Optimizing Diet for Global Diabetes Prevention Leveraging Proteomics and AI

利用蛋白質組學與人工智慧優化全球飲食以預防糖尿病

1. 簡介與全球飲食不理想對糖尿病的影響

本場演講由哈佛醫學院及布萊根婦女醫院（Brigham and Women's Hospital）醫學導師、Channing 網路醫學部及遺傳學部研究員 Tinashe Chikowore 博士主講。其研究核心在於將遺傳學、多體學（omics）和機器學習應用於以營養為基礎的複雜疾病研究，特別是針對非洲人群。

近年來，各大新聞媒體開始高度關注飲食與糖尿病之間的關聯。這一波討論源自於一項涵蓋全球 184 個國家、跨越 1990 年至 2018 年的關鍵性大型研究。該研究指出，高達 70% 的新發第 2 型糖尿病（incident type 2 diabetes）病例與「不理想的飲食」（suboptimal diets）密切相關。因此，如何在全球範圍內優化飲食以預防糖尿病，已成為當前公共衛生領域的重要課題。

Slides 延伸補充：

[Slide 76-79] 演講者提及的關鍵研究發表於知名期刊 Nature Medicine（2023 年 4 月 17 日線上發表，標題為 "Incident type 2 diabetes associated with suboptimal diet in 184 countries"，第一作者為 Meghan O'Hearn 等人）。該文章引發了學術界與公眾的廣泛討論，截至投影片製作時已累積超過 10 萬次的訪問量。

2. 全球飲食多樣性與傳統評估指標的侷限性

在世界地圖上，推動全球飲食優化並非一項簡單的任務。飲食（diet）具有高度的文化性（cultural）、動態性（dynamic）與多樣性（diverse），不同地區的人們攝取的食物種類千差萬別。

現行的飲食質量評估指標（diet quality metrics，如 DASH 飲食、地中海飲食評分、AHEI 等）多數是由西方/歐洲學術機構所制定，並非基於全球人口的多樣化飲食數據。因此，這些指標往往過度強調某些在非西方國家並不普遍攝取的食物。例如，指標中常將「優格（yogurt）攝取量不足」列為糖尿病風險因素之一，然而世界上許多地區的居民在日常生活中根本沒有食用優格的習慣。

Slides 延伸補充：

[Slide 80] 展示了 TasteAtlas 互動式世界美食地圖，呈現全球各洲截然不同的飲食文化與地方特色美食（如北美與歐洲的起司堡、披薩，對比非洲的 Waakye、Suya 等），突顯全球食物的多樣化。
[Slide 81-83] 引用了 2022 年發表於 Nature Food 的研究 "Global dietary quality in 2018 show wide disparities by region and urbanicity"（作者為 Victoria Miller 等）。該研究分析指出，全球飲食質量在年齡、性別、收入和城市化程度上存在巨大差異。
[Slide 83 的圖表] 進一步剖析各項飲食因素對糖尿病風險的相對影響大小。在不理想的飲食中，主要風險因子包括：全穀物（whole grains）攝取不足、精製穀物（refined grains）攝取過多、加工肉類（processed meats）和未加工紅肉（unprocessed red meat）攝取過多，以及優格（yogurt）攝取不足等。

3. 蛋白質組學（Proteomics）作為通用評估工具

由於不同文化背景下的具體食物差異極大，研究人員開始探索一種新的視角：觀測人體的蛋白質組（proteome），研究食物如何調節我們體內的蛋白質表達。

在坦尚尼亞進行的一項隨機對照臨床試驗（RCT）中，研究人員評估了當地居民日常攝取的食物，並對比了「非洲傳統飲食（African Heritage Diet, AHD）」與西方飲食（Western Diet, WD）對人體的影響。實驗結果顯示，當參與者從西方飲食切換回非洲傳統飲食，僅在短短兩週內，其與發炎（inflammation）和心血管代謝（cardiometabolism）相關的蛋白質組學特徵（proteomic profiles）就發生了顯著改善。

