肥胖是当今全球面临的巨大健康挑战，大量研究显示，肥胖与2型糖尿病、心血管疾病、肿瘤等慢性疾病的发生和死亡密切相关^［1］。《中国居民营养与慢性病状况报告（2020年）》显示，成年人超重和肥胖率分别为34.3%和16.4%，城乡各年龄组居民超重/肥胖率持续上升，同时肥胖也出现少儿化、年轻化的特点，6~17岁、<6岁儿童青少年超重/肥胖率分别达到19.0%和10.4%^［2］。2019年，全球超重和肥胖导致的死亡在非传染性疾病相关死亡中占11.1%^［3］。超重和肥胖相关的年均医疗花费高达243.5亿元人民币^［4］。研究显示，超重和肥胖患者减少基线体重的5%~10%即可改善与肥胖相关的代谢性危险因素和改善健康^［5］。生活方式干预是体重管理的基石，其中饮食干预是核心^［6］。本文旨在探讨当前备受关注的饮食干预模式和以精准营养为理念的个性化体重管理技术，以促进肥胖的精准防控。

多种不同的饮食模式均可能成功减重，能量摄入低于消耗是其共同特点，当前广为推荐的减重饮食模式包括低脂饮食、低碳水化合物饮食、地中海饮食和间歇性禁食。临床试验显示，干预6个月后低碳水化合物饮食组的减重效果（平均6 kg）明显优于限制能量的低脂饮食组（平均2 kg）^［7］。地中海饮食除对体重管理有积极意义外，还与各种健康益处相关^［8］。低血糖负荷的地中海饮食可改善糖尿病患者的血糖控制^［9］，且与心血管疾病发生和复发风险降低有关^{［10, 11］}。近年来备受关注的间歇性禁食对体重管理和预防2型糖尿病也具有良好效果^［12］。目前研究较为充分的是3种类型的间歇性禁食：隔日禁食（alternate day fasting，ADF）、5∶2禁食和限时禁食（time-restricted eating，TRE）。ADF是指每24 h轮流禁食，禁食日摄入0~500 kcal/d（1 kcal=4.184 kJ），进食日随意摄入，交替进行；5∶2禁食是在连续或非连续日禁食2 d/周，禁食日摄入500~1 000 kcal/d；TRE是将食物摄入限制在特定的时间窗口，通常为4~8 h/d，允许在限制饮食窗口期间随意摄入能量^［13］。短期（8~12周）来看，ADF和5∶2禁食产生的减重效果类似，均为基线体重的4%~8%左右；长期（24~52周）来看，这两种禁食方式并未显示出比其他短期减重方式更好的效果；而TRE不仅能减少能量摄入，还不会影响减重期间的饮食体验，在控制体重和改善代谢健康方面具有更积极的效果^［13］。目前大多数TRE采取8 h时间窗制度，比如8：00到16：00，或10：00到18：00，又或12：00到20：00。研究显示，早TRE比晚TRE效果要好，因为胰岛素的敏感性存在昼夜节律问题，夜间进食对此不利^{［14, 15］}。

有研究比较了14种减重饮食方案对肥胖患者体重及心血管危险因素的影响，发现不同饮食模式间的长期减重效果未见明显不同^［16］。影响这些减重饮食模式发挥作用的重要因素是依从性，如何作出精准选择并能够长期坚持是当前减重饮食方案的难点和重点。

伴随着营养基因组、表观遗传组和微生物组等各类组学以及大数据分析技术的发展，基于个体特征的精准体重管理有了实现可能。个性化体重管理基于深度表型分析（饮食、睡眠、锻炼习惯、生活方式等）与组学分析（营养基因组、表观遗传组和微生物组等）对易感人群进行精准分层和对健康状态进行动态评估，在此基础上提出个性化饮食营养和其他干预策略，实现更有效的肥胖预防和管理。

1. 营养基因组：营养基因组学主要研究个体遗传如何影响营养物质代谢（营养遗传学）以及营养物质如何影响基因表达以及代谢产物的生成。肥胖是营养基因组学范畴内研究最多的疾病之一。越来越多的研究证明，减重并不只是制造能量摄入与能量消耗的缺口那么简单，即使是矫正年龄、性别、种族和社会人口学特征后，减重干预措施（包括饮食和运动干预）也存在个体差异，从而影响减重效果^［17］。随机对照研究将超重肥胖者分为两组，一组采用生活方式干预，另一组采用生活方式干预并结合基于基因检测的体重管理建议，结果显示后一组较前一组体脂率降低得更为显著^［18］。另有研究显示，基于28个单核苷酸多态性基因分型的个性化低升糖指数饮食方案的长期减重效果较生酮饮食好，且能够明显改善心血管疾病风险指标^［19］。改良的饮食计划也与肥胖相关基因表达的变化有关，一项队列研究显示，斋月间歇性禁食的超重肥胖人群与体重正常人群相比，其FTO基因表达显著降低^［20］。

