【妇产每日一文】饮食、营养素、基因和菌群：个体化营养的最新进展
随着个人对日益个体化营养和生活方式指导的需求增加，大量应用程序和营养计划陆续出 现在大众视野中。 人们也开始逐渐认识到在饮食行为、基因表达和微生物组成方面复杂的个体差异。数字化工具和人工智能的进步可以帮助个体更容易地跟踪营养摄入并识别营养差距。然而，这些营养物质对健康结局的影响可能因个体的生命阶段、遗传学和微生物成分而异。 妊娠期叶酸、DNA甲基化和大脑发育
有确凿的证据表明，妊娠期补充叶酸可预防神经管缺陷。妊娠晚期到出生后2年是大脑皮质和皮质下灰质等区域快速生长发育的关键时期；在妊娠早期（建议预防神经管缺陷的时期之后）继续补充叶酸可以优化产前大脑发育的叶酸状况。因此，母体叶酸不足可能会影响大脑发育。
叶酸相关的表观遗传变化，特别是DNA甲基化，是支撑母亲叶酸营养和子代各种健康结局之间关联的一种合理机制。从孕前到童年的早期生长发育时期是儿童生命周期的一个关键窗口，其特点是DNA甲基化快速变化、易受环境因素影响以及表观遗传标记编程，这可能对营养不良母亲娩出的婴儿产生持久的健康影响。
观察性研究报道，孕妇在妊娠期间补充叶酸与脐带血候选基因的DNA甲基化模式变化有关，包括脐带血和子代中LINE-1和PEG3的甲基化减少以及IGF2的甲基化增加。妊娠中期及晚期(FASST)试验表明，较一般母亲而言，在妊娠中期和晚期补充叶酸的母亲中，娩出的新生儿LINE-1和与大脑发育相关的候选基因（如IGF2和BDNF）的DNA甲基化有所变化。在使用全表观基因组学(EWAS)方法后，印记基因调控因子ZFP57处也显示出新生儿的DNA甲基化变化。
与妊娠期叶酸营养有关的子代认知能力
母亲在孕早期补充叶酸与儿童神经发育结局（如语言发育、认知功能评分以及语言和运动功能）之间存在正相关。一项子代试验探讨了孕中期和孕晚期补充叶酸对儿童后期认知能力的影响：在儿童3岁和7岁时，服用叶酸的母亲的儿童在几个认知领域的得分明显高于服用安慰剂的儿童。另外，一项英国儿童的全国代表性样本数据证明，母亲补充叶酸的儿童在7岁时的语言智商，表现智商，一般语言能力和完全计算能力方面的测试分数显著较高，这表明叶酸介导的表观遗传变化在与大脑发育相关基因中起着重要作用。
个性化的叶酸摄入评估的重要性
上述研究可以进一步阐明妊娠期间叶酸营养和子代健康结果之间的联系以及基础的表观遗传机制。需要采取个性化的方法，如精确的膳食叶酸摄入量评估，或微创的叶酸状态检测，以确定有叶酸不足或不足风险的个体。
另外，世界上存在着10%的人群需要更多的研究，他们是亚甲基四氢叶酸还原酶C677T多态性纯合子，他们的叶酸代谢受损，因此可能对叶酸有更高的膳食要求。
肠型在个体化肥胖管理中的重要性
随着肥胖症在全球范围内的流行，人们对体重有效管理的探索仍在继续。通过多个饮食干预研究发现，参与者之间的体重减轻差异显著，这表明没有“一种饮食适合所有人”。饮食减肥成功可能取决于多个个体特征，包括宿主遗传和肠道菌群。这里可以根据两种不同的肠道菌群组成类型（“肠型”）对个体进行分层：一种类型以普氏菌种为主，另一种类型以拟杆菌种为主。其中，普氏菌种肠型与富含碳水化合物和纤维丰富的饮食相关；拟杆菌种肠型与低纤维、高脂肪和精制糖的“西方饮食”有关。
肠型可预测高纤维饮食减肥的成功性
肠型在降解膳食纤维的能力上似乎有所不同，因此可以推测肠型的代谢反应取决于不同的膳食成分。最近一项饮食干预试验表明，高纤维饮食干预对具有普氏菌种肠型的个体比具有拟杆菌肠型的个体更有益。后来，有研究将肠型与葡萄糖代谢联系起来，证据表明，拥有普氏菌种肠型的受试者提高了其纤维降解和葡萄糖代谢的酶能力，而这在拟杆菌肠型受试者中是不可见的。
随着对该领域的不断深入探讨，有多项研究根据普氏菌种肠型和拟杆菌种肠型比例(P:B)预测了饮食减肥的成功率，相较于P:B比率较低的受试者，P:B比率较高的受试者在试验时间内食用高纤维饮食后体重会减轻更多。
营养素摄入评估中食品图像识别的先进技术
饮食评估是任何个体化营养计划在现实世界中应用的关键步骤。个体跟踪食物摄入的能力作为行为改变的一个关键影响因素，在自我监控中起着重要作用。食品图像识别是一种智能且具有前景性的策略，其中，“深度学习”（深度神经网络）是由多个处理层组成的计算模型，通过对一组输入图像的训练来学习相关图像特征，它可以对图像的每个像素进行分类，从而识别任意数量的项目，以及它们的位置和大小，最终估计食物的体积和重量。
“深度学习”已被多次验证为识别食品图像的合适解决方案，在最近的研究中受到广泛关注。有专业人员开发了一种用于食品图像识别的新型深度学习体系结构，称为NutriNet。它是对众所周知的AlexNet体系结构的修改：增加了图像大小，并在神经网络的开端增加了一个卷积层。在将225953张图片归纳为520种独特的食品类后，NutriNet进行了图片训练。在对比三种流行的“深度学习”体系结构(AlexNet、GoogLeNet和ResNet)进行测试时，发现NutriNet训练速度比其他三种体系结构都快。在使用“深度学习”方法识别单个食物图像中任意数量的项目后发现，训练集在视觉上与真实食物极其相似。未来，这种技术可以考虑用于改善临床试验中的个人饮食评估。
总之，识别个体差异来源可能改进临床试验的进程和解释。例如，在叶酸状态和表观遗传学的研究中，可以通过使用一种先进的技术（如“深度学习”）来加强膳食摄入评估。在肥胖研究中，了解肠道菌群组成，可以更好地预测有无应答者，并且可以通过照片识别来评估饮食对干预的依从性。这些方法还可以在公共卫生领域制定个体化营养方案方面发挥作用。对于孕产妇健康而言，这种方法有助于识别是否存在叶酸缺乏风险，为孕产妇提供如何识别叶酸充足的食物、或满足个人喜好补充的相关指导。在体重管理方面，可以将自动膳食摄入评估与基因型和微生物组成信息相结合，为用户提供个体化的指导。
参考文献
Matusheski NV, et al. Diets, nutrients, genes and the microbiome: recent advances in personalised nutrition. Br J Nutr. 2021 Nov 28;126(10):1489-1497.
【往期阅读推荐】
