想象一下，挖一碗草莓。他们是季节，可以做出美味，健康的小吃。深红色和切成薄片的浆果的香气令人震惊。那是pelargonidin 3-葡萄糖苷（1）和甲氧基富烷醇（2）吸引感官。有伽马 - 甲乳酮（3）也在那些浆果中。实际上，有其他数百种生化化合物自然存在于这种水果中。对于其他食物，例如姜黄，生姜，大蒜，长叶莴苣，巧克力，咖啡甚至酒，情况也没有什么不同。

草莓中发现的一些化合物包括pelargonidin 3-葡萄糖苷（1，Pubchem ID443648），甲氧基富烷醇（2，53929577）和伽马 - 甲孤酮（3，12813）。

但是这些化合物可以产生什么健康影响？当然，答案很多，因为任何一种食物中的化合物目录都是漫长而多样的，并且在实验上测试每种化合物都是过敏的。但是，将严格的计算方法推向探索营养的“暗物质”的任务可能会产生一些答案。

营养中的暗物质

在代谢组学中，这种“暗物质”是大量的光谱数据这不能轻易分配给已知分子。与营养有关，最近已经通过两种方式探讨了这种暗物质的概念。首先，有努力到扩张这目录的化合物存在生的，发酵，加工，储存和代谢食品。有了这个基础，第二个探索性步骤自然是确定每种化合物的生物学功能。为了在第二步中取得进展，我们选择使用良好的药品化合物宇宙作为有关食品化合物的预测的锚点。具体来说，我们问了一个问题：“我们可以通过识别结构相似的药理学剂来预测化合物的生物学功能吗？”因此，Phytebyte的设计和编码开始了。

Phytebyte做了什么

Phytebyte是为预测食物化合物的生物学作用而构建的软件。

Phytebyte是为预测食物化合物的生物学作用而构建的软件。实施很简单：最终用户输入蛋白质靶标，而植物比特鉴定了与靶标相互作用的可能性相对较高的食物化合物，从而预测了生物学作用。Phytebyte利用随机的森林分类器来执行许多繁重的工作。该模型经过培训，可以从数据库中识别药物化合物chembl。化合物是编码作为“指纹” - 简单的位矢量，这些矢量存储了复杂的化学形式子结构信息。我们的模型了解了它正在寻找的子结构（对于给定的目标），并将其概括为在我们的测试数据集中识别新颖的食物化合物。

重要的是，Phytebyte是一种预测工具。它的输出是很可能具有特定生物学作用的分子及其源食品的列表，但它不是制定进餐计划或提供饮食建议的工具。

计算营养的道路

Phytebyte只是新计算方法的众多示例之一，例如复杂的系统理论和机器学习 - 在营养研究中分层是基因组学，代谢组学和遗传学数据的分层。实际上，可以指出，计算营养仅仅是营养论婚姻的自然后代。

计算营养可能会以几种方式发展。一个人，考虑到感兴趣的表型或蛋白质，提出了可能影响表型或蛋白质的食物，并以靶向的大量营养素方式进行。两个，更详细的流行病学和食物频率问卷数据可以支持某些食物与健康结果之间联系的测试。在这里，研究中的食物含有基于与已知药物相似的相似性，可能提供狭义的健康益处的化合物。第三，这种计算衍生的药理学化合物链接可以为药物开发提供信息。例如，药物疗效研究可以指示志愿者避免使用具有可能表现出生理作用的化合物诸如药物之类的特定食物。

重要的是，尽管以上一些科学的努力已经在营养研究中编织了一段时间，但这里描述的所有内容都要求努力以更加宏大的规模提出。而且，要使这种方法最有效，必须进行一致的努力，以识别和准确量化每种食物中大约2000种不同化合物，这是新兴食品组织领域的核心。