基于尿液的用于评价不同膳食模式的标志物及预测模型

本发明属于医疗保健，涉及基于尿液的用于评价不同膳食模式的标志物及预测模型。

背景技术：

1、超重/肥胖是高血脂、高血压和糖尿病等多种慢性代谢性疾病的重要危险因素。基于碳水化合物、蛋白质和脂肪的精确组合的饮食干预可有效阻止肥胖的发生，是预防和治疗多种慢性代谢性疾病的重要举措。因此，准确评估人群饮食习惯和食物消费特征对于评估代谢疾病风险、预防代谢性疾病和提供适当的饮食干预措施至关重要。

2、目前，评估食物摄入量主要通过自我报告的饮食数据来估计的，如24小时膳食回顾，膳食记录或膳食频率问卷等。但是基于食物摄入量的评估方法具有一定的局限性：(1)饮食数据收集的主观性：人们并不总是记得他们吃过的所有东西，或者不能回忆起所有吃过的食物或它们的特定成分，或者难以准确估计食物的分量，此外，人们经常少报饮食摄入量，这些因素决定了饮食评估中的测量误差；(2)食物成分表的局限性：一些营养素，如绝大多数微量元素，在食物成分表中没有得到充分的描述，因此，不能根据摄入量正确地评估营养状况，某些脂溶维生素也是如此，另一方面，食物的营养成分既不一致也不统一，食品成分数据库通常落后于目前的饮食模式；(3)影响营养吸收的因素：某些营养素具有反馈调控机制，根据人体营养状况增加或减少吸收效率；某些食物组合、食物的烹调和加工程度也可能影响营养成分和吸收，而饮食调查问卷中并未包括足够多的相关影响因素信息。

3、由于传统膳食评估方法的局限性，因此迫切需要开发更加准确、简便的膳食标志物，以便客观评估特定的食物摄入和饮食暴露。

技术实现思路

1、针对现有技术的不足和实际需求，本发明提供基于尿液的用于评价不同膳食模式的标志物及预测模型，探究反映食物摄入的膳食标志物，寻找可以有效区分葡萄糖、蛋白质、黄油和橄榄油的特征分子，并使用惩罚logistic回归建立多类别食物摄入的模型，有效预测受试者饮食偏好。

2、为达上述目的，本发明采用以下技术方案：

3、第一方面，本发明提基于尿液的用于评价不同膳食模式的标志物，所述标志物包括：

4、糖蛋白gp2、肉豆蔻酰化富含丙氨酸的c-激酶底物、ig lambda-7链c区和β-葡萄糖醛酸酶。

5、本发明选择了葡萄糖、蛋白质、黄油(动物脂肪)和橄榄油(植物脂肪)四种单一常量营养素组成的食物进行负荷试验，并使用多组学分析(蛋白质组学、脂质组学和代谢组学)来描述尿液中营养素负荷后纵向的分子变化，利用机器学习构建尿液中的膳食生物标记物模型，为临床设计和开发针对代谢性疾病的饮食干预措施提供有价值的信息。

6、第二方面，本发明提供第一方面所述基于尿液的用于评价不同膳食模式的标志物在构建用于评价不同膳食模式的模型中的应用。

7、第三方面，本发明提供一种构建用于评价不同膳食模式的模型的方法，所述方法包括：

8、选取目标食物，以第一方面所述的基于尿液的用于评价不同膳食模式的标志物作为特征分子，使用惩罚logistic回归建立多类别食物摄入的模型，并使用留一交叉验证将数据集划分为训练集和验证集构建用于评价不同膳食模式的模型。

9、优选地，所述目标食物包括葡萄糖、蛋白质、黄油和橄榄油。

10、优选地，所述惩罚logistic回归的算法公式如式(1)所示。

11、

12、其中，j表示某个目标食物类别，j表示类别总数，β表示系数值，x表示某个标志物，n表示标志物总数。

13、优选地，所述目标食物类别包括葡萄糖、蛋白质、黄油或橄榄油。

14、优选地，所述使用惩罚logistic回归具体包括：

15、(1)构建4个二分类数据集，分别是1)葡萄糖为阳性样本，蛋白质、黄油和橄榄油为阴性样本，数据集简称为葡萄糖数据集；2)蛋白质为阳性样本，葡萄糖、黄油和橄榄油为阴性样本，数据集简称为蛋白质数据集；3)黄油为阳性样本，蛋白质、葡萄糖和橄榄油为阴性样本，数据集简称为黄油数据集；4)橄榄油为阳性样本，蛋白质、黄油和葡萄糖为阴性样本，数据集简称为橄榄油数据集，m表示样本个数，n表示标志物个数，n在每个数据集数目是相等，每个标志物使用的数值是该标志物在不同时间点的曲线下面积；