這證明了一個觀點：「吃得健康」是宇宙通用的規律（universal），但具體的飲食結構並非一成不變（not uniform）。

Slides 延伸補充：

[Slide 84-85] 該隨機對照臨床試驗發表於 Nature Medicine，題為 "Immune and metabolic effects of African heritage diets versus Western diets in a randomized controlled trial"。
[Slide 85] 詳述了該研究的臨床設計：
- 對象分為習慣食用非洲傳統飲食（Habitual AHD）的鄉村居民，與習慣食用西方飲食（Habitual WD）的城市居民。
- 進行為期 2 週的交叉飲食干預（包含傳統發酵香蕉飲料的補充），並於 $t0$ （起點）、 $t1$ （1-2 週後）、 $t2$ （4 週後）收集樣本。
- 檢測指標涵盖了血球計數（Hemocytometry）、細胞激素產生（Cytokine production）、血漿蛋白質組（Plasma proteome）、血漿代謝組（Plasma metabolome）及全血轉錄組（Whole-blood transcriptome），分析其發炎因子與生長因子。

4. 營養素模式（Nutrient Patterns）的推導與跨人群驗證

雖然人們吃的是不同的具體食物，但這些食物都共享著通用的營養素（nutrients）。如果將這些營養素進行合理的聚類，就能捕捉到獨特的「營養素模式」（nutrient patterns）。

Dr. Chikowore 的研究團隊提出假設：如果將這些營養素模式與蛋白質組學相結合，所得到的蛋白質組學特徵是否具備跨人群的普遍性（generalizable），從而幫助我們界定哪些營養素模式具有保護性？

為了驗證這一假設，研究團隊設計了以下研究方案：

推導營養素模式： 在非洲人群世代（African cohort）中衍生出特定的營養素模式。
結合蛋白質組特徵： 利用彈性網路（Elastic Net, EN）機器學習模型，篩選出與這些營養素模式高度相關的血漿蛋白質組學特徵（基於 Olink 心血管疾病面板 I & II）。
跨人群驗證： 利用大規模的英國生物樣本庫（UK Biobank）多族裔數據，驗證這些蛋白質組學特徵的普適性，並分析其代表的生物學途徑。

在分析中，以非洲飲食特徵為代表的「植物驅動營養素模式」（plant-driven nutrient pattern）脫穎而出。研究發現，該模式與 瘦素（Leptin, LEP） 等發炎/代謝相關蛋白的減少顯著相關。

令人振奮的是，當研究團隊在 UK Biobank 的多族裔樣本中進行驗證時，發現該蛋白質組學特徵具有極高的泛化能力。在所有不同族裔的人群中，此一特徵均與 BMI 降低、高密度脂蛋白膽固醇（HDL）升高，以及空腹血糖（fasting glucose）降低 密切相關。非洲發現世代（African discovery cohort）與多族裔 UK Biobank 之間的效應量（effect sizes）展現出高度的一致與相關性。

Slides 延伸補充：

[Slide 86-89] 點出核心問題在於缺乏一個通用的飲食質量度量標準。研究團隊利用雷達圖（Radar chart）分析了 PC1（主成分 1）、PC2、PC3 在基線與追蹤期（baseline & followup）的營養素密度與穩定生物標誌物組合，發現不同的營養素模式能呈現出相當穩定的軌跡。
[Slide 90] 詳述了初步分析的設計流程圖。Elastic Net 模型在 N = 1000 的樣本中進行訓練（80% 作為訓練集，20% 作為測試集），用以預測特定的營養素模式。
[Slide 91-94] 雷達圖中包含 25 種關鍵營養素（如植物蛋白、動物蛋白、飽和脂肪、澱粉、多種維生素及礦物質等）。在植物驅動模式中，植物蛋白、澱粉、鋅、維生素 B6 與葉酸表現出較高的正向標準化值。
[Slide 92] 的棒棒糖圖（Lollipop chart）展示了與此模式關聯最顯著的 25 個蛋白標誌物，包含 LEP（瘦素，呈現明顯負相關）、ADM、PAI 等。
[Slide 95-96] 展示了將「原始營養素/飲食量」（紅點）與「推薦營養素/飲食量」（藍點）進行優化的對比。在優化後，能在不劇烈改變總飲食量的前提下，將各項營養素指標拉向健康推薦值。
[Slide 97] 總結數據到模式的分析管線（Data to Patterns Pipeline）：食物頻率問卷（FFQ） $\rightarrow$ 主成分分析（PCA）得到營養素模式 $\rightarrow$ 建立具保護性的營養素蛋白質特徵 $\rightarrow$ 跨族裔通用性驗證。

