同一顿饭，为什么有人血糖平稳，有人却明显升高？

谷禾健康

2015 年，魏茨曼研究所的 Zeevi 等人在《Cell》发表研究，对 800 名成年人进行为期一周的连续葡萄糖监测，记录了 46,898 次日常进餐，并通过标准化试餐发现，相同餐食可在不同人身上引起显著不同的餐后血糖反应。

研究团队构建了整合餐食信息、血液指标、生活方式、人体测量特征及肠道菌群等数据的梯度提升模型，并在独立的 100 人队列中验证了预测能力。

随后的小样本短期饮食干预显示，依据个体化预测设计的低血糖反应饮食，可降低餐后血糖反应。

同样，身边也有人，在同一时间、同一家餐厅，各吃下一碗一模一样的白米饭，分量、配菜、进食速度都几乎相同。两小时后，两个人测出的血糖曲线，却可能判若两样——一个平稳爬升后缓缓回落，一个陡峭冲高又迟迟降不下来。

问题出在哪？过去几十年，营养学给出的主流答案是：算热量、算碳水、算升糖指数。这套思路也支撑了无数减重食谱和糖尿病饮食指南，也确实帮到了很多人。但它有一个长期被默认为“合理简化”的前提——同一个食物，对每个人意味着同一件事。

然而，越来越多的研究正在得出不一样的结果。有人补了某种“网红营养素”精神焕发，有人毫无感觉甚至腹胀。这种差异不是巧合，也不是意志力问题，而是与每个人基因、代谢状态和肠道菌群构成有关。

于是，个性化营养（Personalized Nutrition, PN）应运而生——它像一位翻译，试图读懂每个人独有的身体说明书。如今，有了AI的帮助，这位翻译或许能更好地梳理基因、代谢与生活习惯中的线索，将复杂的数据转化为更适合个人的饮食建议。

本文将围绕三个问题展开：

AI 如何应用于个性化营养？

肠道菌群在其生物学机制中扮演什么角色？

这些前沿研究又能如何落到日常生活中？

注：本文主要参考 2026 年发表于《Frontiers in Nutrition》的综述《Applications of artificial intelligence in personalized nutrition interventions》，并结合该领域的代表性原始研究进行讨论。

01 基因只解释了不到 10% 血糖反应差异真正的答案，在动态的代谢与菌群里

不健康的饮食模式，是肥胖、2 型糖尿病（T2DM）、心血管疾病和癌症背后最大也最可改变的推手之一。说它可改变，是因为它不像基因那样注定；说它最大，是因为几乎每个人都每天都要吃饭。

公共卫生层面长期的饮食建议一般是“平均主义”的：多蔬果、少油盐糖、控制总热量。这些没错，问题在于——对“平均值的人”有效的建议，落到具体的人身上，效果可能天差地别。

Zeevi 研究：相同食物，不同的血糖反应

上面以色列血糖研究研究立下了一条此后被反复引用的原则：餐后反应高度个体化，准确的预测必须依赖“人的特征”，而不只是“食物本身”。

而且，有意思的是，研究中甚至出现了相反方向的反应：对同一个人来说，A 食物可能让血糖平稳，对另一个人却可能让它飙升。个体间差异的程度，甚至超过了饮食干预本身带来的差异。

PREDICT 1 研究：量化餐后代谢的个体差异

如果说 Zeevi 等人的研究揭示了人们对食物的餐后反应存在明显差异，那么英国 PREDICT 1 研究则进一步对这种差异进行了量化。

研究团队分析了 1,002 名英国健康成年人，并在 100 人的美国队列中进行了独立验证。结果显示，不同个体的餐后甘油三酯、血糖和胰岛素反应差异显著，其变异系数分别为 103%、68% 和 59%。反应的“个性程度”各不相同。

研究还拆解了“谁在决定这些差异”：肠道菌群等个体因素解释的餐后血脂变异（7.1%）高于餐食宏量营养素构成（3.6%）；而遗传因素的解释力相当有限，仅占血糖反应的 9.5%、TG 反应的 0.8%。这意味着——很多人以为查了基因就能定制饮食，但单靠基因远远不够。