16、(2)使用式(1)计算葡萄糖数据集的拟合公式，记为y(葡萄糖)＝β0葡萄糖+β1葡萄糖x1+β2葡萄糖x2+…+βn葡萄糖xn；

17、计算蛋白质数据集的线性拟合公式，记为y(蛋白质)＝β0蛋白质+β1蛋白质x1+β2蛋白质x2+…+βn蛋白质xn；

18、计算黄油数据集的线性拟合公式，记为y(黄油)＝β0黄油+β1黄油x1+β2黄油x2+…+βn黄油xn；

19、计算橄榄油数据集的线性拟合公式，记为y(橄榄油)＝β0橄榄油+β1橄榄油x1+β2橄榄油x2+…+βn橄榄油xn；

20、每次输入标志物的曲线下面积，可以依次得到y(葡萄糖)、y(蛋白质)、y(黄油)和y(橄榄油)的值；

21、(3)使用归一化指数函数计算y(葡萄糖)、y(蛋白质)、y(黄油)和y(橄榄油)对应的概率值；

22、(4)比较的概率值大小，最大的概率值对应的食物为模型预测的食物。

23、优选地，所述概率值的计算方法具体包括：

24、使用softmax函数计算概率值，公式如下所示：

25、

26、

27、

28、

29、p(葡萄糖)表示样本摄入葡萄糖的概率值，p(蛋白质)表示样本摄入蛋白质的概率值，p(黄油)表示样本摄入黄油的概率值，p(橄榄油)表示样本摄入橄榄油的概率值。

30、优选地，所述曲线下面积包括是指模型标志物的曲线下面积，每个标志物使用的数值是该标志物在不同时间点的曲线下面积，为模型输入数据。

31、第三方面，本发明提供一种用于评价不同膳食模式的模型，所述模型由第二方面所述的构建用于评价不同膳食模式的模型的方法构建得到。

32、第四方面，本发明提供第三方面所述的评价不同膳食模式的模型在评价食物摄入中的应用。

33、第五方面，本发明提供一种评价食物摄入的方法，所述方法包括：

34、取待测试者的尿液样本，计算第一方面所述的基于尿液的用于评价不同膳食模式的标志物的曲线下面积，输入第三方面所述的评价不同膳食模式的模型中，预测待测试者的偏好食物。

35、与现有技术相比，本发明具有以下有益效果：

36、本发明选择葡萄糖、蛋白质、黄油和橄榄油四种单一常量营养素组成的食物进行负荷试验，并使用多组学分析(蛋白质组学、脂质组学和代谢组学)来描述尿液中营养素负荷后纵向的分子变化，开发更加准确、简便的膳食标志物，利用机器学习构建尿液中的膳食生物标记物模型，实现高效客观评估特定的食物摄入和饮食暴露。

技术特征：

1.基于尿液的用于评价不同膳食模式的标志物，其特征在于，所述标志物包括：

2.根据权利要求1所述的基于尿液的用于评价不同膳食模式的标志物在构建用于评价不同膳食模式的模型中的应用。

3.一种构建用于评价不同膳食模式的模型的方法，其特征在于，所述方法包括：

4.根据权利要求3所述的构建用于评价不同膳食模式的模型的方法，其特征在于，所述目标食物包括葡萄糖、蛋白质、黄油和橄榄油。

5.根据权利要求3或4所述的构建用于评价不同膳食模式的模型的方法，其特征在于，所述惩罚logistic回归的算法公式如式(1)所示；

6.根据权利要求5所述的构建用于评价不同膳食模式的模型的方法，其特征在于，所述使用惩罚logistic回归具体包括：

7.根据权利要求6所述的构建用于评价不同膳食模式的模型的方法，其特征在于，所述概率值的计算方法具体包括：

8.一种用于评价不同膳食模式的模型，其特征在于，所述模型由权利要求3-7任一项所述的构建用于评价不同膳食模式的模型的方法构建得到。

9.权利要求8所述的评价不同膳食模式的模型在评价食物摄入中的应用。

10.一种评价食物摄入的方法，其特征在于，所述方法包括：

技术总结
本发明公开了基于尿液的用于评价不同膳食模式的标志物及预测模型。所述标志物包括糖蛋白GP2、肉豆蔻酰化富含丙氨酸的C‑激酶底物、Iglambda‑7链C区和β‑葡萄糖醛酸酶。本发明选择特定营养素组成的食物进行负荷试验，并使用多组学分析描述尿液中营养素负荷后纵向的分子变化，开发更加准确、简便的膳食标志物，利用机器学习构建尿液中的膳食生物标记物模型，实现高效客观评估特定的食物摄入和饮食暴露。

技术研发人员：付麒,杨涛,郑帅,戴皓,柳和春,成晓亮,张磊,余静,周岳,张伟
受保护的技术使用者：江苏省人民医院（南京医科大学第一附属医院）
技术研发日：
技术公布日：2024/1/15