您当前的位置: 首页 >  博客资讯

营养学变革:抛弃问卷调查,准确判断吃了啥

编者按:

长期以来,饮食研究一直受到受试者自我报告不准确的干扰,但如今借助代谢组学方法,饮食研究正进入一个精准新时代。那么,如何采用代谢组精确判断人们所摄入的食物呢?如何利用生物标志物挖掘饮食与健康风险间的关系呢?

今天,我们共同关注代谢组在营养学研究中的作用。希望本文能够为相关的产业人士和读者带来一些启发。

代谢组在营养学中的应用

在 2013 年至 2014 年间,有 19 人自愿一连好几天被锁在诊所里,并且不止一次,而是整整四次。在为期三天的试验中,他们被提供了完全不同的、严格的饮食,并被禁止运动。受试者可以使用电脑与外界联络,也允许他人探访,前提是探访者不偷运零食。此外,受试者每天还要将早晨、中午和晚上的全部尿液交给研究者。

这些参与者们有的采用健康饮食,有的则很贪吃。他们通过短暂牺牲自己的自由,来帮助伦敦帝国学院的营养师 Gary Frost 和他的同事了解饮食习惯如何影响尿液中代谢物的相对浓度,以及尿液是如何作为个人饮食指示剂来反映不同食物的摄入情况[1]。

Frost 的团队预计,与传统方法的问卷调查法――询问自由活动的受试者他们吃了什么(这个方法因巨大的错误率而臭名昭著)相比,这种代谢组学分析会为营养学家提供更为可靠的数据。

“大部分人对自己吃过什么记性很差。人们会否认吃过甜食或忘记他们吃过巧克力。”阿尔伯塔大学研究代谢组和营养的生物化学家 David Wishart(并非来自 Frost 的团队)说道。与之相反,他补充道:“血液和尿液却不会撒谎。”

事实上,Frost 的团队能够依据这些受试者者的数据,将尿液中代谢物分析转化为一项单一评分[2],并将其用来推断他们无法控制饮食的人们的饮食情况。

另外一些在营养研究中寻求客观性的研究者们正在鉴定能揭示一个人是否摄入了某种特定食物的代谢物。

但是这种方法尚不完善,也未被广泛应用,研究者们仍在努力确定与特定饮食质量和食物相关的代谢物。不过,通过仔细的分析,科学家们已开始逐步揭开人们饮食的微妙信息,比如说他们摄入了多少牛奶和奶酪,或者是喝了哪种冲泡咖啡。

随着科技进步和饮食-代谢物相关性数据积累,研究者们期望将饮食流行病学标准化,也就是试图阐明特定饮食习惯和疾病风险间的联系。

一些人甚至看到了制定个性化营养建议以帮助人们增强或维持身心健康的前景。比如 Wishart,他是温哥华一家名为 Molecular You 的公司的首席信息官。该公司正在利用代谢组学和其他信息为消费者们给出饮食习惯建议,以改善他们的健康状况。

“人们对代谢组学在解读饮食与健康之间的相互作用方面发挥主导作用寄予厚望。”巴塞罗那大学的营养研究员 Cristina Andrés-Lacueva 说道。

Box:从餐盘到数据集

营养研究历来依赖于受试者们的饮食自我报告,为了使研究更具客观性,科学家们正在转向用体液中的生物标志物来揭示个人饮食的特征。

到目前为止,大部分研究都是通过筛选来鉴定特定食物(或者甚至是这些食物的制备方式)的新型标志物。在某些情况下,研究者们已经开始使用这些筛查中发现的标志物,以将饮食和健康风险联系起来。

1. 在一些旨在鉴定与某些特定食物或饮食相关的代谢物的研究中,科学家在分析受试者的代谢产物之前,会严格控制他们的摄入量,并会询问受试者一直在吃什么。

2. 人们的身体会含有他们摄入的食物中的分子,以及由这些食物制造的或对其做出反应的代谢产物,甚至包括微生物组的代谢产物。

3. 大多数研究都对血液或尿液进行取样,但是粪便、头发或指甲也可能会提供饮食线索。

4. 质谱法(GS)可以对任何类型样品中的代谢物,甚至可以对收集到的低浓度的代谢物,进行高灵敏度分析。核磁共振(NMR)可提供更可重复的结果,但可能会丢失稀有分子。

5. 结果能够揭示与特定食物正相关(示例中红色)或负相关(蓝色)的代谢物或者与饮食整体健康相关的代谢物。

将特定食物与代谢物联系起来

在科学家们开始将代谢物与健康和疾病联系起来之前,他们必须详细列出各种食物的生物标志物。

2019 年,Wishart 与来自欧洲和新西兰的合作伙伴共同完成了一个项目,旨在鉴定不同食物和饮料(从可口可乐到鸡胸肉再到格鲁耶尔奶酪)的生物标志物。潜在的生物标志物包括直接源自这些食物的成分,或者是人类代谢物以及肠道微生物组产生的代谢物的浓度波动变化。

