习惯性咖啡摄入与遗传易感性对非传染性慢性疾病轨迹的影响：基于英国生物银行的前瞻性研究

这篇研究通过机器学习（ML）模型结合非靶向代谢组学（untargeted metabolomics）数据，开发并验证了预测地中海饮食（MedDiet）摄入的算法。研究证明随机森林（RF）和决策树（DT）模型在完全控制喂养条件下对男性样本预测准确率高达97%，但在异质性样本（含女性和部分控制条件）中准确率降至79%，为基于代谢组学的客观饮食评估提供了新思路。

　　

Highlight

背景与目的

开发饮食的代谢组学特征谱是理解饮食-健康关系的突破性策略。本研究旨在通过非靶向代谢组学（untargeted metabolomics）数据，开发并验证机器学习（ML）模型，以预测完全控制喂养条件下地中海饮食（MedDiet）与对照饮食的摄入差异。

方法与结果

在开发集中，26名24-62岁男性先食用北美饮食5周，后转为地中海饮食5周；验证集包含70名25-50岁参与者（54%男性），先遵循加拿大膳食指南4周，再转为地中海饮食4周。通过MPLEx方法分析血浆代谢物，采用随机森林（RF）和决策树（DT）建模。开发集的RF模型预测准确率达0.97（95%CI:0.81-1.00），而验证集准确率降至0.79（95%CI:0.71-0.86），DT模型结果相似。

结论

RF和DT模型能基于血浆代谢组数据高精度预测男性在完全控制条件下的地中海饮食摄入，但在异质性样本（含女性和部分控制条件）中准确性降低。

讨论

代谢组学特征谱结合ML技术为流行病学研究提供了更客观的饮食评估工具，但需进一步优化模型以适应复杂人群。

数据共享

数据、代码本和分析代码将在申请批准后提供。

利益冲突声明

所有作者声明无相关利益冲突。

临床试验注册号

NCT00988650: https://www.clinicaltrials.gov/ct2/show/NCT00988650

NCT01293344: https://clinicaltrials.gov/ct2/show/NCT01293344

资助声明

本研究未接受任何公共、商业或非营利机构的专项资助。

致谢

感谢BL、SL和PC设计研究，MC、PL、FB和JC完成数据分析，MC和DB撰写论文，BL负责最终内容审定。