最终，整合了多模态数据的机器学习模型，对餐后 TG 和血糖的预测相关性分别达到 r = 0.47 和 r = 0.77。作为参照，只靠热量或碳水含量的模型预测力要弱得多（后文会介绍，在跨人群验证中 R 值约 0.34–0.40）。

为什么个性化营养需要 AI

个性化营养要整合的信息，来自好几个截然不同的层面：相对稳定的基因组、动态变化的代谢组、对环境极其敏感的肠道菌群，再加上饮食记录、血糖监测、可穿戴设备、电子健康档案等行为与临床数据。这些数据维度高、来源杂、互相关联，还常常缺失——传统统计方法很难同时吃下这么多层信息。

这正是 AI（尤其是机器学习）的用武之地：把多维、异构的数据整合起来，找出人类肉眼和单变量分析看不见的复杂交互模式，最终输出“对你个人而言”的预测与建议。

02 个体差异的三层来源

编辑​

第一层：基因组——“出厂设置”

基因组学：揭示营养代谢与饮食反应的遗传基础

高通量测序让研究者能描述遗传变异如何影响营养代谢、饮食反应和疾病易感性。全基因组与候选基因研究已确认了一批与饮食相关的位点，比如：ADRB2、TCF7L2、FABP2、FTO、APOE、MTHFR，它们与血糖调节、肥胖、脂质代谢和营养素处理相关。

举例来说：

FTO变异与能量摄入和肥胖表型相关；

FGF21区域变异与宏量营养素摄入相关；

APOE和MTHFR基因型与疾病易感性及生活方式相关表型相关。

此外，DNA 甲基化等表观遗传指标，还可能捕捉到静态基因型之外的额外生物学差异。

基因预测的局限：遗传风险不等于干预效果

在糖尿病预防计划（DPP）中，无论受试者携带何种 TCF7L2 风险等位基因，生活方式干预都能降低向糖尿病进展的风险，基因型与干预之间没有显著的交互作用。

更值得注意的是，家族史、年龄、性别、BMI、空腹血糖等既定临床危险因素，在预测 2 型糖尿病时甚至优于单个基因变异或多基因风险评分。

这就是为什么综述强调：基因组信息最有价值的时候，是作为更广阔多维画像的一个组分，而不是单独作为制定饮食处方的依据。

第二层：代谢组——“此刻的身体快照”

代谢组学：捕捉机体动态变化的代谢特征

如果说基因是静态的，代谢组就是动态的。通过分析生物样本中的内源性和外源性小分子代谢物，代谢组学能客观捕捉饮食暴露、生物活性化合物，以及饮食引起的宿主代谢通路改变。常用的检测平台包括核磁共振（NMR）和质谱（MS），分靶向与非靶向两类策略。

与血糖调节、脂质代谢、氨基酸代谢相关的代谢特征，已被关联到胰岛素抵抗、T2DM、肥胖等代谢紊乱。例如，血清代谢谱能识别糖尿病相关生物标志物；脂质、酰基肉碱和支链氨基酸特征则提供代谢功能障碍的额外信息。

脂质与脂肪酸相关证据进一步显示，这种代谢异质性与脂蛋白组分、膳食脂肪酸构成、脂肪酸链长、组织背景和疾病状态都有关联。

多重因素共同塑造个体差异

注意这些代谢物高度相互关联，并受饮食、疾病状态、宿主基因、菌群和环境共同影响。因此它们的价值，不在于某个孤立的生物标志物，而在于多个变量集合起来构成的多变量模式。

正因如此，同一份食物，在不同人身上引发的餐后血糖、血脂、胰岛素反应各不相同——这不是测量误差，而是身体当下状态的真实映照。

第三层：个体化营养预测中的重要数据层

肠道菌群是个体化营养中不容忽视的个体差异来源，也是本文关注的重点之一。它既受长期饮食习惯影响，也可能通过营养物质转化、微生物代谢物生成及宿主能量稳态等途径，参与调节代谢反应。已有研究发现，肠道菌群特征与肥胖、2 型糖尿病（T2DM）及多种炎症性疾病相关，因此，菌群信息具有作为个体化营养评估潜在生物标志物的研究价值。

