全文共3613字,预计学习时长10分钟
随着现代医学的发展,如今的我们比任何时代都更长寿,但却并不一定更健康:人口老龄化加速,癌症、代谢病、神经系统疾病和心脏病等慢性疾病持续增多。这些现象提高了医疗成本,给公共卫生系统带来巨大压力。
饮食选择不当是造成这些现象的一大原因。不健康饮食的致死率超过吸烟,全球每5人死亡便有一人死于不健康饮食——在,相当于抹去了1100万人的生命。除了明显的罪魁祸首——不健康的精加工食品,还有一个不太明显的杀手,即摄入过少的健康食品,如全谷类、蔬菜、水果、坚果、种子和豆类等。
以癌症为例:这是公认的现代社会困窘,罹患癌症将会影响到一个人的一生。这一观点似乎有些悲观,不过也有好消息——仅仅通过改变饮食和生活方式就可以预防近40%的肿瘤疾病。这一发现促使我们更加仔细地审视我们的食物,因为在最重要的致癌风险因素中,饮食可能是唯一可变的。
暗物质
过去几十年里,在分析影响人类健康和疾病的六大营养类别方面,营养科学取得了巨大进展,这六大类别是:蛋白质、碳水化合物、脂肪、矿物质、维生素和水。国家营养数据库追踪了这些类别中的大约150种成分,它们出现在每个食品包装上。
然而越来越多的证据表明,数千种来自其他化学类别的分子——如多酚、类黄酮、萜类化合物和吲哚等可能有助于防治疾病。它们大量存在于植物中,通常用于提色、提味和提香。这些化合物中的大多数在很大程度上仍未被专家涉足,未被监管机构察觉,也未被世人熟知。因此,它们确实值得被称为“营养界的暗物质”。
每咬一口食物,我们就向自己投喂了数百种这类生物活性化合物。当我们吞下它们时,这些分子就会相互作用。当食物被消化和代谢时,它们也会与我们体内的其他生物分子以及我们肠道中数万亿的细菌发生反应。
蔬果中发现的许多化合物与药物属于同一化学类别,因此人们也就不会奇怪在被批准用于抗癌治疗的小分子中,几乎有一半来自于大自然的产物。健康细胞对这些药物的耐受性更强,同时这些药物的毒性也更小。
药与食
传统药物分子与生物分子靶点结合,这些靶点与特定疾病过程相关,其中最重要的大部分都包含蛋白质。经典的药物治疗遵循“一病一药一靶”的范式,试图识别一种与疾病相关且“可对症下药的”蛋白质作为药物的靶子。
事实上,很少有药物有如此高精度的靶向性,同时蛋白质之间复杂的相互作用网络(或“图形”)会产生一种能干扰多个生物过程的“网络效应”,就像多米诺骨牌的连锁反应。
蛋白质-蛋白质相互作用(PPIs)被认为是下一代靶向治疗策略,现在大多数制药行业已将其药物探索计划延伸到PPIs。同时,为了充分利用大量现代高通量技术产生的分子相互作用数据,机器学习(ML)愈发受重视。在过去的十年里,ML在图像和音频信号方面取得了突破性的成果,然而不同的是,网络结构化数据需要一种称为“graph-ML”的方法。
Graph-ML也称为“图的表示学习”或“几何深度学习”,是机器学习领域近期的热门话题。典型的graph-ML架构称为图神经网络,它实现了某种形式的消息传递,使不同的节点交换信息。在最简单的公式中,消息传递的形式是线性扩散或在图上“随机游走”。
在去年《自然》杂志《科学报告》上的一篇论文中,通过利用蛋白质-蛋白质以及药物-蛋白质的相互作用,graph-ML被用于捕捉食物中的抗癌分子。药物-蛋白质的相互作用被表示为PPI图上的信号,可习得扩散过程被用来模拟药物的网状效应。
我们使用了一组由近2000种临床认可的药物组成的训练集,其中约10%的药物被标记为抗癌。该训练集的目的是训练出一个分类器,用于预测出一种运用PPI图中相互作用方式的、与抗癌药物相似的新分子。
然后,我们用大约8000个已知蛋白质相互作用的、源于食物的分子来试验该分类器。该分类器识别出了一百多种类药的抗癌候选产物,我们称之为“抗癌分子”。使用ML方法的主要优点是可以利用大量公开可用的数据集自动发现这些分子。
