基于血液的代谢特征优于预测饮食、疾病风险的标准方法

当涉及到研究食物和饮食时，很难知道人们在吃什么，更不用说他们所吃的食物引起的疾病风险了。

医生和研究人员通常会要求人们填写一份长期的食物频率问卷，以估计卡路里摄入量、食物类别和营养素。这依赖于一个人的记忆，可能无法提供最准确的图像。

然而，由密歇根医学心脏病学家领导的研究小组发现了一种使用分子分析和机器学习的方法，可以开发基于血液的饮食特征，更准确地预测饮食和心血管疾病和2型糖尿病的风险。研究结果发表在欧洲心脏杂志。

“饮食不是单一的;它在不断变化，而我们传统的评估方法并不完美，”资深作者Venkatesh Murthy医学博士说，他是密歇根大学健康弗兰克尔心血管中心的心脏病学家，密歇根大学医学院心脏病学副教授。

“我们需要更可靠、更精确的工具，同时对每个人来说都易于使用。利用代谢物特征和数据科学我们可以更好地了解人们实际摄入了多少，以及他们可能引发影响数百万美国人的心脏代谢疾病的风险，”Murthy说。

研究人员在年轻人冠状动脉风险发展研究中跟踪了2200多名白人和黑人成年人血液样本以及食物调查，以确定25年内饮食的代谢物特征和随后的疾病风险。通过机器学习模型，研究人员能够创建基于血液的饮食签名这可以更准确地预测一个人在19种食物组中的整体饮食10-20%。

此外，基于血液的特征通常优于健康饮食指数，这是一种衡量饮食质量的标准指标，可以根据每种食物组来确定谁更有可能患糖尿病和心血管疾病。例如，当食物频率问卷显示吃红肉的人患糖尿病的风险增加18%时，基于血液的特征则发现风险增加55%。

“利用代谢物来了解食物暴露和营养是营养科学中一个不断扩大的领域，”范德比尔特大学医学中心心脏病学家、医学副教授、合著者拉维·沙阿说。“除了了解哪种类型的营养对我们的健康更好或更坏之外，这里的方法可以让那些研究食品科学的人对营养和饮食的代谢进行快照，以更好地了解它们对健康的影响。”

研究人员说，这种基于血液的签名技术需要在不同饮食的前瞻性对照研究中进行测试。准确地知道人们在多大程度上遵守了一个饮食Murthy说，使用基于血液的特征会产生更强的结果。

“饮食和营养研究真的很难，”Murthy说。“我们认为这是一个重要的步骤和一套工具，以更高的精度和效率进行营养研究。最终，这项工作可能会让我们更好地了解患者的最佳饮食。”