۱۰آوریل ۲۰۲۵ - اگر یک میان وعده مثلاً یک کوفته قلقلی یا یک مارشمالو بخورید، چه تأثیری بر قند خون شما خواهد داشت؟ این یک سوال شگفت انگیز و پیچیده است؛ پاسخ گلایسمی بدن به غذاهای مختلف بر اساس ژنتیک، میکروبیوم ها، نوسانات هورمونی و موارد دیگر متفاوت است. به همین دلیل، ارائه توصیه های تغذیه ای شخصی سازی شده - که می تواند به بیماران در مدیریت دیابت، چاقی و بیماری های قلبی عروقی و سایر بیماری ها کمک کند - نیاز به آزمایش های پرهزینه و مداخله ای دارد که ارائه مراقبت های مؤثر در مقیاس بزرگ را دشوار می کند.
در مقاله ی منتشر شده در مجله علوم و فناوری دیابت، محققان موسسه فناوری استیونز رویکرد جدیدی ارائه داده اند: مدلی که با داده های اندک قادر به پیش بینی دقیق پاسخ های گلایسمی فردی بدون نیاز به خون گیری، نمونه مدفوع یا سایر آزمایش های ناخوشایند است. کلید رویکرد آنها، پیگیری آنچه هست که مردم واقعاً می خورند.
دکتر سامانتا کلینبرگ، استاد علوم کامپیوتر فاربر، توضیح داد: «ممکن است بدیهی به نظر برسد، اما تاکنون بیشتر تحقیقات به جای غذاهای خاصی که مردم می خورند، بر روی درشت مغذی ها، مانند گرم کربوهیدرات ها، متمرکز بوده اند. ما نشان دادیم که با تجزیه و تحلیل انواع غذاها، می توان پیش بینی های بسیار دقیقی را با داده های بسیار کمتر انجام داد».
تیم دکتر کلینبرگ دو مجموعه از داده ها را مطالعه کرد که شامل یادداشت‌های غذایی دقیق و داده‌های پایش مداوم گلوکز برای تقریباً ۵۰۰فرد مبتلا به دیابت (هر دو نوع ۱و ۲) مستقر در ایالات متحده و چین بود. آنها با استفاده از پایگاه‌های داده غذایی موجود و ChatGPT، هر وعده غذایی را بر اساس محتوای درشت مغذی ها طبقه بندی کردند و همچنین از ساختار غذاها استفاده نمودند (مثلا گوشت ها بیشتر از پنیرها به یکدیگر شباهت دارند). این امر آنها را قادر ساخت تا بین غذاهای معادل از نظر تغذیه ای تمایز قائل شوند. با آموزش یک الگوریتم با استفاده از داده های تغذیه ای و ویژگی های غذایی، به علاوه چند جزئیات جمعیت شناختی، آنها توانستند پاسخ گلایسمی هر فرد به هر غذا را با تقریباً همان سطح دقت مطالعات قبلی پیش بینی کنند، با این تفاوت که نیازی به جمع آوری داده‌های دقیق میکروبیوم و سایر اطلاعاتی که جمع آوری آنها سخت است، نداشتند.
دکتر کلینبرگ گفت: "ما هنوز نمی دانیم که چرا گنجاندن ویژگی های غذایی چنین تفاوت بزرگی ایجاد می‌کند. این امکان وجود دارد که اطلاعات غذایی، نماینده ای از ریزمغذی هایی باشد که پاسخ های گلایسمی را هدایت می کنند، یا اینکه خواص فیزیکی برخی غذاها باعث می شود افراد آنها را به طور متفاوتی بخورند یا هضم کنند."
او افزود: "با این حال، آنچه واضح است این است که وقتی صحبت از قند خون می شود، عوامل بیشتری غیر از درشت مغذی ها در کار هستند."
با تمرکز بر انواع غذاها، این تیم همچنین توانست تغییرات فردی در پاسخ های گلایسمی را بررسی کند.
دکتر کلینبرگ توضیح داد: "از آنجایی که افراد بارها و بارها وعده های غذایی یکسانی می خورند، داده های غذایی آنها به ما این امکان را می دهد که نحوه تغییر پاسخ های فردی به غذاهای خاص را در طول زمان مشاهده کنیم."
آنها دریافتند که گنجاندن داده های مربوط به چرخه های قاعدگی در مدلشان، بخش زیادی از تغییرات درون فردی را توجیه می کند، که نشان می دهد تغییر سطح هورمون ها می تواند نقش مهمی در واسطه گری پاسخ های گلایسمی فردی داشته باشد.
مدل آنها همچنین پاسخ گلایسمی را برای جمعیت های ایالات متحده و چین به طور دقیق پیش بینی کرد، این یک یافته ی مهم است، زیرا مدل های مبتنی بر میکروبیوم اغلب برای ارائه نتایج دقیق در زمینه های فرهنگی مختلف با مشکل مواجه هستند.
دکتر کلینبرگ توضیح داد: "ما برای پیش بینی در آنجا به داده های مربوط به یک جمعیت منطقه ای خاص نیاز نداریم. این مدل جدید همچنین به اندازه کافی قدرتمند است تا پاسخ‌های گلایسمی یک فرد را بر اساس داده های جمعیت شناختی، بدون آموزش سفارشی در مورد گزارش های غذایی یا سایر داده های شخصی سازی شده، پیش بینی کند. در نتیجه، پزشکان می توانند به طور بالقوه از این مدل برای ارائه توصیه های تغذیه ای در طول جلسه ی اول ملاقات خود با بیمار، بدون نیاز به ثبت دقیق غذاها یا آزمایش های مزاحم و تهاجمی، استفاده کنند.
دکتر کلینبرگ توضیح داد: "اگر داده های بیشتری داشته باشیم، می توانیم توصیه های بهتری ارائه دهیم، اما می توانیم بدون هیچ گونه اطلاعات شخصی سازی شده، نتایج بسیار خوبی کسب کنیم. این یعنی می توانیم فوراً به بیماران توصیه های مفیدی ارائه دهیم و ما امیدواریم که این امر آنها را به ادامه کار ترغیب کند."
در مرحله بعد، محققان قصد دارند مدل خود را با استفاده از مجموعه داده های بزرگتر اصلاح کنند و بررسی نمایند که آیا افزودن داده های میکروبیوم دقت مدل آنها را افزایش می دهد یا خیر.
دکتر کلینبرگ گفت: «این سوال بزرگی است، زیرا اگر اطلاعات غذایی به تنهایی همه چیز مورد نیاز ما را در اختیارمان قرار دهد، ممکن است نیازی به جمع آوری نمونه های مدفوع یا انجام آزمایش های دیگر نباشد. این می تواند تغذیه ی شخصی سازی شده را برای همه مقرون به صرفه تر و در دسترس تر کند».
منبع:
https://medicalxpress.com/news/2025-04-sparse-door-personalized-nutrition-pesky.html