肠道菌群对 AI 辅助精准营养尤其重要，因为它具有高维、复杂且高度依赖情境的特点。菌群组成与功能可能随饮食、药物、生活方式和宿主生理状态而变化；单独分析某一类菌群，往往难以解释个体的完整代谢反应。将菌群的群落结构与功能特征，同遗传、代谢、饮食及生理指标等多层数据整合，或有助于提升个体化反应预测能力。

在这一方向上，谷禾健康已积累近 7 万例糖尿病相关样本，并尝试结合 AI 构建糖尿病预测模型。这类实践体现了将微生物组数据用于代谢健康评估的价值。

TIPs: 基因组、代谢组、肠道菌群，各自都不完整，互补才接近全貌。

03 肠道菌群：连接餐盘与身体的“翻译官”

要理解菌群为什么是“芯”，得先接受它的两个核心属性：双向与动态。

双向：饮食改造菌群，菌群又改造你的代谢

饮食—菌群的互作是动态且双向的。地中海饮食这类饮食模式，能改变菌群组成与代谢物产生，包括短链脂肪酸（SCFA）；而较不友好的饮食模式，则可能与菌群多样性下降和促炎的代谢特征相关。换句话说，你吃什么，决定了养出什么样的菌；而养出什么样的菌，又反过来决定你能从食物里“提取”到什么。

这里藏着个性化营养最日常也最关键的一环：

膳食纤维等功能性成分，很多并不是直接作用于人体，而是先被肠道菌群发酵转化，再以 SCFA 等代谢物的形式影响你的血糖、炎症与食欲。

因此，基线菌群不同的人，面对相同饮食时，可能产生不同的微生物和代谢反应。这为“同饭不同糖”提供了一种微生物层面的解释。

一个精巧的“面包实验”

Korem 团队开展了一项随机交叉试验：20 名健康人分别连续一周食用传统酸面团全麦面包和工业白面包。

两种面包在整体临床指标上的平均差异不显著，但参与者的餐后血糖反应存在明显个体差异，有些人对两种面包的反应方向甚至相反。研究还发现，基线肠道菌群特征与这些差异相关，并显示出一定的预测能力。

编辑​

30 种菌与“健康/不健康”饮食的关联

在 PREDICT 1 中，Asnicar 团队对 1,098 名参与者做了深度表型分析，识别出 30 种与健康或不健康饮食模式及心血管代谢指标相关的微生物物种。更关键的是，菌群衍生的特征能在热量和营养素摄入之外，独立地为餐后反应预测做出贡献。这从数据层面证明菌群是有独立信息量的预测因子。

从“预测”走向“干预”：6 个月的验证

研究正从“能预测反应”走向“据此定制饮食并改善结果”。在为期 6 个月的 PERSONAL 随机对照试验中，机器学习得出的“餐后靶向（PPT）饮食”，在糖尿病前期成人中带来的血糖控制改善优于地中海饮食，且优势维持到 12 个月随访。

后续整合分析进一步显示：饮食引起的微生物丰富度与组成变化，与心血管代谢结局的改善相关联。而基于饮食变化和基线临床特征的机器学习模型，还能预测个体对 6 个月干预的反应。这条“菌群→饮食→代谢结局”的链路，正在被真实的人体试验一环环验证。

对生活的启示：先养菌，再谈“精准”

在 AI 算法真正走进日常饮食管理之前，菌群研究已提供了一些实用启示：饮食多样化、增加膳食纤维摄入，并以植物性食物为主，可能有助于维持肠道菌群和代谢健康。

更进一步的个体化建议——例如根据菌群特征判断哪类纤维或发酵食品更适合自己——正是 AI 希望探索的方向。

04 临床证据：哪些真的“有用”，哪些还只是“看起来很美”

