一项利用英国生物样本库（UK Biobank）191,689人数据的研究，用机器学习（LightGBM）从食物-结局关联中筛出18个与衰老相关死亡显著关联的食物组，构建10组分”机器学习青春饮食”评分（MYTH，0–10分）。内部验证中，评分最高四分位者比最低四分位的衰老相关死亡风险低21%（HR（风险比）=0.79，95%CI（置信区间）0.75–0.84）；外部验证更显著（HR=0.68）。高分还与15种衰老相关疾病风险降低相关。

高分饮食的组分总体指向”植物为主、多样均衡”。与其追逐”AI秘方”，不如先做到：多吃蔬菜水果、全谷物、豆类和坚果，减少超加工食品——这是MYTH评分高分的共同画像，也是最不依赖”算法”的版本。

AI给人类开食谱？这次不是营销

“AI饮食””算法食谱”——这类词总带着营销味。但这份发表在自然子刊（npj Science of Food）的研究是认真的：它用英国19万人的饮食与死亡数据，训练机器学习模型，反推出一个”抗衰老饮食”评分，并在独立数据里验证：评分高的组，衰老相关死亡风险低21%。AI开食谱，第一次有了大样本背书。

你每天吃的东西，在给衰老投票

你平时是不是觉得，”吃什么抗衰老”是玄学，看谁说得热闹信谁？这项研究给出一个不一样的视角：你每天的餐盘，其实在给衰老”投票”——某些食物组合，与更慢的生物衰老和更低的死亡风险稳定相关，而这些组合是可以用数据算出来的。

19万人，一勺勺喂给算法

从19万人的餐盘里挖规律：研究基于UK Biobank的191,689名参与者，先做食物-结局全关联分析，再用LightGBM（一种梯度提升机器学习算法）给食物重要性排序，识别出18个与衰老相关死亡显著关联的食物组。

10个组分，18个食物组：最终构建的”机器学习青春饮食”评分（MYTH，0–10分）由10个食物组分组成，覆盖了这18个关键食物组——吃法越接近高分组合，评分越高。

两次验证：0.79和0.68：内部验证：评分最高四分位比最低四分位的衰老相关死亡风险低21%（HR=0.79，95%CI 0.75–0.84）；外部独立验证中更明显：HR=0.68（95%CI 0.58–0.80）——关联跨数据稳健。

衰老疾病：15种一起降：高评分还关联到肺、肝、胰腺等器官的生物老化减慢，以及15种衰老相关疾病的风险降低。多组学分析显示，保护效应部分由蛋白质组、代谢和炎症通路介导。

内部验证HR=0.79（低21%），外部验证HR=0.68（低32%），外加15种衰老相关疾病风险下降、三个器官的生物老化减慢——这套饮食评分在数据层面”立住了”。但记住，它算的是”相关性最强的吃法”，不是”吃了就返老还童”的仙丹。

三句话，读懂”算法食谱”

1 高分饮食模式与衰老相关死亡风险低21%相关，且外部验证稳健。

2 高分组分并不神秘：植物性食物为主、多样均衡，与主流健康饮食高度重合。

3 这是观察性关联，不是算法承诺，最实际的用法是：按它的方向调整餐盘，而不是迷信某个”秘方”。

① 预发表手稿：该论文为预发表未编辑手稿，可能存在影响内容的错误。
② 观察性设计：队列研究不能证明因果，残余混杂无法排除。
③ 外部验证信息有限：外部验证队列的具体构成未在摘要级信息中披露。
④ 结局口径：“衰老相关死亡”定义依赖特定结局集合，与其他研究口径不同。

参考资料：Miao Y. A machine learning-derived dietary pattern for aging. npj Science of Food (2026). https://doi.org/10.1038/s41538-026-01048-3