5. 人工智慧（AI）與文化敏感性飲食 App 的開發

然而，醫學與營養學研究面臨的另一個現實是：人們吃的是「食物」（food），而不是單純的「營養素」（nutrients）。 如何從抽象的營養素模式跨越到實體食物？

這正是人工智慧（AI）大顯身手的領域。研究團隊目前正在開發一套涵蓋全球多國食物的「多樣化食物成分表」（diverse food composition table）。

其運作機制如下：

用戶輸入： AI 算法首先會詢問用戶在日常生活中習慣吃哪些文化背景的食物（what they usually eat）。
算法優化： 在獲取用戶的飲食習慣後，演算法會在不破壞其文化飲食習慣的前提下，進行智能優化與微調，使其營養素構成最大程度地匹配具有保護性的「健康營養素模式」。
移動端落地： 為了讓這項研究能夠真正造福大眾並實現規模化（scale），研究團隊規劃將這些經 AI 優化的糖尿病防護飲食模式，整合解碼到一款移動應用程序（Mobile App）中。

這套解決方案的終極目標，是讓不同地區的用戶能夠充滿信心地使用日常可及、符合個人文化背景且可負擔的在地食物，同時在不知不覺中優化膳食結構，從而有效降低第 2 型糖尿病的發生風險。

Slides 延伸補充：

[Slide 98] 繪製了移動端 App 的運行流程：
- 用戶輸入（結合全球地圖、心血管健康與食物偏好）。
- 輸出個性化飲食推薦（Personalized dietary recommendations，以均衡飲食餐盤及目標指引呈現）。
- 最終實現「健康飲食模式 $\rightarrow$ 降低糖尿病風險（更好的血糖管理）」的預防醫學目標。
[Slide 99] 致謝合作者與博士後研究員：哈佛醫學院的 Xuwen Wang 導師、Giulia Menichetti 助理教授、Shilpa Bhupiraju 助理教授，以及博士後研究員 Yann Ilboudo。

二、大會總結與 Pathway 項目介紹

在 Dr. Chikowore 結束演講後，大會主席對今日 Pathway Symposia 發表的所有學者（Dr. Iver, Dr. Heffler, Dr. Chikowore）致以誠摯的謝意，讚揚他們大膽的創新思維、跨學科協作精神，為糖尿病預防與治療注入了新的生命力。

大會進一步向與會者介紹了美國糖尿病協會（ADA）對支持創新科研的長期承諾與資源：

ADA 期刊專欄： 鼓勵大家關注《Diabetes》期刊中的 "Pathway to Stop Diabetes" 專欄，其中收錄了歷屆獲獎學者的最新研究報告。
歷史影音資源： 可在 ADA 科研規劃官方網站觀看往屆 Pathway 研討會的錄影，追蹤該社群科研理念的演進。
青年學者基金支持： 大會特別強調了 ADA 對早期職業研究人員（early career investigators）的扶持。許多如今的學術領袖，其科研生涯的第一筆資金正是來自於 ADA 的青年科學家資助計劃，這些早期投資成功孵化了諸多改變領域格局的科學發現。

