推动个性化和精准营养

《Journal of Nutritional Science》:Advancing personalised and precision nutrition

【字体: 大 中 小 】 时间:2026年07月10日 来源:Journal of Nutritional Science 2.3

编辑推荐:

  这篇文件介绍了2025年8月IUNS-ICN 2025大会上讨论的个性化和精准营养的一些进展,包括生物标志物在个性化和精准营养研究中的作用,个性化和精准营养方法在常规医疗保健服务中的应用,对公共卫生的影响,全球范围内的个性化和精准营养,机器学习与精准营养,以及

  
这篇文件介绍了2025年8月IUNS-ICN 2025大会上讨论的个性化和精准营养的一些进展,包括生物标志物在个性化和精准营养研究中的作用,个性化和精准营养方法在常规医疗保健服务中的应用,对公共卫生的影响,全球范围内的个性化和精准营养,机器学习与精准营养,以及个性化饮食指南与基于人群的政策。
**论文解读文章**

**研究背景与问题**
个性化和精准营养是从通用饮食指南向个体化干预转变的重要方向,其核心在于利用个体特征(如年龄、性别、饮食、临床及代谢指标)设计针对性营养支持。然而,当前研究面临多重挑战:饮食评估依赖传统自报工具,易产生偏差;生物标志物(biomarkers)的发现虽有进展,但验证滞后,且现有食物成分数据库覆盖有限;个体对相同饮食的反应存在显著差异,受遗传、生理、微生物组、行为及环境等多因素影响;此外,将研究转化为常规医疗保健服务仍缺乏有效路径,成本高昂且可及性不足,尤其在中低收入国家。这些问题的存在促使该领域亟需系统性突破。研究人员在2025年国际营养科学联合会国际营养学大会(IUNS-ICN 2025)上围绕这些议题展开讨论,旨在推动个性化和精准营养从学术研究向实际应用的转化。论文发表于《Journal of Nutritional Science》。

**主要关键技术方法(≤250字)**
研究人员主要采用以下关键技术方法:
1. 基于生物标志物的客观饮食评估,包括食物摄入生物标志物(如全谷物、大豆、糖的可靠标志物)的发现与验证;
2. 多组学技术整合,涵盖基因组学(genomics)、表观基因组学(epigenomics)、转录组学(transcriptomics)、宏基因组学(metagenomics)、代谢组学(metabolomics)等;
3. 机器学习(machine learning, ML)算法用于数据整合与模型构建,例如通过监督学习(supervised learning)进行类别分类和回归预测,以及无监督学习(unsupervised learning)进行聚类和降维;
4. N-of-1试验设计,通过个体内重复测量替代传统组间比较;
5. 数字技术(如智能手机、可穿戴设备)进行实时数据采集;
6. 来自英国生物银行(UK Biobank)等大型队列的数据分析,以及PREDICT研究项目(包含超过30万名参与者)的多元数据挖掘。注意:样本队列来源包括UK Biobank和PREDICT项目,拉丁美洲研究涉及Samba和SoMeMi等微生物组项目。

**研究结果**

*The role of biomarkers in personalised and precision nutrition*
研究人员通过分析现有研究,指出生物标志物是精准营养的核心,但食物摄入生物标志物的验证滞后,且单次测量不足以反映动态代谢组。N-of-1试验和数字孪生(digital twins)等新兴方法能预测个体饮食反应,例如离线数学模型成功预测了禁食前后的代谢通量,并可根据个体性别、体重和身高进行调整。结论强调需要动态监测暴露与结局生物标志物,并整合人工智能(AI)提升预测能力。

*Taking personalised and precision nutrition approaches to routine health care services*
基于数字生活方式干预的研究经验,研究人员提出了六项促进转化实施的建议:包括在研究阶段即考虑实施、利益相关者全程参与、建立商业模式、确保工具的包容性和可及性(如多语言和低识字水平支持)。研究表明,当前大多数个性化干预未能扩展到常规医疗服务,需重点解决社会弱势群体的可及性。

*Precision nutrition implications for public health*
模型研究显示,不健康饮食每年导致约1500万可预防死亡,而改善饮食模式可延长预期寿命。但个性化营养的复杂性和成本使其倾向于吸引资源充足的富裕人群,可能加剧健康不平等。研究人员强调需将社会心理、文化和经济因素纳入干预设计,并通过参与式共同设计(participatory co-design)提高文化适应性。AI的发展有望提升可扩展性和可负担性。

*Personalised and precision nutrition in Latin America: challenges and opportunities*
拉丁美洲人群具有巨大的遗传和环境多样性(原住民、欧洲和非洲血统混杂),但在全基因组研究中仅占0.38%。研究人员利用拉丁美洲多样性遗传学数据库(Genetics of Latin America Diversity database)以及Samba和SoMeMi等微生物组项目,已对肥胖、2型糖尿病等常见疾病开展营养遗传学(nutrigenetics)、营养基因组学(nutrigenomics)和肠道微生物组研究。结论指出,该地区研究经费和技术有限,但可通过合作网络利用非组学数据(如临床检测)开展个性化营养研究,并需将成果融入公共卫生政策。

*Machine learning and precision nutrition*
机器学习算法整合多组学数据,可识别与表型特征(如内脏肥胖)相关的微生物标志物,并预测不同宏量营养素组成的低热量饮食后的体重变化。研究人员构建的ML模型通过全基因组和表观基因组交互作用预测肥胖,指导精准营养策略。然而,ML的局限性包括跨人群普适性不足、基础设施要求和伦理问题(如个人数据保护)。建议通过国际合作构建大型数据库、开发数据共享标准和培训专业人员加以克服。

*A place for personalised dietary guidelines alongside population-based guidelines?*
基于人群的饮食指南依从率低于1%,且个体对相同建议(如盐摄入减少)的反应差异显著(约75%的人血压下降,25%无改善)。PREDICT研究(超30万参与者)表明,餐后代谢反应受进餐背景(睡眠、体力活动、时间)、肠道微生物组和习惯性饮食驱动,而遗传因素贡献较小。研究人员提出一种分层营养(stratified nutrition)方法:在国家指南框架内叠加个性化层,根据个体特征、行为和环境调整建议,从而同时提升疗效和依从性。

**讨论与结论**
讨论部分指出,个性化和精准营养的全面发展需要突破生物标志物验证、实施转化和公平可及性三大瓶颈。未来研究应优先开发可连续测量的暴露与结局生物标志物,整合暴露组(exposome)数据,并借助N-of-1试验、深度表型分析和AI建模。在公共卫生层面,需补充但不取代人群策略,尤其关注社会弱势群体的需求。结论部分翻译如下:生物标志物对于推动个性化和精准营养不可或缺,但其发现和验证仍不完整。可靠的食物摄入生物标志物可变革饮食评估,而动态测量更广泛的暴露与反应生物标志物将促进对饮食-健康相互作用机制的个体及人群理解。新兴方法如N-of-1试验、深度表型分析和AI驱动建模,结合强化数据基础设施和严格验证,有望解决当前局限,为发展更个体化的营养策略铺平道路。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号