▎药明康德/编辑
精准医学已经兴起，精准营养学还有多远？事实上精准营养学可能更为复杂。撇开基因不说，即便是同一个人，胖了瘦了、年轻年老、不同疾病甚至肠道微生物差异都会影响其营养需求。由于变量众多，哪怕是预测一个简单的血糖水平也很困难。
不过，随着组学分析以及可穿戴设备的兴起，这为精准营养学提供了可能。最近一篇发表在《Cell》上的论文表明，大规模数据收集分析可以帮助制定更加精准、个性化的膳食建议。
研究者分析了三组不同的数据，其中第一组数据来自800名志愿者。他们每天第一顿食用四套标准化食品中的一种，其余时间正常饮食。研究者采集了他们的血样、粪便，以血糖数据、肠道菌群等多项数据，并使用调查问卷、App等形式收集食物、锻炼以及睡眠数据。数据收集持续一周。
▲数据采集与实验设计
通过分析标准化饮食的结果，研究者发现即便食用同样的食品，不同人的反应依然存在巨大差异。这表明，过去通过经验得出的“推荐营养摄入”从根本上就有“漏洞”。接下来，研究者开发了一套“机器学习”算法，分析学习血样、肠道菌群特征与餐后血糖水平之间的关联，并尝试用标准化食品进行血糖预测。葡萄糖是人类细胞最主要的能量来源，血糖异常会导致多项重要疾病。可以说，血糖管理是精准营养的基石。
机器学习算法被800名志愿者的数据“训练”之后，变得能够预测食物对人体血糖水平的影响。随后，研究者在第二组人群上（100个志愿者）验证机器学习得出的预测模型，效果非常理想。
▲模型验证与数据
那么机器学习得出的模型能否实际运用于指导健康饮食呢？研究者在第三组人群上（26个志愿者）进行双盲试验。研究者对每位志愿者的血样、微生物组数据、人体测量学制订了个性化膳食计划。其中一组12名自愿者，使用机器学习算法的建议；对照组14名自愿者，采用医生和营养专家的建议。膳食计划也分为两种，一种被设计用于控制血糖水平，另一种则相反。每组志愿者均严格遵照建议饮食两周，一周进行“健康饮食”另一周践行“不健康饮食”，并比较结果。
最终的研究结果表明，机器学习算法给出了更精准的营养学建议，成功控制餐后血糖水平，结果优于传统专家建议！这为机器学习以及精准营养学打开了一扇大门，同时这篇重磅论文也登上了当期《Cell》杂志的封面。
Nature评论文章也指出，很多变量会随着饮食同时改变，加大长期预测的难度。例如，“健康饮食周”或者“不健康饮食周”都会大幅改变肠道菌群组成以及活动，从而进一步放大饮食带来的影响。长期的饮食规划依然需要进一步研究。
▲数据驱动的组学公司或项目（点击查看大图）
现在，越来越多的公司和机构开始尝试收集大规模数据，并运用大数据分析（上表）研究营养、行为、肠道细菌等因素与健康的关系，这将帮助我们更好的辨别哪些变量才是真正重要的，以及不同疾病、健康状态以及行为模式的影响。虽然困难与挑战不容低估，但人类终将会进入精准营养学时代。
参考资料：
[1] McDonald D, Glusman G, and Price ND.'Personalized nutrition through big data..' Nature biotechnology34.2(2016).
[2] David, Zeevi, et al. 'PersonalizedNutrition by Prediction of Glycemic Responses.' Cell163.5(2015):1079-1094.
联系客服
