春節期間，吃，是一個重頭戲。本文便對AI在飲食方面的近期研究成果和應用做了大盤點。健康飲食，迎來人工智能升級版。

又是一年新春佳節。對于廣大吃貨朋友們來說，無數的火鍋、牛排、奶茶、烤串、餃子等美食正在向他們招手。

今天，我們就來盤點一下AI在飲食方面的近期研究成果和應用，希望能幫助你更健康地享用美食。

AI算法可以量身定制喝咖啡的最佳模式

對于很多人來說，咖啡是他們日常生活中不可缺少的元素。最近，研究人員開發出了一種新的人工智能自動優化算法，能夠確定攝入咖啡因的最佳劑量和最優時間，從而在缺乏睡眠的情況下，最大程度地提高人的機敏性。

圖片來源：Pixabay

該研究使用了一個已驗證的數學模型，可以預測缺乏睡眠和咖啡因對精神運動警覺性實驗（PVT）結果的影響。研究人員將這個模型與人工智能自動優化算法相結合，以確定在缺乏睡眠時攝取咖啡因的數量和時間，從而在保證安全性的前提下，將人體機敏性最大化。該算法通過輸入用戶的睡眠時間表及允許攝取的最大咖啡因劑量，來得出最佳攝入咖啡因策略。

與之前使用的劑量策略相比，這種新開發的算法能夠將神經行為狀態提升多達64％，或者減少高達65%的咖啡因攝入劑量。這些結果表明，該算法可以根據不同的睡眠和覺醒時間表來調整攝取咖啡因的時間和數量，從而最大限度地發揮咖啡因的作用。

個性化醫療和啤酒之間的關聯是？

來自英國Francis Crick Institute的研究人員們開發了一種新型機器算法，能夠從蛋白質含量來預測酵母細胞的新陳代謝。這項研究不僅有助于更好地控制啤酒的口味，未來甚至也可以為代謝紊亂患者提供個性化治療方案。

圖片來源：Pixabay

在一個細胞內，新陳代謝能夠產生數百個被稱為代謝物的小分子。盡管酵母在進化上與人類差距很大，但其產生的一些代謝物卻是相同的，而且制造這些代謝物的方式也非常類似。然而，直到現在，科學家們對新陳代謝是自我調節，還是受基因表達變化控制這一點上一直存在分歧。造成這種分歧的部分原因就是，現有方法未能檢測出基因、蛋白質和代謝物之間的強相關性。

這項最新研究表明，在很大程度上，如果向機器學習算法提供大量的蛋白質表達信息，那么就可以利用這種技術對酵母細胞的新陳代謝進行預測。因此，研究人員對97種不同的啤酒酵母菌株酶表達進行了量化，并將其與測量的代謝物濃度變化聯系到了一起。同時，研究人員開發了一個機器學習算法，能夠識別出基因表達變化與產生的代謝物之間的復雜關系。他們發現，新陳代謝是由許多協同作用的酶控制的——沒有任何一種酶本身具有主要作用。

研究人員表示，這項研究可以幫助預測酵母細胞等簡單細胞的新陳代謝情況，有助于在未來對人體組織中的新陳代謝情況進行更好的理解和預測。

糖尿病患者也能當個吃貨？

如果你患上了糖尿病，就會在飲食方面受到很大的限制，甚至一個不小心，還有可能加重病情。對于糖尿病患者來說，如何才能在不影響病情的情況下，吃到豐富的美食呢？一家總部位于英國的人工智能型營養平臺公司Whisk正在致力于解決這一問題。這家公司正在與治療糖尿病的公司Ascensia Diabetes Care開展合作，為2型糖尿病患者提供個性化飲食方案。