Slides 延伸補充：

[Slide 100-101] 介紹了 Diabetes 期刊中的 "Pathway to Stop Diabetes Collection"。該計劃提供 5 到 7 年的持續資金支持，給予科學家充足的自由度去追求大膽的構想，免受傳統項目制資金的束縛。
[Slide 102] 展示了線上平台，可點播觀看 2023 年與 2024 年 Pathway 研討會的精采成果報告。
[Slide 103] 羅列了當前及即將開放的 ADA 基金申請機會：
- Type 1 Diabetes RFA (2026)： 意向書（LOI）截止日期為 2026 年 4 月 28 日，完整申請截止日期為 2026 年 6 月 24 日。
- Pathway to Stop Diabetes—2026： 截止日期為 2026 年 5 月 19 日。
- Postdoctoral Fellowship Awards—2026： 截止日期為 2026 年 4 月 30 日。
- 基於初級照護環境優化糖尿病預防與照護的創新研究基金： 意向書截止日期為 2025 年 12 月 4 日，完整申請截止日期為 2026 年 2 月 19 日。
[Slide 105] 大會小插曲：宣傳大會現場受歡迎的 "Puppy Park" 互動區（位於 1645 號展位）。
[Slide 106] 邀請與會者參與「糖尿病餐盤調查（Diabetes Plate Survey）」，收集患者、教育者及醫護專業人員的意見，以優化和更新推廣已久的糖尿病飲食指南圖示（將餐盤劃分為 50% 非澱粉類蔬菜、25% 碳水化合物食品、25% 蛋白質食品）。

三、Slides 補強索引

以下為投影片內容與前文筆記段落的對應關係：

Slide 75: 講師背景介紹（對應「1. 簡介與全球飲食不理想對糖尿病的影響」）
Slide 76-79: 184 國飲食與糖尿病關聯研究（對應「1. 簡介與全球飲食不理想對糖尿病的影響」）
Slide 80: 全球食物地圖多樣性（對應「2. 全球飲食多樣性與傳統評估指標的侷限性」）
Slide 81-83: 全球飲食質量 disparities 研究及飲食危險因子排名（對應「2. 全球飲食多樣性與傳統評估指標的侷限性」）
Slide 84-85: 坦尚尼亞傳統與西方飲食 RCT 的研究設計與多體學檢測（對應「3. 蛋白質組學（Proteomics）作為通用評估工具」）
Slide 86-89: 飲食指標缺失與營養素主成分分析之穩定度雷達圖（對應「4. 營養素模式（Nutrient Patterns）的推導與跨人群驗證」）
Slide 90: 機器學習 Elastic Net 預測流程圖（對應「4. 營養素模式（Nutrient Patterns）的推導與跨人群驗證」）
Slide 91-94: 25 種營養素雷達圖及 25 種關聯蛋白棒棒糖圖（對應「4. 營養素模式（Nutrient Patterns）的推導與跨人群驗證」）
Slide 95-96: 原始飲食與優化飲食之營養素 dumbbell 對比圖（對應「4. 營養素模式（Nutrient Patterns）的推導與跨人群驗證」）
Slide 97: 數據至特徵分析管線圖（對應「4. 營養素模式（Nutrient Patterns）的推導與跨人群驗證」）
Slide 98: 行動應用程式（App）運行原理與預期健康改善成效（對應「5. 人工智慧（AI）與文化敏感性飲食 App 的開發」）
Slide 99: 研究團隊與致謝名單（對應「5. 人工智慧（AI）與文化敏感性飲食 App 的開發」）
Slide 100-104: ADA Pathway 項目、期刊特輯、往屆點播與 2025/2026 基金資助時程表（對應「二、大會總結與 Pathway 項目介紹」）
Slide 105-106: 大會 Puppy Park 與 Diabetes Plate 實務問卷推廣（對應「二、大會總結與 Pathway 項目介紹」）