读到这里，你可能觉得“技术厉害”。但作为长期深耕这一领域的从业者，我们更关心的不是技术参数有多亮眼，而是一个更关键、更贴近临床实际的问题：在真实的病人身上，这些工具真的改善了结局吗？

为了回答它，研究建立了五级证据框架，从低到高依次是：

技术有效性（模型相关性、判别力、预测误差）

外部有效性（在独立人群或场景中的可复现性）

临床有效性（前瞻性研究中预设临床/代谢终点的改变）

实施有效性（真实世界中的可行性、依从性、参与度）

患者重要结局（发病率、重大临床事件、生活质量或死亡）

编辑​

最成熟的一块：2 型糖尿病与血糖管理

如果说 AI 个性化营养有一个“高光区”，那就是血糖管理。这里既有机制性队列研究，也有 RCT，还有真实世界落地证据。

个性化饮食干预：从血糖改善到糖尿病缓解

PERSONAL 试验把 225 名糖尿病前期成人随机分到“AI 驱动的餐后靶向（PPT）饮食”（结合 ML 饮食个性化与 CGM 联动的手机应用）或地中海饮食，持续 6 个月。结果，个性化组每日血糖高于 140 mg/dL 的时间减少更多（−1.3 vs −0.3 小时/天，P < 0.001），HbA1c 降幅也更大（−0.16% vs −0.08%，P = 0.007），且这些差异维持到 12 个月随访。

编辑​

但是该干预把算法个性化与 CGM 监测、App 反馈、反复的参与者互动打包在一起，所以观察到的获益不能单独归功于 AI 算法本身——它评估的是整个“AI 赋能干预包”的有效性。

在新诊断的 T2DM 中也有相似发现：一项 23 人随机交叉试验显示，2 周 PPT 饮食相比地中海饮食显著改善 CGM 结局（餐后血糖均值差 −19.8 mg/dL×h、平均血糖 −7.8 mg/dL、高于 140 的时间 −2.42 小时/天，均 P < 0.001）。

随后的 6 个月开放标签干预（16 人）使 HbA1c 下降 0.39%、空腹血糖下降 16.4 mg/dL、TG 下降 49 mg/dL；61% 的参与者达到糖尿病缓解（HbA1c < 6.5%），而代谢改善与个体肠道菌群变化相关。

另一条独立证据线问的是：全自动 AI 能不能比肩人类？在一项 3 期实用性非劣效 RCT 中，368 名糖尿病前期合并超重/肥胖者被随机分到全自动 AI 驱动的糖尿病预防计划（DPP，用强化学习算法通过 App 与蓝牙体重秤推送个性化提醒）或远程人类教练 DPP，为期 12 个月。主要复合终点达成率：AI 组 31.7% vs 人类教练组 31.9%，满足预设的 −15% 非劣效边际；而且 AI 组的项目启动率更高（93.4% vs 82.7%）。

从临床试验走向真实世界：用户参与度决定干预成效？

真实世界证据也在补充：在 3,148 名 AI 驱动 App 型 DPP 用户中，最低记录体重时平均减重 4.2%，35% 的用户实现至少 5% 的减重；完成 CDC 课程要求者 12 个月减重 5.3%，未完成者3.3%（P = 0.015）。

逻辑回归还发现，与 AI 教练互动的天数（β = 0.43）和每周至少自测两次体重（β = 0.68），是临床有意义减重的显著预测因素——用户参与度，很可能是有效性的关键变量。

编辑​

有待继续验证和完善：肥胖与体重管理

肥胖看起来是 AI 饮食个性化最理所当然的靶点，但现有试验证据表明：算法层面的个体化，并不必然带来更好的减重结果。

个性化饮食推荐：算法优势未必转化为减重优势

最有信息量的当属 Personal Diet Study：

一项单中心 6 个月 RCT，把 204 名肥胖合并糖代谢异常成人（平均 BMI 33.9）随机分到“ML 个性化饮食”（算法预测个体餐后血糖，App 给出颜色编码的餐食评分）或“标准化低脂饮食”。

