针对食品炎症指数研究的学术报告
一、 研究团队与发表信息 本研究由 Zhangtie Wang（浙江大学，生物系统工程与食品科学学院）、Changzheng Yuan（浙江大学医学院公共卫生学院，哈佛大学陈曾熙公共卫生学院）、Yansong Zhang（浙江大学）、Nesma S. Abdelaty（浙江大学）、Cheng Chen（匹兹堡大学）、Jianfu Shen（浙江大学）、Liangxiao Zhang（中国农业科学院油料作物研究所）、Baiyi Lu（浙江大学，通讯作者）、Ruihai Liu（康奈尔大学）及 Peiwu Li（中国农业科学院油料作物研究所）合作完成。研究成果以《Food inflammation index reveals the key inflammatory components in foods and heterogeneity within food groups: how do we choose food?》为题，于2024年10月12日在线发表于期刊 Journal of Advanced Research (卷74，页码87-98，2025年出版)。
二、 研究背景与目的 本研究属于营养学、食品科学与公共卫生的交叉领域。慢性炎症是肥胖、非酒精性脂肪肝、动脉粥样硬化等多种慢性代谢疾病的根源，而饮食是影响慢性炎症的关键因素。尽管已有研究通过膳食炎症指数（Dietary Inflammation Index, DII）来评估个体整体膳食的炎症潜力，但普通消费者难以了解每日具体的营养素摄入情况，他们更关注“吃了多少食物”而非“摄入了多少蛋白质或脂肪”。因此，开发一种直接基于食物本身（而非营养素）来量化其炎症效应的工具，对于指导公众饮食选择、修订膳食指南具有重要意义。
此外，现有膳食指南通常将食物按大类（如蔬菜、肉类）进行推荐，但同一大类食物内部（如不同种类的蔬菜或肉类）其营养成分和炎症效应可能存在巨大差异，这种“组内异质性”常被忽视。这种忽视可能导致即使遵循了指南建议（如“多吃蔬菜”），若选择了组内促炎性较强的品种，仍可能面临较高的炎症风险。
因此，本研究的主要目的是：1）基于食物成分表，开发一种食物炎症指数（Food Inflammation Index, FII），用以量化单一食物的炎症效应；2）利用FII揭示不同膳食指南中食物大类的内部异质性；3）识别影响食物炎症效应的关键营养成分。
三、 详细研究流程与方法 本研究流程严谨，主要包含以下几个核心步骤：
1. FII模型的构建与算法开发 本研究并未进行新的生物学实验，而是基于现有大规模营养流行病学数据与算法模型进行二次分析与验证。其核心创新在于开发了FII算法模型。 * 数据基础：研究主要使用美国农业部食物与营养素数据库（USDA-FNDDS），涵盖了9229种食物条目和39种与炎症相关的食物成分（如各类脂肪酸、维生素、类黄酮等）。这些成分的选取及其“总炎症评分”（Total Inflammatory Scores, TIS）权重，参考了已发表的DII研究文献。同时，研究还采用了中国食物成分表（China-FCT）进行验证。 * 算法原理：FII算法是对DII的改进和具体化。其核心公式为：针对每100克食物，将其所含的每种炎症相关成分的含量（Ni）与该成分的营养素参考值（NRV）进行比较，再乘以该成分的文献权重（TISi），最后对所有成分的得分进行求和。公式表示为：FII = Σ (TISi × Ni / NRVi)。简单来说，FII量化了每100克食物中，各种促炎和抗炎成分相对于每日推荐摄入量的“净炎症效应”。 * 分数标准化：为了更直观地展示，研究将计算出的原始FII值（范围很大，且多为负值）转换为1-100的百分制分数（FII Score），其中1分代表最具促炎性，100分代表最具抗炎性。 * 模型变体：为了考虑摄入量过高可能带来的效应饱和，研究者还创建了FII的修正模型（FIIm2和FIIm5），即当食物中某成分含量超过NRV的2倍或5倍时，按2倍或5倍NRV计算，以观察极端摄入的影响。