该项被命名为食物生物标志物联盟(Food Biomarker Alliance,FoodBAll)的研究找到了几个有希望的候选物[3]。

例如,研究乳制品血液生物标志物的研究小组[4]提出,糖醇半乳糖醇可作为牛奶的标志物,而芳香族化合物 3-苯基乳酸可作为奶酪的标志物。FoodBAll 合作者还开发了验证这些新型生物标志物的方案,并创建了几个在线数据库来推动食品代谢组学研究(表1)。

即便在 FoodBAll 项目之外,一旦研究者们开始仔细观察,他们就可以发现能揭示饮食习惯的代谢物。例如,咖啡引起了国际癌症研究机构(IARC)的生物化学家 Augustin Scalbert 的兴趣。它有不同的类型,同时它也与一系列健康效应有关,因此科学家们希望找到可表征受试者食用了哪种、多少咖啡的最佳生物标志物。

Scalbert 和同事比较了来自四个国家的 451 个人的血液代谢产物[5]。这四个国家分别是,法国(人们经常喝浓缩咖啡);德国(滴滤咖啡很常见);希腊(首选煮咖啡);意大利(由一种被称为摩卡壶的过滤器冲泡的类似意式浓缩的咖啡很受欢迎)。

在法国和德国,食用咖啡的最佳标志物是生物碱葫芦巴碱,但是在希腊,估计咖啡摄入量的最佳标志物是奎宁酸,Scalbert 说道,而在意大利,则是氨基酸衍生物环(异亮氨酰-脯氨酰)。结果表明理想的生物标志物可能取决于所研究的人群。

                                     表1. FoddBAll 项目的建立的多个数据库。

将代谢物与特定疾病风险联系起来

长期以来,人们认为饮食与癌症的患病风险有关,但是大多数研究只是简单询问人们吃了什么,然后再进一步跟踪追踪后来的癌症诊断结果。

和很多营养研究人员一样,美国癌症协会的流行病学家正为每种食物寻找特定的标志物,以获取与饮食-癌症关联的更可靠的数据。

几年前,Marji McCullough 和 Ying Wang 分析了来自 91 组食物和多种单一食物的 1,186 种血清代谢产物[7]。这些数据源于一项针对 1,369 名女性的研究,这些女性填写了有关食物摄入频率的问卷,这项研究是癌症预防研究II项目的一部分。

结果发现,相关性比比皆是:科学家们能够将其中的 42 种食物/食物组与 199 种不同的代谢物联系起来,包括与咖啡和深色鱼类鱼(包含沙丁鱼和鲑鱼的一类鱼)相关的一些新型的、尚未命名的生物标志物。

McCullough 和她的同事希望,可以在以后的研究中验证并应用这种分析方法来了解癌症风险。“这个领域还很年轻。”McCullough 补充道。

Scalbert 表示赞同:“我们正在一点一点地学习如何利用这些信息,并充分利用它来了解食物摄入和不同食物之间的联系……以及不同的饮食习惯和罹患癌症的风险。”

他对咖啡很感兴趣,因为咖啡与降低肝癌及与其紧密相关的慢性肝病有关。据美国 CDC 数据显示,每年约有 33000 名美国人罹患肝癌。但是经常喝咖啡可将患肝癌风险降低 50%。

凭借对咖啡生物标志物的了解,Scalbert 及其合作者分析了 20 世纪 80 年代在芬兰进行的一项营养补充剂预防肺癌试验中收集的男性吸烟者血样。

数据集显示,喝咖啡与血液中较高的 5-羟色胺(一种神经递质)、甘油磷脂(构成细胞膜的成分)和葫芦巴碱(来自咖啡豆本身)浓度,以及较低的酪氨酸和胆汁酸浓度有关。

接着,研究人员将后来被诊断出患有肝癌、或在 2012 年底之前死于肝病的受试者数据,与同一试验中肝脏健康的志愿者数据进行了比较。结果显示,健康对照者的咖啡成分和相关分子的含量往往较高,而发展为肝病或癌症的患者中酪氨酸和胆汁酸的含量较高[8]。

“这是一项设计合理且非常出色的研究。”没有参与这项研究,但与 Scalbert 合作过其他项目的 Wishart 说道,这些结果与其他研究结果相符,表明饮用咖啡可以减轻肠道炎症,同时促进有益微生物的生长――这些条件限制了由胆汁酸和酪氨酸等化合物引起的损害。

代谢物能告诉我们关于饮食的什么信息

Frost 和其他研究人员试图从更广义的饮食习惯的角度,来衡量饮食的整体健康程度。

在一项由英国国家卫生研究院(NIHR)和 Wellcome 信托帝国临床研究机构于伦敦展开的研究中[9],他和他的团队为受试者提供了四种不同的饮食计划:饮食 1 包括多种被世界卫生组织(WHO)视为健康的食物,如全麦谷物,蒸三文鱼和葡萄。饮食 4 则是另一个极端,包括糖衣麦片,炸猪肉香肠和牛奶巧克力。而饮食 2 和 3 介于这两者之间。

