大數據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。因為這個環節，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餐的內容，然后分析了150萬多個的葡萄糖測量。

數據顯示了對于相同（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。這些發現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，作者轉向針對每一個人收集大量的數據。包括生理特征的分析，如身體質量指數；如膽固醇水平等血液標志物；從調查問卷收集的行為數據，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基因組序列。數據立即顯示一個人的PPGRS和已知Ⅱ型糖尿病風險相關的因素，如身體質量指數和血壓。然而，其他的醫學特征不那么明顯的方面也與PPGRS相關，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建一個算法，整合所有的這些元數據。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名參與者的數據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據的PPGRS。

作者發現在元數據中和一個人的PPGRS相關的幾個特點。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上改進的PPGRS和由專家建議血糖水平的穩定性而提出。

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系展開研究，這樣相關性的機制大多未知。Zeevi和他同事的方法很大的一個優勢是，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，用于產生和測試機制的假設。例如，Akkermansiamuciniphila菌，降解腸道的糖蛋白粘蛋白，這與作者發現的更高的PPGRS相關，有助于血糖的反應。如果是這樣，進一步研究是怎樣作用的。作者在人體大數據集和機器學習方法對適用和相關人的機理研究提供了一個良好的起點。

在現在這個時間，大多數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展。在“大數據”科學的時代，我們可以分析大量的參數。多維數據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療是艱難的，但該研究對一個樂觀的預測提供了依據。