结果，6 个月减重组间无显著差异（低脂组 −4.31% vs 个性化组 −3.26%；组间差 1.05%，95% CI −0.40 到 2.50，P = 0.16）。不过，个性化组的自我监测依从性更高（54.3% vs 41.1%）——这些因素是否中介了减重结果，尚待专门的中介分析。

个性化行为干预：找准时机可能比调整食谱更重要

另一条思路不去个性化饮食内容，而去个性化行为支持的时机与方式。

编辑​

Forman 等的即时自适应干预（JITAI）概念验证 RCT 纳入 181 名超重/肥胖者（平均 BMI ≈ 34.3），在商业数字减重程序基础上加或不加 OnTrack 应用——该应用的 ML 模型预测“即将发生的饮食失控”风险，在高危时刻推送定制干预。在 Beyond the Scale 程序中，OnTrack 组 10 周减重 4.7%，对照组 2.6%（交互 P = 0.002）。但模型预测精度与减重幅度的关系仍待厘清。

综合这些试验：

AI 个性化的增量收益不一致，更多取决于“如何与干预情境整合”。

原型多，对照证据少：心血管与高血压

饮食在心血管预防中地位核心，按理说证据应该成熟，但现实是仍由工程原型和单臂研究主导，而非对照试验。

AI 个性化干预在血压管理中展现初步成效

目前临床进展最靠前的是一份 24 周单臂研究：141 名高血压成人使用一个全自主数字平台，采集生活方式与血压数据，构建个性化 ML 模型预测每个人的血压，并自动给出符合循证指南的生活方式建议。

结果 SBP/DBP 在 12 周下降 5.6/3.8 mmHg，24 周下降 8.1/5.1 mmHg；基线 2 期高血压者 24 周降幅达 14.2/8.1 mmHg，血压达标比例增加 26.5%，参与度 92%，仅 5.9% 需人工干预。但没有对照组，限制了因果推断。

算法表现亮眼，临床有效性尚待验证

更早的 Sookrah 等则描述了基于 ML 的 DASH 推荐系统（决策树 J48 + 协同过滤），技术准确率高，但尚未验证临床结局。心血管领域于是成了“技术开发与临床验证之间那道裂缝”的典型代表。

回溯性、诊断性为主：癌症营养与支持治疗

AI 驱动的癌症营养不良筛查与分级

营养不良和恶病质在癌症患者中常见、预后意义重大，却常被低估，因此成了自动营养风险评估的潜在靶点。

Sguanci 等的系统综述认为，AI 可支持自动营养不良筛查、基于影像的身体成分评估（如 DL 识别 CT 上的骨骼肌）和个性化营养干预，但多数模型仍缺乏外部验证和前瞻性临床获益证据。

迄今最大的研究之一分析了 14,134 名中国癌症患者（INSCOC 队列）。无监督聚类识别出一个营养良好簇（占 58.0%）和三个轻、中、重度营养不良簇，与 PG-SGA 及 GLIM 标准呈中等一致性；营养不良越重，生存越差；多项逻辑回归表现最佳，在验证集上近乎完美地完成了营养不良分级。

编辑​

癌症恶病质的智能筛查（尚需临床验证）

针对癌症恶病质，一项 3,896 名患者的多中心回顾性队列（含 471 例前恶病质、1,178 例恶病质）用 ML 找出了最有信息量的临床特征：食物摄入改变、上臂中围、高密度脂蛋白胆固醇、C 反应蛋白/白蛋白比值。

逻辑回归对恶病质筛查的 AUC 为 0.830，前恶病质诊断为 0.701，校准良好、决策曲线表现不错——研究不仅评估了判别力，还评估了校准与潜在临床效用。

但证据仍以癌症恶病质的智能筛查与临床验证挑战为主，需要干预性 RCT 来确认 AI 指导的营养管理能否改善肿瘤结局或生存。

微生物组靶向干预：从“普通益生菌”到“按菌群选菌”