2. 模型验证：基于NHANES队列的关联性分析 为了验证FII模型的有效性，研究利用美国国家健康与营养调查（NHANES）2007-2018年共六个周期的数据（最终纳入21,982名参与者）进行验证。 * 个体炎症评分（FISI）：将个人的24小时膳食回顾数据中的每种食物摄入量，乘以其FII值并加和，得到个体食物炎症评分（Food Inflammation Score for Individuals, FISI），用以代表个人膳食的整体炎症潜力。 * 相关性验证：计算FISI与传统的DII评分之间的斯皮尔曼相关系数，结果显示FISI与DII模型（DII-DR和DII-DRDS）高度相关（相关系数0.61-0.80，p<0.0001），证明FISI能有效反映膳食炎症潜力。 * 生物标志物验证：进一步，研究选取NHANES 2015-2018周期中5,673名成年人的数据，分析FISI与高敏C反应蛋白（hs-CRP，一种关键的炎症生物标志物）的关联。在调整了年龄、性别、种族、BMI、收入、教育水平、吸烟等多种混杂因素后，FISI1（基于原始FII模型）仍与hs-CRP水平呈显著正相关（p=0.033），表明较高的FISI（即膳食整体更促炎）与个体更高的炎症水平相关，从流行病学角度验证了FII模型的预测效力。
3. 应用分析一：评估不同膳食模式的炎症风险 研究者将FII应用于几种常见的膳食模式，计算其理论FISI值，包括：美国膳食指南（DGA）推荐模式、中国居民膳食宝塔（CFGP）模式、地中海膳食（MED）模式以及美国人当前实际摄入（CIA）模式。 * 方法：根据各膳食模式推荐的食物种类和摄入量，选取USDA-FNDDS中对应的食物，计算该模式下的平均FISI。 * 对比分析：通过对比不同模式FISI的百分位分布（与NHANES人群的FISI分布对比），评估各模式的抗炎效果。同时，还模拟了在每种食物大类中选择“最抗炎”（FII 90百分位）、“平均”和“最促炎”（FII 10百分位）食物时，膳食模式的FISI变化，以直观展示食物组内异质性的影响。
4. 应用分析二：剖析食物组内异质性及关键成分 这是本研究的核心分析部分。 * 食物分类与评分：将USDA-FNDDS中的9229种食物按食物代码前两位进行大类分组，计算每类食物的平均FII Score及其标准差。 * 可视化与比较：通过柱状图展示各类食物的平均炎症评分及离散程度（标准差），标准差越大，说明该类食物内部的炎症效应差异越大，即异质性越高。 * 关键成分贡献度分析：通过雷达图，分析每个食物大类中，各种促炎成分（如饱和脂肪酸）和抗炎成分（如类黄酮、n-3多不饱和脂肪酸C18:3n3）对该类食物FII得分的贡献度及分布范围（5%，均值，95%）。这有助于识别决定某类食物炎症属性的核心营养成分。
5. 应用分析三：在中国食物成分表中的验证与比较 为了检验FII模型的普适性，研究者将其应用于中国食物成分表（China-FCT）。由于China-FCT只包含39种成分中的26种，因此构建了一个包含26种成分的简化FII模型（FII26）。 * 验证：同样使用NHANES数据验证了基于26种成分的FISI26与hs-CRP的关联，结果依然显著。 * 计算与比较：计算China-FCT中各类食物的FII Score，并与USDA-FCT的结果进行对比，观察不同国家食物数据库反映出的食物炎症属性异同。
四、 主要研究结果 1. FII模型有效建立并得到验证。 研究成功计算了9229种食物的FII值。验证结果显示，FISI与既有的DII高度相关，且与炎症标志物hs-CRP水平独立相关，证实了FII模型能够有效量化食物的炎症效应并预测个体膳食炎症风险。
2. 揭示了膳食指南中食物大类的显著内部异质性。 分析表明，即使遵循公认健康的膳食模式（如地中海饮食），如果选择了食物大类中“质量较差”（即促炎性较强）的具体品种，其整体膳食的炎症风险（FISI）仍可能接近甚至超过普通人群（NHANES）的高风险分位线（Q5）。例如，在“油脂”和“饮料”大类中，不同具体食物（如亚麻籽油 vs. 椰子油；茶 vs. 含糖甘蔗饮料）的FII Score差异极大。这表明，笼统的“多吃蔬菜/坚果”建议可能不够，需要关注具体品种的选择。