2. 表观遗传组：与基因组稳定性相比，表观遗传组是一个可塑造的系统。妊娠期饮食或营养可通过表观遗传学影响后代肥胖及代谢性疾病的易感性^［21］。荷兰饥荒研究发现，出生于1944—1945年饥荒年间与之后一年食品供应正常时出生的孩子相比，其成年后更易发胖，并伴随胰岛素抵抗和餐后血糖升高^［22］。中国研究也表明，胎儿时期严重饥荒与成年后高血糖的发生风险有明显相关性，且越是成年以后饮食习惯西方化和经济条件好的人，这种联系越强烈^［23］。一项基于12个月的生活方式调整（地中海饮食和运动）的干预研究显示，体重指数和脱氧核糖核酸（deoxyribonucleic acid，DNA）甲基化模式之间存在联系，通过生活方式调整可平衡DNA甲基化来改善脂质代谢和炎症水平^［24］。经过生酮饮食干预的肥胖个体中，DNA甲基化模式更类似于体重正常的人^［25］。

3. 微生物组：肥胖人群厚壁菌门丰度更丰富，拟杆菌门减少，菌群基因多样性降低^［26］。既往研究表明，巴氏杀菌的嗜黏蛋白阿克曼菌（Akkermansia muciniphila）（以下简称Akk菌）对高脂肪饮食诱导的肥胖小鼠有保护作用，能够增加能量消耗，降低体重和脂肪量。在小鼠模型中Akk菌能改善肠道屏障完整性、胰岛素抵抗和血脂异常^［27］。研究团队进一步在人群探索性研究中发现，饮食补充Akk菌可降低肝功能障碍和炎症标志物水平，且总体肠道菌群结构未被影响^［28］。也有国外研究者在通过节食减去体重的小鼠肠道中鉴定出发生变化且持续产生影响的肠道菌群特征，基于此开发了基于菌群的机器学习算法，能个体化预测节食减肥后的体重反弹程度^［29］。

由于全世界肥胖患者不断增加，因此发展更高效的个性化体重管理技术十分必要。目前，营养基因组学、表观遗传学及宏基因组学在揭示肥胖致病机理方面已取得巨大进步，但个性化体重管理研究及转化仍处于探索阶段，面临着基础数据缺乏、技术难度高以及研发成本高等一系列的制约和挑战。

当前人工智能为解决老问题提供了新的契机，计算机与信息科学领域数据挖掘方法和机器学习算法层出不穷，为高维数据分析提供了新的研究方法和更优选择的可能。随着健身追踪器、移动应用程序和其他设备的日益普及，个人能够持续监测多种健康相关因素，如体力活动、睡眠、血压和心率等。人工智能技术可用于开发算法，结合遗传和其他高维信息，可为个性化建议提供可靠的基础。对于特征属性选择方法而言，除了传统的主成分分析法，生物信息学领域常用的信息增益和Relief算法为衡量特征对于分类结果影响的重要性提供了新的视角；对于分组方法的优化来说，机器学习中的线性规划方法、支持向量机、贝叶斯模型、凸优化等方法则为解决组间差异最大、组内差异最小、优化拟合迭代函数等问题提供了更多的解决方案。2015年发表在Cell上的论文表明，大规模数据收集分析可帮助制定更加精准、个性化的膳食建议。研究者连续1周监测了800例人群的血糖浓度，利用对相同试验餐血糖反应的变异性设计了一种机器学习算法，该算法集成了血液参数、人体测量、身体活动和肠道微生物群，以预测个体对真正膳食的餐后血糖反应^［30］。另有一项研究应用机器学习的算法，利用干预前样本的菌群测序数据特征建立了针对每个指标和代谢综合征整体风险逆转情况的相应预测模型，结果证实了肠道菌群在精准营养干预改善代谢和治疗疾病策略中的关键地位^［31］。

上述对于精准营养的研究取得较好成果，但仍有待提高。在预测准确度方面，不同算法的个性化预测性能并不相同；在预测数据源方面，深度表型、临床数据、可穿戴设备数据以及精准营养需求涉及的多组学数据均可用来评估个人健康，未来仍需进一步通过数据挖掘寻找可解释的最优算法，并结合知识图谱向使用者推荐健康状态信息和健康生活知识。

人工智能、生命组学等新兴技术与健康管理技术相融合的趋势是不可阻挡的，并可能将健康管理模式推向一个前所未有的空间。肥胖的预防和有效控制对实现“健康中国2030”目标至关重要，当前关于个性化体重管理饮食干预模式长期效果的证据仍不充分，关于联合基因多态性、基因甲基化、肠道微生物以及基于可穿戴设备的健康监测对于减重干预效果的研究非常有限。未来可从以下方向开展相关研究：开展随机对照试验，探讨个性化体重管理饮食干预模式的可行性和长期治疗效果；开展体重管理精准营养研究，整合营养遗传学、表观遗传学、宏基因组数据设计更个性化的饮食治疗方案，并通过精准监测数据优化个体对饮食干预的反应；除关注成人外，特殊人群如孕妇、儿童的身体状态将对未来整个生命周期造成深远影响，也需要相应的临床研究来提供更多相对安全且有效的方案。