大數(shù)據(jù)時代個性化健康預測

本周Nature新聞與觀點中評述了Zeevi等人在Cell中報導的一項研究：一個人的血糖濃度如何受特定的食物影響的復雜問題。根據(jù)他們腸道中的微生物和其他方面的生理狀況，提出了一種可以提供個性化的食物建議的預測模型。

肥胖和Ⅱ型糖尿病正在讓發(fā)達國家憂愁。一個人的餐后血糖反應（PPGR），是Ⅱ型糖尿病風險的預測。上升得越高，風險越大。因為這個環(huán)節(jié)，具體指示了一個人是如何能保持血糖控制的。Zeevi等人給800個人安裝了皮下探針，超過一周每五分鐘測量他們的血糖水平的過程。除了5107組提供標準化的膳食之外，參與者吃了他們的典型食譜和做了詳細的膳食記錄。研究包含了52005餐的內(nèi)容，然后分析了150萬多個的葡萄糖測量。

數(shù)據(jù)顯示了對于相同（標準化）的伙食和自我報告的相似飲食的PPGRS重要人際變化和差異。此外，不同的食物引起最高PPGRS差異要比不同的個體之間差異大：香蕉有比餅干對一個人更大的作用，但換另外一個人卻是相反的。這些發(fā)現(xiàn)可以解釋為什么控制PPGR的標準飲食干預不能均勻有效地作用于整個人群。

為了找到高度個人化的血糖對食品反應的意義，作者轉(zhuǎn)向針對每一個人收集大量的數(shù)據(jù)。包括生理特征的分析，如身體質(zhì)量指數(shù)；如膽固醇水平等血液標志物；從調(diào)查問卷收集的行為數(shù)據(jù)，例如活動水平和睡眠習慣；參與者腸道菌群分布，包括菌群物種組成和相關(guān)基因組序列。數(shù)據(jù)立即顯示一個人的PPGRS和已知Ⅱ型糖尿病風險相關(guān)的因素，如身體質(zhì)量指數(shù)和血壓。然而，其他的醫(yī)學特征不那么明顯的方面也與PPGRS相關(guān)，包括特定的類群存在的微生物，如大腸桿菌，特別是那些參與趨化運動細菌的基因。

然后，作者使用了一個“決策樹”的機器學習方法來創(chuàng)建一個算法，整合所有的這些元數(shù)據(jù)。這種方法在800人的交叉驗證中被證明PPGRS是可以預測的，用其他799名參與者的數(shù)據(jù)生成算法也意味著可以預測一個人的PPGRS。該算法還預測了一個100人的不參與訓練算法的獨立數(shù)據(jù)的PPGRS。

作者發(fā)現(xiàn)在元數(shù)據(jù)中和一個人的PPGRS相關(guān)的幾個特點。正如預期的那樣，增加碳水化合物的消耗是增加的PPGR緊密聯(lián)系在一起的。增加膳食纖維的存在會在消化后不久的增加PPGR，但在接下來的24小時內(nèi)降低PPGR。預測PPGRS也有幾個特點：不涉及餐飲消耗，包括睡眠、微生物的生理活性和方面。

總的來說，這種方法比目前的金標準能更準確的預測血糖反應，它是基于每餐碳水化合物的含量。在最后的測試，作者招募了26個新的參與者，給予量身定制的膳食建議，每個參與者既使用他們的算法也由專家解讀這些人特定膳食的PPGRS。建議由該模型的基礎(chǔ)上改進的PPGRS和由專家建議血糖水平的穩(wěn)定性而提出。

雖然先前已在幾個方面：從肥胖到自閉癥，對腸道菌群與疾病的關(guān)系展開研究，這樣相關(guān)性的機制大多未知。Zeevi和他同事的方法很大的一個優(yōu)勢是，這種機制不需要知道它的工作原理。然而，這項研究提供了一個路線圖，用于產(chǎn)生和測試機制的假設(shè)。例如，Akkermansiamuciniphila菌，降解腸道的糖蛋白粘蛋白，這與作者發(fā)現(xiàn)的更高的PPGRS相關(guān)，有助于血糖的反應。如果是這樣，進一步研究是怎樣作用的。作者在人體大數(shù)據(jù)集和機器學習方法對適用和相關(guān)人的機理研究提供了一個良好的起點。

在現(xiàn)在這個時間，大多數(shù)微生物的研究者們不打算模仿天氣預報，預測一個人對于飲食或藥物對他們的腸道菌群作用的反應。然而，當結(jié)合機器學習算法，采用了額外的生物學指標，這樣的預測似乎更不令人畏懼。機器學習方法除了在PPGRS的應用，如治療自身免疫性疾病、心血管疾病和癌癥，可能會跟著更迅速地發(fā)展。在“大數(shù)據(jù)”科學的時代，我們可以分析大量的參數(shù)。多維數(shù)據(jù)的最具預測性的方面的能力將是非常強大的。

雖然以前的研究如何個別菌群譜系的復雜性可以告知個性化醫(yī)療是艱難的，但該研究對一個樂觀的預測提供了依據(jù)。