益生菌是有明确菌株身份的、非致病微生物，可通过影响微生物代谢、病原体定植和宿主—微生物互作来调节宿主生理。近年，微生物组靶向策略已从常规益生菌，扩展到按疾病相关的微生物与功能特征筛选的“下一代菌株”。

从 AI 辅助精准营养的角度看，这些干预的核心价值不在于“益生菌的一般机制”，而在于：能否用基线菌群与多组学特征，预测谁最可能对某种特定的微生物组靶向干预有反应。

干预性证据有限但正在出现：一项随机、双盲、安慰剂对照多中心试验中，健康老年人 12 周口服含两歧双歧杆菌 BGN4 和长双歧杆菌 BORI的益生菌，改善了认知灵活性和心理压力（菌群变化用 16S rRNA 基因测序评估）。

AI 可在两个层面发力：

一是纳入基线菌群特征的 ML 模型，帮助预测个体对特定干预的反应（前文血糖反应模型即是代表，菌群组成对 PPGR 预测有贡献，代谢改善与个体菌群变化相关）；

二是多组学 ML 框架，把干预反应与微生物特征关联起来——例如用粪便代谢组和菌群谱预测儿童克罗恩病对全肠内营养（EEN）的反应。但评估 AI 指导益生菌选择的前瞻性试验，目前尚未开展。

编辑​

小样本，但方向有意思：胃肠疾病

AI 辅助饮食干预与胃肠道症状改善

饮食治疗是肠易激综合征（IBS）和炎症性肠病（IBD）管理的主要手段，但排除饮食难以个性化、也难坚持，于是给 AI 工具留出了空间。

该领域首个 RCT 把 58 名 IBS 患者随机分到 AI 辅助饮食应用（Heali，支持低 FODMAP 饮食实施）或常规饮食教育，持续 4 周。完成者分析中，应用组生活质量改善更大（31.1 vs 11.8 分，P = 0.04），IBS 症状严重度额外下降 24%（未达统计显著），应用组对排便习惯的不满意程度改善幅度约为对照组的两倍（P = 0.05）。

一项 9 周单臂试点进一步探索了个性化排除饮食：37 名参与者（16 例 IBS、9 例 IBS 合并克罗恩病、12 例 IBS 合并溃疡性结肠炎），ML 工具识别出每个人最强的 3–5 个食物触发因素并据此生成个性化排除饮食。中期 81% 报告症状显著改善，终点 70% 维持改善、67.6% 完全缓解、89% 生活质量改善，日常参与度 95%、依从性 89%——但无对照组，解释受限。

多组学驱动的营养治疗应答预测

第三项研究把个性化从“症状导向”转向“机制导向”：在 37 名活动性克罗恩病儿童中，用 ML 预测对 EEN 的粪便钙卫蛋白反应。

应答者（15/37）基线粪便丁酸、乙酸、苯乙酸更低、微生物丰富度更高；一个结合粪便代谢物、饮食数据和菌群的多组学模型，能有效预测对 EEN 的无应答。

这些发现展现了一定的应用潜力，但样本仍小（n = 37–58），在 AI 个性化饮食治疗能常规进入胃肠病实践之前，需要足够效力的 RCT。

05 展望未来

AI 与个性化营养的结合，正在从研究走向应用。它能否真正帮助人们，关键不只在算法，而取决于数据基础设施、数据是否可靠、不同人群是否被充分纳入以及建议能否经过临床验证并安全地融入日常生活。

个性化营养其实无需复杂的检测或昂贵的设备。倾听身体对食物的真实反馈，维持多样而均衡的日常饮食，同时对新技术保持好奇、对夸大宣传保有审慎，本就是迈向健康最扎实的一步。

随着多组学检测、连续健康监测与人工智能不断发展，个体化健康评估正从设想走向实践。谷禾等企业也在持续积累数据、打磨技术，探索如何将肠道菌群、遗传背景、饮食习惯与代谢特征等信息整合起来，绘制更贴合个体的“健康地图”。它不会替代专业诊疗，却有望为日常健康管理提供更清晰的参考，帮助每个人逐步找到更适合自己的生活方式。