今天介绍一篇康涅狄格大学（UConn）与哈特福特医院（Hartford）合作，于2020年2月发表在Nutrients上的一篇研究性论文。文章中基于喜好调查（包括食物项和非食物项）提出了一个新的饮食评价指标——DQI（饮食质量指标），可评估每种食物类别对心脏代谢风险的相对重要性，并用于估计饮食摄入量、评估饮食-疾病关系和预测患病风险。
今天介绍一篇康涅狄格大学（UConn）与哈特福特医院（Hartford）合作，于2020年2月发表在Nutrients上的一篇研究性论文。文章中基于喜好调查（包括食物项和非食物项）提出了一个新的饮食评价指标——DQI（饮食质量指标），可评估每种食物类别对心脏代谢风险的相对重要性，并用于估计饮食摄入量、评估饮食-疾病关系和预测患病风险。
1 背景
美国健康与营养检查调查（NHANES2005-2006至2015-2016）显示，青壮年中的前期糖尿病发病率是16％，且前期糖尿病率与腰腹肥胖、收缩压升高、非高密度脂蛋白胆固醇水平不佳和胰岛素敏感性降低有关。此外，根据NHANES2007-2012年的数据，青壮年的代谢综合征发生率为23.2％。过去的研究表明，导致代谢综合征的因素的相对重要性在不同年龄段是有差异的，往往相互关联，并且建议将心脏代谢风险评分作为评估心脏代谢健康和慢性疾病风险关系的方法。
基于人们倾向于吃自己喜欢的食物而避免吃不喜欢的食物的假设，食物喜好调查有希望作为评估饮食摄入量的工具。文中创建了三个DQI：基于《2015年饮食指南》对从概念上划分的营养组进行加权评分的概念DQI；通过经验数据分析，以CFRS作为预测目标的经验DQI；将概念法与数据法结合的混合DQI。这些DQI（尤其是混合DQI）与心脏代谢风险因素显著相关。
2 材料与方法
2.1 受试者
从Hartford医院招募了106名诊断有重度抑郁症的18-25岁、未怀孕且正在接受第二代抗精神病药治疗的患者，同时从康涅狄格大学招募了106名无自述精神疾病和/或治疗历史的志愿者作为对照。所有受试者均未诊断出糖尿病。
2.2 研究步骤
喜好调查：每个受试者都完成了喜好调查，报告他们对食物，体育锻炼和共同经历的喜恶。使用±100分对项目进行评分，其中0代表既不喜欢也不讨厌，分数绝对值越高，喜/恶程度越高。研究人员在一个多国合作项目中选择了食品和饮料项，每个概念食物组选择三项作为代表，另外还添加了具有特定感官品质（例如，酸味）的食品。
人体测量：肥胖症/肥胖倾向测量是通过多种方式获得的。在三个不同的解剖位置进行腰围和臀围测量（以cm为单位）：髂嵴，最窄的腰部以及臀部的最大突出处，并计算出腰臀比。测量身高和体重以计算体重指数（BMI）。所有测量均一式三份取均值，以确保结果的可靠性。
心脏代谢生物标志物：通过静脉穿刺获得空腹血样，以提供胰岛素，葡萄糖和脂质（即甘油三酸酯，总胆固醇，HDL，LDL）的测量值。
心脏代谢风险因素评分（CFRS）：对每个受试者的血浆（胰岛素，葡萄糖，HDL胆固醇，甘油三酸酯），肥胖倾向（BMI，腰臀比）和血压（收缩压和舒张压）测量值，首先使用正交旋转法进行了成对相关分析和探索性因素分析，然后进行主成分分析（PCA）以生成连续的CFRS。
2.3 DQI构建方法
概念DQI：将食品平均分为表1所示的概念组，其中大多数有可接受的内部可靠性。根据《2015年饮食指南》[49]中的健康状况进行加权：甜/糖饮料（-3），水果（+2），蔬菜（+3），精制碳水化合物（-1），健康脂肪/海鲜（+3），辛辣/风味（+2），低脂蛋白质（+3），高脂蛋白质（-3），咸（-2）和复杂碳水化合物（+2）。得分越高表示越健康。
