机器学习在母乳研究中的应用：当前进展、挑战与未来展望

《Food Research International》：Machine learning in human milk research: current applications, challenges, and future perspectives

　　•一个框架将机器学习（ML）方法与人类母乳数据的三个结构挑战相匹配。•评估了公共数据资源在模型开发和验证中的应用。•一个四层框架对预测研究中的验证证据进行了分类。•跨应用的独立测试仍然不常见。•多模态组学融合框架尚未应用于人类母乳的联合建模。

引言
人类母乳被广泛认为是婴儿的最佳营养来源（Meng等，2021年）。与婴儿配方奶粉相比，母乳含有多种生物活性成分，包括免疫球蛋白、乳铁蛋白、溶菌酶、人类母乳寡糖（HMOs）、生物活性肽和外泌体以及复杂的微生物群落（Andres等，2023年；Yi & Kim，2021年）。这些成分协同作用，支持新生儿免疫系统的发育、肠道成熟、神经认知生长和长期代谢编程（Lyons等，2020年）。母乳的成分随着哺乳期的不同、单次喂养、母亲基因型、饮食、母亲和婴儿的健康状况以及孕龄而有很大差异（Majood & Rao，2026年；Samuel等，2020年）。这种生物变异性具有生理意义，但也使系统研究变得复杂。全面表征母乳成分通常需要多种分析平台和多组学策略，涵盖脂质组学、蛋白质组学、代谢组学、糖组学和微生物组分析（Wu等，2024年）。每个组学层次都会生成高维和结构复杂的数据集（Bai?o等，2025年）。传统的单变量和低维多变量统计方法可能不足以捕捉这些多组学数据中的复杂关系（Morabito等，2025年）。母乳成分的生物学重要性往往不在于单个分子本身，而在于它们之间的相互作用以及由此产生的对婴儿生理的影响（Christian等，2021年；Donovan等，2023年）。这些特征共同造成了母乳研究中数据生成与解释之间的方法学差距。机器学习（ML）可以帮助解决其中的一些分析挑战。广义上讲，ML包括从数据中学习模式的计算方法，用于回归、分类、聚类和表示学习等任务，而不是仅仅依赖显式编程的规则（Jordan & Mitchell，2015年）。在过去十年中，ML及相关化学计量方法已在生命科学领域得到应用，包括随机森林（RF）和支持向量机（SVM）模型用于监督预测，主成分分析（PCA）用于无监督降维，以及卷积神经网络（CNN）和图神经网络（GNN）架构用于深度学习（Jordan & Mitchell，2015年；Sapoval等，2022年）。典型的ML应用包括蛋白质结构预测（Jumper等，2021年）、全蛋白质组范围内错误变异致病性的预测（Cheng等，2023年），以及临床试验数据集中的预测生物标志物发现（Arango-Argoty等，2025年）。在食品科学中，ML还应用于光谱食品鉴定和非破坏性质量和安全评估（Goyal等，2024年；Lin等，2023年）。这些先例展示了可能的广泛应用范围，但在母乳研究中的实用性的证据仍取决于适当的研究设计、严格的验证、透明的报告以及由生物学证据支持的解读。尽管在母乳研究中的ML应用已经出现，但相关证据仍然零散。例如，根据母乳代谢组和暴露组学特征预测后期神经发育风险（K. Li等，2023年）以及基于拉曼技术的抗生素分类和定量（Mou等，2024年）。母乳数据集包含与母亲和婴儿特征、哺乳和喂养实践、采样程序及分析平台相关的分子和细胞异质性及变化（Calvo-Lerma等，2024年；Majood & Rao，2026年；Samuel等，2020年）。这些因素要求ML流程要根据研究设计和分析背景进行调整。现有的综述已经讨论了人工智能在母乳和母乳喂养中的应用（Agudelo-Pérez等，2024年）、基于ML的 macro-和 micronutrient 分析（Arzheh等，2025年）、成分预测、母乳库优化和哺乳支持（Golshan-Tafti等，2026年）。尽管这些综述讨论了方法学局限性，但仍需要一个统一的框架来解释成分分析、母乳库质量控制和婴儿配方奶粉优化中的验证证据。因此，这篇结构化的叙述性综述将母乳数据特征与方法适用性联系起来，并批判性地审查了这三个领域的证据。一个四层验证框架，分别评估生物学或实验确认，支持对报告性能的解释和研究重点的确定。为了实现这些目标，研究人员在2015年至2026年2月期间搜索了Web of Science和PubMed上的出版物，并使用Google Scholar进行了补充搜索。搜索结合了与母乳相关的术语（人类母乳、母乳、动物乳汁和婴儿配方奶粉）、计算术语（机器学习、深度学习、化学计量学和神经网络）以及分析术语（脂质组学、蛋白质组学、肽组学、代谢组学、寡糖组学和光谱学）。每组内的相关术语通过OR连接，三个组通过AND连接。根据这些搜索结果，作者根据研究内容和相关方法学问题选择了用于叙述综合的研究。当研究将ML或化学计量方法应用于母乳、母乳库操作或婴儿配方奶粉时，包括经过同行评审的主要研究。当动物乳汁及相关食品科学领域的研究或其方法或解释与母乳研究相关时也予以保留。在修改手稿期间，还纳入了其他相关的综述。未报告相关应用或未为母乳研究的方法或解释提供信息的出版物被排除在外。在引用的137篇出版物中，有38篇报道了与母乳相关的ML或化学计量应用，其中包括17项预测、分类或肽筛选应用，12项探索性分析，8项涉及母乳和配方奶粉或成分来源的比较，以及一项预测化学物质转移到母乳中的研究。其余出版物包括15项在动物乳汁或其他食品基质中的应用，27项分子或跨领域的方法学研究，4项常规校准或确定性计算研究，以及53篇提供生物学、临床、技术或方法学背景的出版物。由于研究目标、数据类型和结果的异质性，所包含的证据以叙述方式综合，同时考虑了研究设计、数据划分、验证策略、报告的性能和生物学确认。从动物乳汁中获得的ML结果是根据物种特有的组成、模型输入和目标结果进行解释的，而不是作为人类母乳中模型性能或婴儿营养效应的直接证据。