接着,为了获得所识别分子抗癌作用的实验证据,我们再次求助于机器学习,使用自然语言处理(NLP)技术挖掘宝贵的医学文献。我们还必须排除毒性过大的化合物。这是依赖于体内外实验报告的第一个验证步骤。
好东西
与源于食物的化合物相关的现有资料,主要受限于它只关注特定的化合物,如抗氧化剂。你一定见过标榜着富含抗氧化剂的食品,它们经常打着“超级食物”的标志销售。然而,尽管经常食用此类食品可以降低癌变(也就是“致癌”)的风险,但在单独作用时,其中所含的抗增殖剂不能使功效持续稳定在同一水平。
这种现象类似于在医疗工作中同时使用多种药物(技术上称为“复方药剂”),这通常会导致副作用和比单独使用每种药物更为强大的协同作用。因此,某些食物的抗癌功效是生物活性物质共同作用的结果,由它们的拮抗-协同作用以及这些物质同时按照不同致癌生物学机制行动的方式所决定。
食物中,茶和柑橘类水果满足这两个条件:首先,它们含有多种类药的抗癌化合物,这些化合物是由我们的ML模型识别的,并在医学文献里得到了证实;其次,这些化合物具有互补的抗癌作用。
基于此,我们构建了含有250多种不同食物成分的抗癌分子图谱,突出了我们称为的“超级食物”。除了上述的茶和柑橘,卷心菜、芹菜和鼠尾草也是相当普遍、便宜而又广泛存在的超级食物。从某种意义上来说这并不奇怪,因为这些食物大多是营养专家倡导的健康选择,且有压倒性的证据表明它们对健康有益。
不过也不要急着去做卷心菜冰沙,你很可能会失望——大多时候它很难吃。这里还缺少最后一步,即组合运用超级食物的成分,做出味道和外观都很棒的食谱。
我们获得了《厨房理论》的创始人和厨师赞助人——Jozef Youssef的帮助,他用我们的超级食物原料创造了简单、实惠、美味的食谱。事实上,超级食物不只为米其林餐厅客人和高级烹饪爱好者准备:许多简单、传统的日常食谱中已含有抗癌成分。
下一步
我们还需要记住,烹饪食物涉及物理变化和化学反应,可能会改变其分子含量。例如,如果我们在高温下煎炸配料,许多抗癌分子可能会消失。我们可以用计算图来表示食物的制备过程,并在指向线上展示出烹饪的过程。选择保留抗癌分子成分的最佳操作,以此便能优化食物的制备过程。
第二,除了抗癌分子外,食物中还有赋予食物味道、气味和独特风味的分子。许多食物都含有这样的成分:例如,你会惊讶于大蒜和茶有一百多个同样的风味分子。
食物搭配的秘诀在于组合具有相似或互补风味的成分。而被认为是顶级烹饪大师的某种“黑魔法”现在已经可以通过自动化实现了——我们可以使用graph-ML来生成健康且色香味俱全的食谱。甚至有一天我们电脑生成的菜谱能挑战米其林明星厨师,这也不足为奇。
最后的最后,当谈到品味时,正如拉丁谚语所说:“品味不存在争议”。食谱设计必须高度个人化,既要考虑到人们的口味偏好,还要考虑到许多其他参数,如饮食限制、遗传、疾病史和肠道微生物群。
在我们设想的未来里,每个人都能拥有一个存储着个人营养数据的电子“食品护照”,这样,当网上订购食物或外出就餐时,膳食就将能根据健康和食物进行优化。
通过模拟生物活性分子与人体内生物分子相互作用的“网络效应”,“超级食物”首次尝试运用graph-ML方法来预测食品中生物活性分子对健康的影响。使用graph-ML可以确定哪些食物含有与药物类似的成分,并可能防治疾病。除了癌症,而同样的方法也可以用于探索有助于预防神经退行性疾病、心血管疾病或病毒性疾病的食物。
从更长远的角度来看,我们的目标是在食物的“处方”、设计和准备方面有长足飞跃,使我们的生活得更健康、更幸福、更美好。
留言点赞关注
我们一起分享AI学习与发展的干货
如转载,请后台留言,遵守转载规范