Nouveau département « Computational Precision Nutrition » au DIfE
Le professeur Stefan Konigorski dirige la nouvelle équipe qui associe les essais « N-of-1 » à des données de cohortes multimodales
À l'Institut allemand de recherche sur la nutrition de Potsdam-Rehbrücke (DIfE), le nouveau département « Computational Precision Nutrition », dirigé par le professeur Stefan Konigorski, a commencé ses activités le 1er juillet 2026. L'objectif de cette nouvelle équipe de recherche est de faire progresser l'élaboration de recommandations nutritionnelles fiables et personnalisées grâce à des essais dits « N-of-1 » et à de nouvelles méthodes d'analyse issues de l'intelligence artificielle et de l'inférence causale.
Le département Computational Precision Nutrition (CPN) va au-delà de l’approche « taille unique ». Grâce à l’utilisation de méthodes de traitement des données et d’algorithmes de pointe, l’individualité de chaque personne est prise en compte. Cela permet de développer des stratégies nutritionnelles personnalisées susceptibles de contribuer à une meilleure santé. (Graphique : DIfE)
Les tendances alimentaires telles que le jeûne intermittent ou le régime « low carb » sont omniprésentes. Mais ce qui fonctionne pour une personne peut parfois s’avérer sans effet chez une autre. C’est précisément là qu’intervient le nouveau département « Computational Precision Nutrition » (CPN) du DIfE. Sous la direction du professeur Stefan Konigorski, l’équipe promeut un changement de paradigme, passant d’une approche générale « taille unique » à une nutrition de précision. L’objectif est d’analyser des données complexes issues de la santé et d’études scientifiques afin d’élaborer des stratégies permettant de formuler des recommandations nutritionnelles et comportementales personnalisées pour la prévention et le traitement de maladies chroniques telles que l’obésité ou le diabète de type 2.
Finis les conseils généraux : place à la nutrition de précision personnalisée
Pour Stefan Konigorski, la solution ne réside plus seulement dans un régime, mais dans un programme scientifiquement validé qui tient compte du métabolisme unique de chaque individu. « Nous combinons des approches informatiques avec des applications, des données issues d’études de cohortes et d’études personnalisées afin d’établir des liens de causalité. La base de données est multimodale, c’est-à-dire qu’elle repose sur la mise en relation de données moléculaires, de données issues d’appareils portables et de profils détaillés de mode de vie. C’est précisément cette profondeur qui nous permet d’atteindre une véritable précision lorsque cela est nécessaire », explique-t-il.
Essais « N-of-1 » : la preuve pour l’individu
L’équipe de Konigorski développe de nouvelles méthodes à la croisée des statistiques et de l’intelligence artificielle, et les associe à des données issues de vastes études de population, telles que l’étude EPIC (European Prospective Investigation into Cancer and Nutrition) de Potsdam ou l’étude sur la santé NAKO. Mais des études menées à l’échelle individuelle doivent également être mises en œuvre, et pour leur analyse, l’équipe du CPN utilise le principe des essais « N-of-1 ». Cette méthode statistique permet la personnalisation des études expérimentales.
Le professeur Stefan Konigorski dirige depuis le 1er juillet 2026 le nouveau département CPN au sein du DIfE.
Pour étudier l’influence de facteurs nutritionnels individuels sur la santé, le développement de la plateforme d’études numérique open source StudyU revêt une importance capitale. En combinaison avec des méthodes d’inférence causale, il sera possible de mettre en évidence des liens de cause à effet réels entre les facteurs liés au mode de vie, l’alimentation et les risques de maladie.
Cette approche permet de répondre à des questions individuelles telles que « Est-ce que je me sens mieux et est-ce que le jeûne intermittent peut réduire ma glycémie à long terme ? ». Konigorski explique : « Dans le cadre de cette approche, les participantes passeraient par exemple par une phase avec jeûne intermittent et une phase sans, au cours desquelles des marqueurs de santé spécifiques seraient enregistrés. Au final, l’analyse statistique permet d’identifier les effets individuels et de formuler des recommandations personnalisées en matière de mode de vie. Les participantes apprennent ainsi par elles-mêmes, par exemple, quels schémas alimentaires leur sont bénéfiques. »
Combinaison de l’IA et de la biologie humaine
La combinaison unique de bases de données, d’intelligence artificielle et de l’outil expérimental que constituent les essais « N-of-1 » permet non seulement de relier des approches micro à des données macro. La diversité considérable des données promet bien plus encore : des conclusions relevant de la médecine de précision sur l’apparition des maladies cardiométaboliques et liées à l’âge. « Les recherches menées jusqu’à présent nous ont permis de déterminer quels schémas alimentaires peuvent avoir un effet protecteur et apporter un soutien thérapeutique. Mais qu’est-ce que cela signifie pour chaque individu ? Pour qui les recommandations générales suffisent-elles ? Quand la précision est-elle nécessaire ? Notre nouveau département « Computational Precision Nutrition » apportera des réponses à ces questions et développera des outils pour des recommandations nutritionnelles personnalisées, allant des données précises à la mise en œuvre numérique. Cela redéfinira la norme en matière de recherche nutritionnelle », explique le professeur Tilman Grune, directeur scientifique du DIfE, pour souligner l’importance de ce nouveau département.
Informations complémentaires
Essais N-of-1
La méthodologie des essais N-of-1 trouve son origine dans la médecine générale et les soins cliniques, où il est essentiel de mesurer les efficacités individuelles
. Dans le domaine de la nutrition, cette approche méthodologique est pertinente, car le métabolisme humain est extrêmement individuel et
les recommandations générales « correctes » sont parfois peu efficaces.
Inférence causale
L’inférence causale est un processus scientifique qui aide à identifier de véritables relations de cause à effet dans les données. Alors que les simples corrélations
ne font que décrire des liens statistiques, l’inférence causale cherche à déterminer si une variable en cause directement une autre,
, et quantifie l’intensité de cet effet.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Allemand peut être trouvé ici.
Autres actualités du département science