综述的结构如下。首先，它将母乳数据的结构特征与相关ML和化学计量方法的适用性和局限性联系起来。其次，它批判性地审视了三个应用领域的证据，即母乳成分分析、母乳库质量控制和安全保证以及婴儿配方奶粉优化，并比较了它们的技术成熟度和转化潜力。最后，它综合了共有的方法学瓶颈，并概述了严格验证和转化为实践的优先事项。

数据特征、ML适用性和基准资源
高维、异质性和不完整的生物数据给分析方法带来了结构挑战（Bai?o等，2025年）。在母乳研究中，包括蛋白质组学、代谢组学、脂质组学和微生物组分析在内的组学技术的日益应用扩大了数据生成能力（Calvo-Lerma等，2024年），但分析整合的进步速度并未跟上（Morabito等，2025年）。本节讨论了这些挑战以及ML方法的适用性。

母乳成分分析
母乳成分分析涉及多个分子层面，包括脂质、蛋白质和生物活性肽、寡糖以及微生物组。在这些领域的研究中记录了显著的个体间差异和哺乳期间的变化，其中一些与婴儿表型有关（Cao等，2025年；Ganeshalingam等，2022年；Johnson等，2024年；Kellman等，2022年；Zhao等，2025年）。如第2节所讨论的，质谱、光谱等技术在这些分析中发挥了重要作用。

母乳库质量控制和安全保证
母乳库质量控制包括快速宏量营养素筛查、掺假检测、污染物风险评估和巴氏杀菌评估（Arslanoglu等，2023年）。对于早产儿和极低出生体重的婴儿来说，母乳的安全性和营养状况直接关系到个性化喂养的效果（Colaizy等，2024年；Rochow等，2021年）。传统方法在速度、成本和通量方面存在限制，阻碍了常规操作（Jorge dos）。

婴儿配方奶粉优化
婴儿配方奶粉的优化以母乳为基准，但在总数量层面的成分近似并不意味着结构或功能上的等效（Liu, Zhang等，2026年；Zhang, Liu等，2021年；Zhu等，2024年）。优化包括成分差距量化、生物活性肽筛选和功能性成分设计。更广泛的目标是通过结合可测量的功能和生物学特性，从成分匹配转向表型匹配。

技术成熟度和共同瓶颈
本综述研究了母乳研究中的三个领域：成分分析、母乳库质量控制和婴儿配方奶粉优化，这些领域在方法学发展、验证强度和实际应用准备方面存在差异。与蛋白质和肽相关的应用已经开发出了相对连贯的工作流程，用于候选物筛选和母乳库混合，尽管关于普遍性和常规实施的证据仍有限。

结论
尽管支持证据的优势和可转移性仍不平衡，但ML在母乳研究中的应用已经扩展到成分分析、母乳库质量和婴儿配方奶粉优化领域。适当选择的ML方法可以帮助解决母乳数据带来的具体分析挑战。正则化回归、集成学习和蛋白质语言模型可以支持高维、小样本分析、非线性交互作用。

声明
在准备本工作时，作者仅使用OpenAI Codex进行语言编辑和预提交格式检查。本文表达的观点和解释仅代表作者本人的观点，未受到AI工具的影响。

作者贡献声明
Yuankui Wang：撰写——原始草稿、方法学、调查、正式分析、数据管理。
Yuankai Wang：撰写——原始草稿、方法学、调查、正式分析。
Lu Wang：调查。
Fanlong Wang：数据管理。
Krisztina Takács：撰写——审阅与编辑。
Leila Queiroz Zepka：正式分析。
Saied A. Aboushanab：撰写——审阅与编辑。
Tian Cai：撰写——审阅与编辑、监督、方法学、概念化。
Kewei Chen：撰写——审阅与编辑。

未引用的参考文献
Zhang and Muller, 2024

利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢
本工作得到了国家自然科学基金（32301977）和外国专家事务管理局的外国专家计划（S20240093, H20240226）的支持。

Yuankui Wang | Yuankai Wang | Lu Wang | Fanlong Wang | Krisztina Takács | Leila Queiroz Zepka | Saied A. Aboushanab | Tian Cai | Kewei Chen