首页» 新闻中心» 学术动态» Nature子刊:通过大数据打造精准营养学

Nature子刊:通过大数据打造精准营养学

作者:佚名    来源:网络    发布日期:2016-02-22    点击:次    【字号:    
    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。
    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。
    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。

    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。
 

打 印关 闭
网站地图 设为首页 联系我们