经验DQI：对喜好调查中所有的食品和饮料进行了正交旋转法因子分析，取解释方差最大的前10个因素。以CFRS作为结果并以10个因素为主要预测指标进行了岭回归，通过对训练数据进行交叉验证选择调整参数λ，以最大程度地减少均方预测误差。经验DQI为10个因子的加权和，其权重等于最终的岭回归模型中每个因子的回归系数。最后，对经验DQI进行反向编码，以使较高的DQI与较低的心脏代谢风险相关联。
混合DQI：将构建经验DQI中的来自喜好调查中的所有食品和饮料替换为概念性食品和饮料营养组（蔬菜，水果，咸，高脂肪蛋白质，酒精，复合碳水化合物，甜/含糖饮料，健康脂肪/海鲜，低脂乳制品，精制碳水化合物，饱和脂肪，辛辣/风味），然后进行上述经验DQI相同操作。
2.4 统计分析
分别执行2倍和5倍交叉验证来评估每个DQI对CFRS的样本外预测能力。具体来说，对于每个DQI，在外部验证集样本上执行了两次多元回归分析，均使用CFRS作为结果，男性/女性、患者状况以及愉快和不愉快的经历作为预测因素，其中一次添加DQI作为预测因素。因此，两个模型之间解释的CFRS总方差之差（R2）代表DQI解释的附加方差，可以将其作为为该DQI的预测能力。在k倍交叉验证中行了k次此过程，并获得了每个DQI解释的CFRS的平均附加方差。
3 结果
样本为青壮年（均值±标准差；20.8±1.9岁），主要是白种人/高加索人，男性（n=80，37.7％）和女性（n=132，62.3％），超重（25.3±6.9kg/m2）的年轻人（表2）。
65%（n=139）的受试者存在至少一种异常的心脏代谢因素（图1）。与健康的学生对照组相比，重度抑郁症患者的心脏代谢异常更多（p<0.001，图1）。只有10（4.7％）名受试者符合代谢综合征的NCEP ATPIII标准。
喜好调查报告的食物类别喜好显示出良好的变异性（图2）。
三个DQI均显示出较大的差（图3）异性，且患者（灰色）的平均DQI显著低于对照组（绿色），概念DQI和混合DQI的总体分布与正态分布没有显著差异。标准化的混合DQI得分大致呈正态分布（均值=43.33，标准差=8.22，Kolmogorov-Smirnov检验的p值：0.316），对照组的平均值（44.93）明显高于患者组（41.81，p=0.006）。
根据岭回归系数的大小，每个营养组的相对重要性（从高到低）为：甜食，脂肪和精制碳水化合物，蔬菜，复合碳水化合物，辛辣/风味，酒精，低脂乳制品，水果，咸味食物和高脂蛋白质和健康脂肪。表4列出了每个营养组的相对重要性。
2倍和5倍交叉验证结果表明，混合DQI对CFRS的预测能力最高，能够解释测试数据中CFRS的5.8％–6.5％，其次是经验DQI（1.8％–2.7％）和理论DQI（1.1％–2.6％）。
4 结论
这项研究从一种新颖的食物喜好调查中构建了几个饮食质量指数（DQI），并根据血浆（胰岛素，葡萄糖，脂质）和肥胖倾向（BMI,腰臀比）值评估了一组青壮年受试者的DQI与心脏代谢危险因素评分（CRFS）的联系。其中，混合DQI在样本外部验证中显著预测了CFRS。研究结果表明对蔬菜的喜好有益于心脏代谢，而对甜食，饱和脂肪和碳水化合物的喜好则会提高其风险。在将来的研究中可以使用更大、更一般的样本来验证研究结果，并继续将这些新指标与其他已建立的饮食质量指标进行比较。
参考文献：
- Xu R, Blanchard B E, McCaffrey J M, et al. Food Liking-Based Diet Quality Indexes (DQI) Generated by Conceptual and Machine Learning Explained Variability in Cardiometabolic Risk Factors in Young Adults[J]. Nutrients, 2020, 12(4): 882.
