的大量相关经验和知识。但这些知识无法回答导致肌肉肥大和萎缩的两个症结现象，即肌肉如何“知道”自己在运动(自发的无意识运动)，如何发出信号刺激紧张或萎缩的形态学反应？
所以就练肌肉而言，似乎每个人都无法预测他会有多努力，练多久，达到什么程度。
肌肉是高度有序的器官，可以分成越来越小的亚结构。肌肉关节是肌肉受压和肥大的最基本单位，每个肌肉关节包括许多肌丝，分为粗丝和细丝，而细丝只有1微米长，直径不到1微米，比肌纤维(肌细胞)还要小。
此前，一些研究集中于单一肌肉或其单一肌纤维，显然无法回答上述问题。因此，有必要在分子水平上寻找肌肉生长的一些原因。
最近，在《生物物理学杂志》上发表的一篇讨论中，来自英国剑桥大学卡文迪什实验室(世界上几乎一半的诺贝尔物理学奖都来自这个实验室)的尤金·特伦捷夫(Eugene Terentjev)教授和尼尔·伊贝塔(Neil Ibata)(15岁时由《自然》杂志发表的作品)应用理论生物物理学的方法开发了一套数学模型。结合细胞内机械传感器、信号链通路和转录后合成的核糖体动力学，揭示了肌肉如何通过产生(或降解)其压缩蛋白来感知和响应外部载荷。这样它就可以根据不同的个体来预测“增肌”的最优方案。该模型为手机应用程序(App)奠定了基础。未来，用户有望通过输入个人生理细节，获得自己的最优增肌计划。
肌肉中的细胞内信号转导如何组织营养反应是活动科学和影响肌肉稳态(包括发育、衰老和许多疾病)的条件研究中的核心问题。
伊贝塔说:“肌肉中重要结构分子之间的相互作用是在大约50年前拼凑起来的。目前，还不完全清楚这些小辅助蛋白是如何整合到整个肌肉生长过程中的。这是因为数据很难获得。个体的生理和行为差异如此之大，几乎无法比较真实人群中肌肉大小的变化。”
特伦捷夫教授说:“你可以提取肌肉细胞并分别进行检查，但这会忽略其他因素，如活动时的氧气和葡萄糖水平。所以很难把所有因素放在一起考察。”
几年前，他们研究了机械感知的机制，即细胞感知环境中机械信号的能力。三年前，他们开始研究肌丝中的蛋白质在外力作用下是如何变化的。他们发明了肌联蛋白和肌球蛋白这两种重要的肌肉技术资源，缺少信号分子的关节位点。因此，一定是肌球蛋白负责发出力变化的信号。
每个人身体的每一块肌肉，都有一个最佳的抗阻训练配重。肌肉只能在短时间内接受接近其最大负荷的重量。随着时间的推移，整合的负荷可以激活促进新肌肉蛋白合成的细胞信号通路。但阈值以下的负载不足以大量传输信号，必须乘以活跃时间来补偿。阈值可能取决于个人的生理特征。
研究人员发现，每当分子的一部分处于张力下足够长的时间，它就会切换到不同的状态，然后暴露出之前隐藏的区域。如果这个区域能与一个参与细胞信号传递的小分子结合，就会激活这个分子，从而形成化学信号链。Titin是一种很好的蛋白质。肌肉拉伸的时候，很大一部分都会被拉伸。但是当肌肉被压缩时，它的一小部分也处于紧张状态。这部分膜联蛋白包括所谓的膜联蛋白激酶(TK)结构域，它可以产生影响肌肉生长的化学信号。
如果你受到更大的力，或者在同样的力下坚持更长的时间，这个分子就更容易被打开。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技术资源网的信使RNA(mRNA)合成，从而产生肌肉技术资源网的新蛋白质。同时，肌肉细胞的横截面积也会增大。
这种认知带来了这个新的研究工作，Ibata本人也非常热爱活动。他说:“考虑到积极分子可以避免无效的活动计划，并通过定期的高质量培训最大限度地发挥他们的潜力，他们可以节省大量的时间和资源。我很高兴能更好地理解肌肉增长的原因和方法。”
Terentjev和Ibata着手建立这个数学模型，它可以定量预测肌肉的生长。他们从一个简单的模型开始，该模型记录了信号级联是由膜联蛋白分子的外力启动的，并应用显微镜数据来确认单个膜联蛋白激酶单元在外力下开启或关闭并激活信号分子的外力依赖概率。
随后，他们添加了额外的信息，如代谢能量交换、重复和恢复时间，使模型更加复杂，这一点得到了之前长期研究肌肉肥大的验证。
Terentjev说:“我们的模型为肌肉生长在70%最大负荷下很重要的观点提供了生理学基础，这也是阻力训练背后的理论支持。低于这个水平，膜联蛋白激酶的开放率会急剧下降，从而阻断机械敏感信号的产生。此外，我们的模型已经预测到快速疲劳会阻碍好的结果。”
此外，该模型还解决了肌肉萎缩的问题。当宇航员长时间卧床或处于微重力状态时，就会出现肌肉萎缩。这个模型显示了肌肉开始萎缩的时间，以及什么是最佳的恢复计划。
总之，这项研究有助于我们进一步了解肌肉如何感知和响应负荷的潜在机制。
研究人员希望开发一种用户友好的应用程序，为特定人群提供个性化的锻炼计划。他们还希望通过扩大对男性和女性详细数据的分析来完善他们的模型，因为许多活动讨论严重偏向男性活动家。