3. 识别了影响食物炎症效应的关键成分。 * 关键抗炎成分：类黄酮（Flavonoids）和n-3多不饱和脂肪酸（特别是α-亚麻酸C18:3n3） 是贡献最突出的抗炎成分。例如，富含异黄酮的植物蛋白（如组织化植物蛋白）抗炎评分极高。坚果和部分植物油（如亚麻籽油）因富含这些成分而表现出强抗炎性。 * 关键促炎成分：饱和脂肪（Saturated Fat） 是最主要的促炎成分。富含饱和脂肪的肉类（特别是加工肉类）促炎评分较高。 * 成分共存与抵消：许多食物同时含有促炎和抗炎成分。例如，动物脂肪（如黄油）因高饱和脂肪而促炎，但如果强化添加了维生素E等抗炎成分，其整体炎症效应会得到改善。这解释了为何USDA-FCT中某些强化营养的黄油比China-FCT中传统黄油具有更好的抗炎评分。
4. 对比了中美食物成分表的异同。 总体趋势一致：植物性食物（如种子、坚果）的抗炎评分普遍高于动物性食物（如肉类、动物脂肪）。但具体类别存在差异，最显著的是“动物脂肪”类：USDA-FCT中该类食物FII Score的变异度（标准差）极大，部分产品因营养强化而评分较高；而China-FCT中动物脂肪的评分普遍很低且变异小，反映出中国传统动物脂肪产品中缺乏添加的脂溶性营养素（如维生素E）。这提示食品营养强化是改善食物炎症属性的可行途径。
5. 为膳食指南的精细化提供了量化依据。 研究以“蔬菜”大类为例，按照美国膳食指南的细分（如深绿色蔬菜、红色/橙色蔬菜、淀粉类蔬菜等）进行了FII评分。结果显示，不同亚类（如豆类）内部差异仍然很大，而某些亚类（如红薯）内部则相对一致。这论证了对食物大类进行更细致划分（如按颜色、具体品种）的必要性，以便提供更精准的膳食建议。
五、 研究结论与价值 本研究成功开发并验证了食物炎症指数（FII），这是一个基于食物成分、能够量化单一食物炎症效应的公共工具。其主要价值和结论包括： * 科学价值：首次系统性地从食物层面（而非营养素或膳食模式层面）建立了量化炎症效应的模型，将膳食炎症研究推进到一个更精细、更实用的水平。它提供了一种连接食物成分、个体食物选择与慢性炎症风险的量化桥梁。 * 应用价值： 1. 对公众：FII可作为直观的工具，帮助消费者在选购食物时做出更抗炎的选择，理解“同类食物亦有优劣”。 2. 对膳食指南与公共政策：研究结果强烈提示，未来的膳食指南应更多地考虑食物大类的内部异质性，进行更精细化的分类推荐（如推荐特定种类的油、特定颜色的蔬菜），并可能将食物的炎症属性作为一项营养质量评价指标。 3. 对食品工业：指明了通过调整或强化食物关键成分（如增加抗炎成分、减少促炎成分）来改善产品营养品质的方向，例如在油脂产品中强化维生素E、n-3脂肪酸。 * 核心观点：食物的选择不仅在于“大类”，更在于“品种”。减少食物组内异质性、增加食物多样性（如“彩虹饮食”），是降低膳食炎症风险、实现精准营养推荐的关键。
六、 研究亮点 1. 方法创新：首创了基于食物本身的炎症指数（FII）算法，并将复杂的营养学参数转化为易于理解的百分制分数，实现了对食物炎症效应的直接、量化评分。 2. 视角新颖：首次大规模、系统性地揭示了主流膳食指南中食物大类的内部异质性及其对整体膳食炎症风险的重大影响，挑战了传统按大类推荐食物的思维。 3. 数据驱动与验证充分：研究基于庞大的国家级食物成分数据库（USDA-FNDDS, China-FCT）和具有代表性的人群营养健康数据（NHANES），通过严格的统计模型验证了FII与炎症生物标志物的关联，保证了结论的可靠性。 4. 跨文化比较：同时应用并比较了中美两国的食物成分表，既验证了模型的普适性，也揭示了因食品加工和营养强化实践不同导致的跨国差异，具有全球视角。 5. 明确的转化意义：研究成果不仅停留在学术层面，更直接指向消费者教育、膳食指南修订和食品产品开发等实际应用场景，提出了诸如在包装上标注关键脂肪酸含量、强化脂溶性营养素等具体建议。
七、 其他有价值的内容 研究还讨论了FII模型的一些局限性，例如：1）总炎症评分（TIS）依赖于现有文献，未来需随研究更新；2）某些成分（如酒精、咖啡因、维生素B12）的炎症效应存在争议；3）模型未区分中链脂肪酸与长链脂肪酸的不同生理效应（如椰子油的案例）；4）模型主要基于特定年龄组男性的NRV，在不同人群中的应用可能需要调整。这些坦诚的讨论为后续研究指明了改进方向。研究者展望未来能建立在线数据库，允许消费者或企业输入产品信息自动生成FII评分，这将极大促进该工具的实际应用。