基于非靶向代谢组学的机器学习模型预测地中海饮食摄入：一项对照喂养研究

本研究创新性地将机器学习（ML）与血浆非靶向代谢组学技术结合，通过随机森林（RF）和决策树（DT）模型在完全对照喂养条件下预测地中海饮食（MedDiet）摄入，准确率达0.97（95%CI:0.81-1.00）。研究揭示了代谢标志物在饮食评估中的潜力，为克服传统膳食调查（FFQ）的系统误差提供了新思路，同时验证了模型在异质人群（准确率0.79）中的适用性局限。

　　

Highlight

背景与目的

开发饮食的代谢组学特征是理解饮食-健康关系的新策略。本研究旨在利用对照喂养试验中的非靶向代谢组学数据，开发并验证机器学习（ML）模型预测地中海饮食（MedDiet）与对照饮食的摄入差异。

方法与结果

在开发集中，26名男性（24-62岁）先食用5周北美饮食，后转为5周MedDiet全喂养；验证集包含70名参与者（54%男性，25-50岁），先遵循加拿大食品指南4周，再接受4周MedDiet全喂养。采用MPLEx方法分析血浆代谢物，通过随机森林（RF）和决策树（DT）模型预测饮食分组。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模型能基于血浆非靶向代谢组学数据高精度预测男性全喂养条件下的MedDiet摄入，但在人群异质性（性别混合及喂养控制较弱）场景中准确性降低。