機器學習演算法定製個性化營養

機器之心原創

作者：Genome Hunter

參與：高靜宜、王灝

腸道微生物組日益突顯的作用

我們腸道中的細菌，也就是我們所知的腸道微生物組，對我們的健康與疾病風險起著很大的作用（圖 1）。在肥胖與糖尿病的發展過程中，如今腸道微生物組被認為是個體之間存在差異的重要原因。個人微生物組一般由一種細菌佔主要地位，且與年齡、性別、地理位置無關，並且受到長期的飲食習慣的影響。

圖 1. 營養的變化極大地影響近期的代謝

由於近年來測序技術的發展，如今測量微生物組中的幾乎每一種微生物基因也成為了可能。具有較低的微生物基因數（即更低的多樣性）的人群易於患更嚴重的肥胖症，而且也要比有較高的微生物基因數（即更高的多樣性）人群有更多的炎症。因此，微生物組既是生物標誌物，也是在個性化營養中對飲食干預的作用靶標。

個性化營養大數據

目前，預測一個人的 PPGR 值的常見方法是觀察飲食中的碳水化合物的含量。或者，人們可以參考血糖指數（GI），這是一種根據食物中碳水化合物影響血糖水平的程度的相對排名。然而，作者認為 GI 數據只是基於單一的一種食物，並不能反映現實生活中的膳食。人們的基因、生活方式、腸道微生物以及膳食都會影響 PPGR。

在這項研究中，作者結合了（i）可穿戴式連續性血糖檢測儀對 PPGR 進行的縱向監測，（ii）腸道微生物組數據，（iii）包含 800 名非糖尿病志願者身體信息的大型群組研究（圖 2)。志願者自己上報了超過大約 47000 頓飯中大約 1000 萬卡路里的消耗，並且使用人體工程且微創的連續血糖監測儀自動捕捉了 150 萬個血糖測量數據值。研究人員還整合各種數據類型，包括健康志願者和糖尿病前期志願者群組的各項信息如飲食攝入、人體測量數據、體育運動、睡眠覺醒周期、高解析度的長期血糖監測和糞便微生物宏基因組。

圖 2. 臨床和微生物數據收集

利用機器學習演算法創建適合你的飲食

作者首先證實了志願者之間的巨大差異。同樣的食物會給某些人帶來巨大的血糖峰值，但是對於其他人只會造成微小的浮動。志願者對於會引發尖銳峰值的食物也有所不同。例如，445 號參與者對香蕉反應強烈，而 644 號參與者則會對餐後餅乾產生強烈的反應。（圖 3）

圖 3. 不同的人在用同樣的餐後食用不同的餐後食物

之後，作者分析了每個人的人體測量數據、活動參數和腸道微生物組數據以預測針對各種食物的 PPGR 響應的預測。結果表明，每個人的 PPGR 可以通過計算方法來實現預測，而且個性化的飲食可能更成功有效地控制 PPGR。簡單地說，作者採用了一個兩階段演算法（圖 4）。在第一階段，他們開發了一種基於梯度提升回歸方法的機器學習演算法，其中派生了數以千計的決策樹來優化整體模型的預測能力。梯度提升回歸模型適用於 PPGR 與各種預測因子之間的非線性關係。研究人員利用留一交叉驗證法（leave-one-out cross-validation）在 800 名個體群組中對他們的模型進行訓練。在第二階段，他們招募了 100 個志願者的獨立群組，並使用在 800 名志願者的主要群組上訓練好的模型來預測他們的 PPGR。

圖 4. 預測的方法

未來的方向

這項工作是一項重要的概念驗證研究，它在飲食反應預測中整合了微生物組的貢獻。整合從大規模志願者中得到的多維縱向數據可以使得機器學習演算法的表現優於基於專家經驗的 PPGR 預測。Eran Segal 教授打算進一步提升演算法的效果。他們計劃通過採集志願者的體育運動、腸道細菌菌株甚至遺傳學方面更詳細的信息，來提升模型的準確率。

最近，Eran Segal 和 Eran Elinav 兩位教授成立了一家名為 DayTwo 的創業公司（https://www.daytwo.com），旨在提供個性化營養服務，從而讓人們的生活更健康並維持正常的血糖水平。用戶可以通過一個 APP 來調整膳食以防止 2 型糖尿病。

圖 5. 一個幫助你區分食譜好壞的 APP

Reference

Zeevi D et al. Personalized Nutrition by Prediction of Glycemic Responses. Cell, 2015.

本文為機器之心原創，轉載請聯繫本公眾號獲得授權。

------------------------------------------------