短短几天,研究者们就能从受试者们的代谢组学分析中检测出这些食物的影响。食用营养丰富的饮食 1 的人群中,尿液中 19 种代谢物浓度高于食用大量垃圾食品(饮食 4)的人群。例如,其中一种代谢物马尿酸盐,是食用水果和蔬菜的标志物。相反,不健康的饮食 4 人群中有 9 种代谢物的浓度高于饮食 1 人群。其中一个是肉碱――红肉的生物标志物。

为了将这些单独的信号纳入到更广泛的评估当中,数据科学家 Joram Posma 应用了机器学习。他使用饮食 1 或饮食 4 参与者的生物标志物水平来训练模型,旨在通过分析一个人的尿液来预测他们的饮食情况。

然后,他的团队根据中间饮食的数据测试了其模型。可以肯定的是,该模型正确地鉴定出了:饮食 2 的饮食者具有相对健康的代谢组,饮食 3 的饮食者更偏向不健康的饮食模式。该团队还从丹麦和英国的其他人群中验证了该模型。那些饮食更健康的人群的代谢组与研究中饮食 1 受试者的代谢组更相似。

“这篇论文很有趣,因为它结合了干预试验和两个不同人群的观察性试验,”未参与研究的 Scalbert 说道,“这种研究通常是针对某种特定食物做的,针对全面饮食的很少。”

该团队现在可以基于代谢物分析,来计算单独的饮食代谢型评分(DMS),以评估个体饮食习惯的健康程度。“我们可以知道您的饮食健康程度。”Frost 说道。

很重要的一点是,这个分数是客观的,不会受到饮食者回忆错误的干扰。这个项目中的一位化学家 Isabel Garcia-Perez,正在将该算法付诸实践。

在一项客户与营养师共同参与其中的试验中,Garcia-Perez 让营养师在与客户见面之前就先使用饮食评分了解客户的饮食习惯,并确定客户在多大程度上遵守或不遵守他们规定的饮食计划。她预测,如果客户的代谢组能够为人们遵守规定的情况提供频繁、可靠的反馈,那么他们会更有动力跟上推荐的饮食。

McCullough 和同事正在寻找简单的血液标志物,以指示广泛的饮食模式。他们专门寻找更可能表征4种不同饮食策略(地中海饮食替代评分、健康饮食替代指数、DASH 饮食以及健康饮食指数)的代谢物,在这些预测中得分最高的预测因子,能反映出健康的饮食习惯,包括食用鱼的标志物 Omega-3 脂肪酸――DHA 和水果、蔬菜中的胡萝卜素。

McCullough 指出,最终,这类研究可能会转变成人们负担得起的血液测试,以指示一个人真实的饮食习惯――这是临床上医生可以用来评估疾病风险并为患者提供建议的一种客观指标。“这很遥远,”她说道,“但潜力很大。”

参考文献:

1.Garcia-Perez, Isabel, et al. Objective Assessment of Dietary Patterns by Use of Metabolic Phenotyping: A Randomised, Controlled, Crossover trial[J]. The lancet Diabetes & endocrinology, 2017, 5(3): 184-195.

2.Garcia-Perez I, Posma J M, Chambers E S, et al. Dietary Metabotype Modelling Predicts Individual Responses to Dietary Interventions[J]. Nature Food, 2020, 1(6): 355-364.

3.Brouwer-Brolsma E M, Brennan L, Drevon C A, et al. Combining Traditional Dietary Assessment Methods with Novel Metabolomics Techniques: Present Efforts by the Food Biomarker Alliance[J]. Proc Nutr Soc, 2017.

4.Alessia T, Münger Linda, Gianfranco P, et al. GC-MS Based Metabolomics and NMR Spectroscopy Investigation of Food Intake Biomarkers for Milk and Cheese in Serum of Healthy Humans[J]. Metabolites, 2018, 8(2): 26.

5.Rothwell JA, Keski-Rahkonen P, Robinot N, et al. A Metabolomic Study of Biomarkers of Habitual Coffee Intake in Four European Countries. Mol Nutr Food Res. 2019;63(22): e1900659. doi:10.1002/mnfr.201900659

6.Edmands William M B, Pietro F, Rothwell J A, et al. Polyphenol Metabolome in Human Urine and Its Association with Intake of Polyphenol-rich Foods across European Countries[J]. American Journal of Clinical Nutrition,2015(4): 905.

7.Ying W, Gapstur S M, Carter B D, et al. Untargeted Metabolomics Identifies Novel Potential Biomarkers of Habitual Food Intake in a Cross-Sectional Study of Postmenopausal Women[J]. Journal of Nutrition, 2018(6): 6.

8.Erikka L, Rothwell J A, Rashmi S, et al. Prospective Investigation of Serum Metabolites, Coffee Drinking, Liver Cancer Incidence, and Liver Disease Mortality[J]. Journal of the National Cancer Institute (3): 3.

9.Hu, Frank B. Dietary pattern analysis: a new direction in nutritional epidemiology.[J]. Curr.opin.lipidol, 2002, 13(1): 3.

原文链接:https://www.the-scientist.com/features/nutrition-researchers-can-determine-what-youve-been-eating-68172

作者 | Amber Dance

编译 | 李嘉秋

审校|617

编辑|笑D