精准营养与食品的未来!南昌大学聂少平教授团队《Advanced Science》最新发文!

• 近日，南昌大学聂少平教授团队在 《Advanced Science》 发表观点文章，系统讨论了精准营养、人工智能与未来食品创新之间的关系。文章指出，营养科学正在从过去“一套膳食建议适用于所有人”的模式，逐步走向更加精准、个性化、可持续的健康干预。

• 传统膳食指南通常基于人群平均水平，对公共健康具有重要意义，但在个体层面存在局限。不同人的遗传背景、代谢状态、肠道菌群、生活方式和饮食环境并不相同，即使吃同一种食物，血糖反应、脂质代谢、炎症水平和菌群变化也可能差异明显。因此，精准营养的核心目标，就是根据个人特征制定更合适的饮食策略。

• 文章特别提出“以人为中心的精准营养”框架。精准营养不能只停留在算法预测层面，还要真正进入日常生活。AI可以整合临床表型、多组学数据、生活方式和个人情境信息，帮助判断“身体需要调节什么”，再预测不同食物或营养干预对个体可能产生的反应，从而回答“应该补充什么”。但最终能不能坚持，还取决于一个人的饮食习惯、经济条件、时间安排、文化背景、情绪状态和烹饪条件。因此，精准营养还必须回答第三个问题：在现实生活中“如何补充”。

• 在数据层面，文章认为，精准营养首先需要更全面地理解个体差异。常规体检中的血糖、血脂、血压、肝肾功能等指标，可以反映基础健康状态；连续血糖监测、可穿戴设备等工具，则能捕捉餐后血糖、睡眠、运动等动态变化。基因组学可以揭示与营养需求和疾病易感性相关的遗传差异，例如淀粉酶基因与碳水化合物代谢能力相关，MTHFR基因变异会影响叶酸代谢。表观基因组学、转录组学、蛋白质组学和代谢组学，则能进一步解释饮食、压力和生活方式如何影响分子水平的健康状态。

• 肠道菌群是文章强调的另一个关键变量。肠道微生物不仅参与膳食纤维、多酚等成分的代谢，还会影响宿主代谢、免疫和神经系统。不同人的菌群结构不同，对同一种膳食干预的反应也不同。有人补充膳食纤维后代谢明显改善，也有人反应有限，这正是精准营养需要解决的问题。

• AI在其中扮演“数据翻译器”的角色。文章梳理了多项研究：机器学习模型已被用于预测个体餐后血糖反应；PREDICT研究将表型、遗传、膳食组成和肠道菌群数据结合，用于预测餐后血糖和甘油三酯反应；ZOE相关研究则通过移动应用提供个性化食物评分和饮食建议，并观察到部分心血管代谢指标改善。这些研究说明，基于个体特征的饮食建议，有可能在真实或接近真实的生活场景中产生健康收益。

• 不过，文章也提醒，精准营养不能依赖单一数据层。仅靠肠道菌群、单个基因或某项代谢物，很难准确判断一个人的健康风险和饮食反应。未来更可靠的方向，是把临床指标、多组学、生活方式、可穿戴设备反馈和饮食记录整合起来，形成动态闭环。随着大语言模型和数字孪生技术发展，AI还有望把复杂模型结果转化为普通人能理解、能执行、能长期坚持的饮食方案。

• 在食品科学层面，文章强调：食物是精准营养落地的核心载体。精准营养并不只是“告诉你少吃什么、多吃什么”，还需要依托食品原料、功能成分、益生菌、工程化配料和新型食品加工技术，形成多样化解决方案。全食物最容易获得，也最符合长期饮食习惯，但其成分复杂，膳食纤维、多酚、蛋白质等组分之间存在相互作用，健康效应较难精准预测。功能提取物和益生菌则具有成分更明确、剂量更可控、机制更容易追踪的特点，例如多糖、蛋白水解肽、多酚、益生菌等，都可能成为调节代谢、免疫和肠道菌群的重要工具。

• 对于更复杂的健康需求，文章还展望了理性设计的功能食品。未来可以根据结构—功能关系设计特定蛋白肽、膳食纤维模型或递送体系，通过微胶囊等技术提高益生菌稳定性和肠道释放效率。但这些技术也面临成本、工艺复杂性、安全评价和监管审批等问题，短期内更适合特定人群或特殊营养需求场景。

• 在应用路径上，精准营养可以通过个性化食谱、智能厨房、健康餐配送、中央厨房、柔性食品制造和3D食品打印等方式进入生活。喜欢做饭的人，可以根据算法生成的食谱自主烹饪；时间有限的人，可以选择符合个人营养需求的健康餐；食品工业则可以通过智能制造调整配方比例，开发更细分、更个性化的功能食品。

• 总体来看，这篇文章的核心观点是：精准营养的未来，不只是AI算得更准，也不只是食品技术做得更高级，而是要把科学预测、食品创新和人的真实生活连接起来。未来仍需解决数据标准不统一、机制研究不足、模型透明度不高、临床验证不充分、成本和隐私监管等问题。真正有价值的精准营养，应当是科学可信、价格可及、文化适配、易于坚持的饮食健康方案，让“吃什么更健康”从抽象建议变成每个人日常生活中可执行的选择。

图1：从数据到餐桌的以人为中心的精准营养框架。

该框架整合临床、多组学、生活方式和个人情境等多维数据，用于支持基于人工智能的健康状态评估、干预靶点识别，以及针对特定靶点的膳食反应预测。通过首先识别“哪些方面需要调节”，再确定“应该补充什么”，该框架能够生成个性化营养干预方案，并将其转化为可操作的选择，使人们能够在日常生活中决定“如何补充”。连续监测与反馈则有助于实现实时调整、模型迭代优化，以及精准营养策略的长期优化。

图2：精准营养的食品化解决方案。

用于精准营养的配料和原料涵盖全食物、天然食材、功能性化合物、益生菌以及工程化配料。随着精准性和靶向性的不断提高，其成本通常也会相应增加。图中周围的图标展示了多种实施路径，包括工业化生产、膳食配送服务和智能家庭系统等，这些路径有助于将精准营养转化为日常生活中可实践、个性化且可持续的膳食解决方案。

图3：精准营养的未来发展方向。

精准营养的未来发展将由四个关键方向推动，包括标准化的数据整合、机制理解与模型透明度、严格的临床验证，以及可实践的实施路径。上述方向共同有助于推动AI驱动的精准营养从研究走向真实世界应用，并支持其安全、可规模化和可信赖地落地。

https://doi.org/10.1002/advs.202523337

① 长按二维码 或 ② 点击左下角“阅读原文”