圖片來源：Pixabay

Whisk的核心技術平臺名為Food Genome，通過整合宏觀和微觀的營養、配料等數據，讓用戶能夠根據個人口味偏好、時間限制、預算、天氣和飲食限制或過敏癥等因素，定制自己的專屬飲食方案，并可以從該平臺一鍵購買食物原材料。目前，Whisk已經與沃爾瑪（Walmart）、樂購（Tesco）和亞馬遜旗下的Amazon Fresh等大型食品零售企業開展了合作。

Whisk計劃推出面向2型糖尿病患者的個性化飲食方案，利用Ascensia提供的血糖數據，來訓練其人工智能技術平臺，從而滿足用戶的個性化需求。通過Whisk的人工智能平臺，用戶可以看到自己的血糖水平對于不同食物產生了什么樣的變化，從而根據不同飲食對病情的影響，來定制自己的膳食計劃。同時，Whisk計劃在未來將這一平臺擴展至方便食品和餐館的菜單等，從而為用戶提供一整套選擇方案。

尋找安全餐館哪家強？谷歌AI來幫忙

來自谷歌和哈佛大學的研究人員建立了一個機器學習模型，可以根據人們手機中的Google搜索信息和定位信息，來識別具有潛在食品安全風險的餐廳。

該模型的工作原理如下：首先，算法對可以表明和食源性疾病相關的搜索關鍵詞進行分類，如“胃痙攣”或“腹瀉”等詞語。然后，該模型使用來自智能手機中去除身份信息后的定位，來識別出搜索這些詞語的人最近訪問過哪些餐廳。在芝加哥和拉斯維加斯進行測試期間，機器學習模型在兩個城市檢測到的有食品安全問題餐館的準確率為52.3%，而常規衛生檢查的檢測率只有22.7%。

有38%的餐廳并不是食源性疾病患者最近一次訪問的餐廳。圖片來源：npj Digital Medicine

有趣的是，在該模型檢測到的所有具有食品安全隱患的餐廳中，有38%的餐廳并不是那些搜索與癥狀相關詞匯的人們最近一次訪問的餐廳。

這是一個非常重要的發現，因為之前的研究已經表明，人們傾向于認為他們最近一次去用餐的餐廳是導致他們不適癥狀的“罪魁禍首”，因此可能會對錯誤的餐館提出投訴。然而在臨床上，食源性疾病可能需要48小時甚至更長的時間才能出現相關的癥狀。

一不小心“中招”腹瀉？AI精準鎖定元兇！

假期美食吃的太多，就會有拉肚子的風險。導致這種現象發生的原因之一便是食物生產過程中的沙門氏菌污染。沙門氏菌是腹瀉病全球四大病因之一。不幸中招，不但掃興，對身體健康也有影響。

佐治亞大學食品安全中心的助理教授鄧翔宇博士利用了機器學習中的隨機森林分類方法，成功地使AI辨別沙門氏菌的來源。

沙門氏菌（圖片來源：Pixabay）

沙門氏菌最常見的來源有豬、牛、家禽、野生鳥類。由于基因變異和族群的原因，同一來源的沙門氏菌會有相同的基因特性。鄧翔宇博士團隊利用了機器學習的方式，讓AI學習了1400多種鼠傷寒沙門氏菌（Salmonella Typhimurium）的基因組序列，并通過隨機森林分類的方法辨別不同沙門氏菌的基因特性。鼠傷寒沙門氏菌是在美國最常見的沙門氏菌種類，并導致了美國大多數的沙門氏菌污染事件。

AI這次也沒有讓人失望。研究結果表明，AI的學習效果非常好，對于沙門氏菌來源的辨別準確率達到了87.5%。研究人員給出了美國過去20年間八次沙門氏菌病疫情的細菌樣本，AI成功地識別了其中七次的細菌源頭。同時，AI辨別禽類和豬來源沙門氏菌的能力要更優秀一些。

看了上面的這些研究，你對于如何更好地當個吃貨是不是更有信心了呢？雖然AI可以為我們打造出更加優化的飲食方案，但是我們仍然要記住，健康飲食加以科學鍛煉，才是實現健康生活的最佳方式。