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/ai-dqi.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
一种用于辨别中国白酒香气的仿生嗅觉识别系统
今天介绍一篇由北京汉王科技有限公司智能感知实验室的Weihong Liu等人于2022年3月在线发表在Food Chemistry上的文章。本文受小鼠嗅觉系统的启发，开发了一种仿生嗅觉识别系统来区分复杂的气味刺激，将气味受体（OR）的非凡特异性与反向传播（BP）神经网络的出色数据处理能力相结合，以区分中国白酒的香气。
-
基于偏最小二乘和人工神经网络分析的采后苹果品质变化及保质期预测模型
今天介绍一篇由渤海大学食品科学与技术学院励建荣教授的研究组等人于2022年6月在线发表在Food Chemistry上的文章。本文构建了偏最小二乘法（PLS）和人工神经网络（ANN）模型来预测苹果的保质期。本工作旨在丰富苹果保鲜理论，为采后苹果货架期的快速评价提供参考。
-
可容忍传感器故障等因素的机器学习模型用于食品质量预测
今天给大家介绍土耳其坎卡亚大学计算机工程系、软件工程系，土耳其伊斯坦布尔巴赫塞希尔大学计算机工程系，荷兰瓦赫宁根大学信息技术组合作，于2020年6月3日发表于Sensors期刊上的一篇研究型文章。文章中作者提出了一种单复数投票系统(SPVS)分类方法，可以通过忽略传感器故障或其他类型的故障来提高对食品质量的评估。为了说明该方法，作者使用了牛肉切割质量评估的案例研究。
-
湖南大学吴海龙课题组：高效液相色谱指纹图谱结合化学计量学的白术有效成分分析及产地鉴别研究
该研究提出运用高效液相色谱-二极管阵列检测器（HPLC-DAD）结合化学计量学方法快速分析不同地区白术中12种活性成分含量并进行产地判别。首先，使用HPLC-DAD结合二阶校正算法（ATLD）对来自不同地区的白术中12种活性成分同时进行定性定量分析。利用“二阶优势”，12种化合物不仅在12.5 min内快速洗脱，而且还在色谱峰高度重叠的情况下实现了准确定性定量（平均回收率为80.8–109.9%），一系列品质因子参数均反映出所提方法的可行性。基于ATLD解析所得的12种活性成分和31种未校正成分的相对浓度值，使用偏最小二乘-判别分析法（PLS-DA）对不同地理来源的白术样本进行判别分析，三个地区的白术都有明显的聚类趋势，测试集的正确分类率可达90%。变量重要性投影（VIP）分析结果表明，紫丁香酚苷、白术内酯Ⅲ、白术内酯Ⅰ和苍术酮可作为白术产地判别的主要标志成分。一系列结果均证明了所建立模型的可靠性。该方法的建立有助于白术的临床使用和市场监管。
-
重磅干货：食品科学数据库资源汇总（国外篇第二部分）
书接上期，我们分享了一系列国内的食品数据库资源和一部分国外食品专业数据库。这些数据库主要对食品添加剂的安全、食品成分、食品营养和食品酶等方面进行了数据分析与平台搭建。下面继续介绍几篇相关的食品数据库文章。
-
基于数据和结构的组合建模方法筛选数据库中潜在甜味分子
今天给大家介绍一篇由Anukrati Goel等人合作的，于前段时间发表在Food Chemistry的一篇文章，文章中作者介绍了一种基于计算机驱动的方法，可以从大型天然化合物数据库中筛选出潜在的新型甜味剂。
-
食品的分子注释——走向个性化饮食和精准健康
今天给大家介绍一篇由Junai Gan等人近期发表在Trends in Food Science & Technology上的文章。文章提出了一种对食品进行分子注释的框架，让人们对食物的分子特性如何影响个人饮食行为和健康有更好的了解，使个人和护理人员能够针对目标的健康管理做出明智的饮食决策。
-
稳定同位素和生物元素辅助含硫化合物的中国大蒜产地溯源
该研究对我国六个省或主要产区栽培的大蒜样品进行了稳定同位素（δ13C、δ2H、δ18O、δ15N和δ34S）、生物元素含量（%C、%N和%S）和含硫化合物（8种含量硫成分和2种氨基酸）的表征。并利用这些特征建立了两种模式识别模型（PLS-DA和k-NN），为鉴定我国大蒜的起源提供了一种有用的方法。
-
FOOD CHEM| 安徽农业大学宛晓春团队：基于GC-MS和GC-IMS表征三种茶制成的乌龙茶的香气特征
该研究基于采用GC-IMS、GC-IMS、感官评价和OAV测定等方法，对水仙、黄玫瑰和紫玫瑰的新鲜茶叶和乌龙茶的香气特征进行了综合分析。其中，苯乙醛和3,5-二乙基-2-甲基吡嗪是黄牡丹茶的香气活性成分。与水仙相比，黄玫瑰和紫牡丹的挥发物和花香味明显更多。此外，使用GC-IMS鉴定出27种挥发物，表明该联合方法有助于更好地了解品种对茶树香气的影响。
-
智能食品加工：从人工神经网络到深度学习的旅程(二)
在第一部分的介绍当中，大家已经对智能食品加工中的人工神经网络的类型有了相对全面的了解。今天给大家带来题为《智能食品加工：从人工神经网络到深度学习的旅程》综述的第二部分介绍：基于人工神经网络（ANN）的智能食品加工。
