精准营养：脂质、CGM 和基因能证明什么

精准营养学能够以令人印象深刻的细节衡量人与人之间的差异。它尚未证明，这些测量结果能比高质量实施的标准饮食建议更稳定地产生更好的健康结局。

有三种方法尤其清楚地展现了这一差距。一项血浆脂质组评分追踪用不饱和脂肪替代饱和脂肪后出现的代谢变化，并预测未来心血管代谢风险。预测餐后血糖反应的算法可以针对不同人群对食物做出不同排序，但现有规模最大的随机试验发现，它并不优于标准咨询。一种常见的 FADS1 变异会在膳食脂肪暴露后改变血液脂肪酸组成，但它尚未识别出哪些人能从坚果或植物油中获得更多糖尿病保护。

生物学具有个体差异。处方仍需证据。

脂质组评分的证据最有力——迄今为止

最有力的证据来自 Eichelmann 等人发表于 2024 年《Nature Medicine》的研究。该研究起点是 DIVAS 随机对照试验：在 16 周内，195 名参与者食用富含饱和脂肪的对照饮食（n=65），或两种富含不饱和脂肪饮食中的一种（n=130）。干预将总能量中 8% 来自饱和脂肪酸的部分替换为不饱和脂肪酸。由于两种不饱和脂肪饮食产生了相似的脂质组变化，研究人员将其合并用于本次分析。

113 名参与者具有脂质组学数据。在跨脂质类别测得的 111 种脂肪酸浓度中，45 种在饮食干预后于假发现率阈值低于 0.05 时存在差异。研究人员将这些变化整合为加权多脂质评分，即 MLS。

该评分所反映的不只是 LDL 胆固醇或甘油三酯。在约 27,000 人的前瞻性 EPIC-Potsdam 队列中，在校正体重指数、LDL 胆固醇、血压、吸烟和其他传统因素后，较高 MLS 与心血管疾病风险降低 32% 和 2 型糖尿病风险降低 26% 相关。该评分还在 LDL 胆固醇和甘油三酯之外增加了预测信息。

这些是关联，而不是提高 MLS 可预防疾病的证据。不过，研究人员在 Nurses' Health Study 队列中测试了一个分辨率较低的版本，即简化 MLS 或 rMLS，并在 PREDIMED 中再次进行了考察。在 PREDIMED 中，起始时 rMLS 不利的参与者似乎能从地中海饮食干预中获得更多的 2 型糖尿病风险降低。这是真正的精准营养学信号：基线生物学特征可能有助于识别获益最多的人群。

其实际意义并不需要质谱仪。用坚果、种子、鱼类、橄榄油和其他植物油等食物中的不饱和脂肪替代部分饱和脂肪，已经符合主流的心血管代谢建议。MLS 使这一熟悉的建议在生物学层面更加细致；它尚未将其转变为可直接用于临床的个体化检测。

为何 MLS 前景可期，但尚未适合在诊室使用

该评分是在 DIVAS 试验结束后开发的，使用了从 111 个候选指标中筛选出的 45 个标志物。即使后续队列研究结果令人鼓舞，这一筛选过程也可能使评分对产生它的数据集过度拟合。脂质组学分析还仅纳入了 195 名随机分组参与者中的 113 名，因此所分析的子集可能无法完全代表所有被随机分组者。

外部研究使用的是 rMLS，基于反映 15 种类别特异性脂肪酸浓度的 42 个较低分辨率变量，而非原始的 45 种脂质评分。不同测量平台可能改变评分的可迁移性。PREDIMED 在一些中心也出现了随机分组不规范问题，导致主试验被撤稿后重新发表；其亚组分析应得到额外谨慎对待。最后，目前尚无标准化且可报销的临床流程提供 MLS 深度的脂质组学检测。该评分拥有令人信服的研究记录，但尚无既定的应用路径。

血糖预测可作为测量工具发挥作用，但尚未成为更优的饮食方案

不同人对同一餐食的血糖反应可能截然不同。这一观察促使魏茨曼研究所及其他机构的研究人员开发算法，利用个人数据预测餐后血糖反应，即 PPGR，并引导人们选择预测会产生较小血糖波动的食物。

较小规模的随机试验提供了认真看待这一思路的理由。Ben-Yacov 等人报告称，在糖尿病前期人群中，个体化、以餐后反应为目标的饮食较地中海饮食带来了更好的血糖控制结局。在一项针对新近诊断 2 型糖尿病患者的先导试验中，Rein 等人发现，基于 PPGR 的饮食指导带来了血糖改善。

