想象一下在一碗草莓里挖草莓。它们是一种时令美味、健康的零食。深红的颜色和切成薄片的浆果的香味是引人注目的。天竺葵苷3-葡萄糖苷(1)及甲氧基呋喃醇(2)吸引人的感官。有gamma-decalactone (3.)也在那些浆果里。事实上，有数百种其他生化化合物自然存在于这种水果中。对于姜黄、生姜、大蒜、长叶莴苣、巧克力、咖啡甚至葡萄酒等其他食物来说，情况也没有什么不同。

草莓中发现的一些化合物包括天竺葵苷3-葡萄糖苷(1,PubChem ID443648), methoxyfuraneol (253929577)和-癸内酯(3，12813）.

但是这些化合物会对健康产生什么影响呢?答案当然是很多的，因为任何一种食物的化合物目录都很长，而且种类繁多，用实验来测试每一种化合物是令人望而却步的。然而，一些答案可以通过使用严格的计算方法来探索营养学的“暗物质”。

营养中的暗物质

在代谢组学中，这个“暗物质”是大量的的光谱数据不能轻易地归属于已知分子。就营养而言，暗物质的这一概念最近从两个方面进行了探索。首先,有努力来扩大的目录的化合物出现在生发酵、加工、储存和代谢的食物。在此基础上，第二个探索步骤自然是确定每个化合物的生物学功能。为了在第二步取得进展，我们选择使用具有良好特征的制药化合物作为对食品化合物预测的锚点。具体来说，我们提出了这样一个问题:“我们能否通过识别结构相似的药物来预测化合物的生物学功能?”于是，PhyteByte的设计和编码开始了。

什么PhyteByte

PhyteByte是用来预测食物化合物的生物学效应的软件。

PhyteByte是用来预测食物化合物的生物学效应的软件。实现很简单:最终用户输入一个蛋白质靶点，PhyteByte识别出与靶点相互作用的可能性相对较高的食物化合物，从而预测生物效应。PhyteByte利用随机森林分类器来执行大部分繁重的工作。这个模型经过训练可以从数据库中识别药物化合物，比如ChEMBL．化合物是编码即“指纹”——存储复杂化学信息学子结构信息的简单位向量。我们的模型学习它正在寻找的子结构-一个给定的目标-并将其一般化，以在我们的测试数据集中识别新的食物化合物。

重要的是，PhyteByte是一个预测工具。它的输出是一份分子清单和它们的来源食物，很可能有特定的生物效应，但它不是设计膳食计划或提供饮食建议的工具。

计算营养学的未来之路

PhyteByte只是众多新计算方法的例子之一——比如复杂系统理论和机器学习——在营养研究中被放在基因组学、代谢组学和遗传学数据之上。事实上，人们可以认为，计算营养学只不过是营养经济学结合的自然产物。

计算营养可能会以几种方式发展。第一，给定一个感兴趣的表型或蛋白质，提出的食物可能会影响该表型或蛋白质，并以靶向的、不含大量营养素的方式进行。第二，更详细的流行病学和食物频率问卷数据可以支持测试某些食物和健康结果之间的联系。在这里，正在研究的食物所含的化合物可能提供狭义的健康益处，这是基于与已知药物的相似性。第三，这种通过计算得到的药理学-食品复合环节可以为药物开发提供信息。例如，药物功效研究可以指导志愿者避免特定的食物，这些食物中含有可能表现出与药物类似的生理效应的化合物。

重要的是，虽然上述的一些科学努力已经融入营养研究有一段时间了，但这里所描述的所有内容都需要在更大的规模上投入努力。而且，为了使这些方法最有效，必须进行协调一致、广泛的努力，以确定和准确量化每种食品中大约2000种不同的化合物，这是新兴食品学领域的一个核心主题。