两项结果都无法确定该算法是否在良好饮食咨询之外增加价值。这些试验研究了不同人群，并使用了不同的对照方案。新近诊断糖尿病也是人们可能对几乎任何持续的饮食关注都产生强烈反应的时期，而先导试验无法可靠地分离出较小的算法特异性效应。

更大规模的检验则不那么令人满意。在Personal Diet Study中，156 名糖尿病前期或控制中等的 2 型糖尿病成人被随机分配至标准低脂饮食组（n=75）或个体化 PPGR 算法饮食组（n=81），并随访六个月。两组均在基线、三个月和六个月时接受行为咨询、智能手机应用支持和持续血糖监测。

两组的血糖变异性改善速度几乎相同。标准组的血糖波动平均幅度每月下降 0.83 mg/dL（95% CI，0.21 至 1.46；P=0.009），个体化组每月下降 0.79 mg/dL（95% CI，0.19 至 1.39；P=0.010）。组间比较无差异（P=0.92），且 HbA1c 轨迹平行。在该试验中，该算法未优于标准咨询。

该研究的规模可能过小，无法检测到定义狭窄的应答者亚组，而六个月可能也不足以让 HbA1c 曲线出现分离。由于两组接受了等同的应用支持和咨询，研究也无法将密集支持的激励效应与食物排序算法的效应区分开来。这些限制说明需要更多研究。它们并不能将无差异比较变成获益证据。

对于希望及时获得餐食和习惯反馈的糖尿病前期或糖尿病患者，持续血糖监测仍可能有用。一项为期 30 天、纳入 30 名糖尿病前期成人的小型随机研究，在个体化营养治疗的同时比较了可见与盲法 CGM 数据；Basiri 等人检验了实时反馈能否增强该治疗。但 CGM 曲线是数据，而非饮食裁决；Personal Diet Study 发现，在咨询和 CGM 基础上叠加这一特定 PPGR 算法并无额外血糖获益。

FADS1 解释了一种真实的代谢差异，但尚无确证的临床获益

FADS1 编码 delta-5 去饱和酶，该酶参与将膳食亚油酸和 α-亚麻酸转化为更长链的高度不饱和脂肪酸。rs174547 变异改变了这一代谢机制。Wang 等人于 2022 年进行的一项荟萃分析发现，该变异在各项研究中与长链 PUFA 血液水平存在一致关联。

这一信号也出现在饮食研究中。Jäger 等人在 EPIC-InterAct 中研究了坚果摄入和植物油摄入，该研究包括 7,498 例 2 型糖尿病病例和一个由 10,087 人构成的子队列；他们还研究了 928 名经基因分型、被分配至坚果饮食或对照饮食的 PREDIMED 参与者。在 PREDIMED 中，rs174547 基因型显著修饰了血浆磷脂脂肪酸对坚果和植物油摄入的反应（交互作用 P=0.003）。CC 携带者将亚油酸转化为较长链脂肪酸的能力较低。

然而，研究人员并未发现该基因型改变了这些膳食暴露与 2 型糖尿病发病之间的关联。这一区别很重要。基因型可以改变一种生物标志物，却未必能识别出一种可更有效改变该基因型疾病风险的饮食方案。

临床交互作用分析还面临一个基本的样本量问题：CC 携带者约占欧洲人群的 15%，限制了检测糖尿病发病率中等程度基因-饮食交互作用的效能。因此，无差异结果可能遗漏一个小效应，但也仍与不存在具有临床意义的效应相符。有关脂肪组织炎症的研究提供了生物学细节——Vaittinen 等人发现，FADS1 基因型修饰了对富含亚油酸饮食的类花生酸相关炎症反应——但组织炎症和血液脂肪酸并非糖尿病结局。

现在该如何看待这些结果

采用证据已经达到临床标准的部分。无论你是否曾进行脂质组学检测，用不饱和脂肪替代部分饱和脂肪来改善膳食脂肪质量仍是明智之举。如果你有糖尿病前期或 2 型糖尿病，CGM 可能有助于你注意到模式并支持行为改变，尤其是在合格临床照护的配合下。

对于宣称某种血糖算法或单一基因变异能够制定优于标准循证咨询的饮食处方的商业说法，应持更怀疑态度。作为研究测量工具，MLS 是这些工具中最具说服力的，因为它将实验诱导的饮食变化与已重复验证的前瞻性风险关联相连接。PPGR 算法拥有支持性的早期试验，但在现有规模最大的随机比较中未获成功。FADS1 检测可以描述脂肪酸代谢，但尚不能告诉你哪种膳食脂肪策略会降低你的糖尿病风险。

精准营养学可以日益准确地测量个体生物学。它尚未赢得为确定性额外收费的资格。