血型饮食法：科学证据究竟怎么说？

医生已经能够利用遗传信息，为患者选择某些药物。那么，选择饮食也能遵循同样的原则吗？即使吃下完全相同的一餐，不同人的身体反应也可能大不相同。然而，目前一些流行的“按生物特征定制饮食”的方法，至今仍未通过严格研究的检验。

设想有一千辆汽车：一半使用汽油，另一半使用柴油。你想比较一下，哪种燃料的表现更好。

于是，你不查看发动机类型，随机选出一半汽车加汽油，其余加柴油。

这样，大约一半的汽车会加错燃料。比较两组的平均表现时，汽油和柴油可能看起来一样糟糕。

先弄清楚汽车装的是什么发动机，再选择燃料。

同一种饮食，会不会让一个人受益，对另一个人几乎不起作用，却伤害第三个人？个性化营养的吸引力就在这里：也许我们能事先知道这些差异，而不必靠多年的反复试错。

当然，人体不像汽车那样，能简单分成两种互不兼容的发动机。大多数食物的作用也并非非此即彼。但人与人之间确实存在生物学差异，医学已经学会利用其中的一部分。

个性化治疗何时真正有效

以囊性纤维化为例。这是一种影响肺部及其他器官的遗传病，由CFTR基因发生变异引起。不同突变带来的后果不同，患者携带哪一种变异，也会影响何种治疗可能奏效。

2011年，研究人员在161名携带G551D突变的患者中测试了药物伊伐卡托（ivacaftor）。24周后，用药组肺功能的改善幅度比安慰剂组高出10.6个百分点。[1]

这种药物针对的是某些基因变异所造成的特定蛋白质功能缺陷。面对其他突变，则需要不同的治疗方式。

乳腺癌也提供了一个例子。有些肿瘤会过量产生一种名为HER2的蛋白质。曲妥珠单抗（trastuzumab）等药物，就是专门针对这类肿瘤研发的。因此，治疗选择不仅取决于肿瘤的大小或位置，也取决于它的生物学特征。[2]

在若干疾病的诊疗中，精准医学已成为常规临床实践的一部分。基因检测和分子特征有时确实能帮助医生选择更有效的治疗。

如今，研究人员正尝试把同一原则用于饮食：他们希望不再对所有人提出同样的饮食建议，而是依据个人的基因、代谢状况和肠道微生物组调整建议。已有公司开始销售以此为卖点的服务。

但这些差异能否真正转化为可靠的个性化饮食建议？

同样一餐，不同人的反应

2020年，PREDICT 1团队发表了针对英国1,002名成年人的实验结果，参与者中包括双胞胎。[3]

参与者食用标准化餐食，研究人员随后追踪其血糖、胰岛素和甘油三酯水平的变化。

变异系数是标准差与均值之比。这些数字并不代表某项血液指标在进食后上升了多少。研究人员在餐后两小时内测量血糖和胰岛素反应，在六小时内测量甘油三酯的升幅。

部分差异来自同一个人在不同情况下的波动：进食时间、睡眠以及身体活动都可能产生影响。不过，重复测量也揭示出一些规律：特定的人面对特定类型的餐食，会呈现出各自特有的反应模式。

遗传因素只能解释其中一部分变异。研究人员还发现，反应与其他特征存在关联，包括肠道微生物组。

假设某一餐让你的血糖升得比大多数人更高，你该怎么办？减少碳水化合物？多吃脂肪？还是仅仅把分量减小一点？

单凭这个测量结果，我们无法作答。一次短暂的血糖升高，本身不能预测哪种饮食会让你拥有更健康的体重、更理想的胆固醇水平，或十年后更好的健康状况。

要让个性化营养真正有用，就必须知道，究竟哪些个体差异能可靠地预测：什么样的饮食对谁更有益。

个性化饮食计划真的更有效吗？

2024年，《自然·医学》（Nature Medicine）发表了一项随机试验，纳入347名41至70岁的成年人。[4]

其中一组接受常规的健康饮食建议，另一组参加个性化营养计划。后者会考虑他们对食物的反应、食物本身的特点、肠道微生物组数据以及病史。

18周后，个性化计划组的甘油三酯水平平均比对照组低0.13 mmol/L，差异达到统计学显著水平。但研究人员没有发现该计划在低密度脂蛋白胆固醇（LDL）方面具有令人信服的优势。

这项个性化营养计划是ZOE公司提供的商业服务。研究作者中包括该公司的联合创始人、员工及顾问，其中一些人与公司还有财务利益关系。

这些利益关系并不意味着研究结果无效。不过，试验比较的是两个完整的服务方案，它们在向参与者提供建议和支持的方式上也有不同。因此，无法分清观察到的差异究竟来自生物学检测，还是来自指导、反馈与鼓励。

2026年，一项系统综述汇总了15项随机试验，涉及2,351名超重或肥胖者。[5]

与对照干预相比，个性化计划使参与者的体重和体脂量略微多下降了一些。但在这些试验的汇总结果中，并未发现血糖指标或血脂有统计学显著的改善。各项结果的证据确定性从中等到极低不等。

因此，某些个性化计划有时确实优于常规建议。但这种优势是否真是来自对个人生物学特征的匹配，目前仍不清楚。

有一种曾广为流传的“按生物特征选饮食”方法，早在今天的基因检测和微生物组分析出现前几十年就诞生了。

彼得·达达莫与血型饮食法

1996年，彼得·达达莫（Peter D’Adamo）出版了《Eat Right 4 Your Type》，后来成为国际畅销书。

他的主张很简单：血型能告诉你，哪些食物适合你。

达达莫建议O型血的人多摄入动物蛋白、少吃谷物；建议A型血的人以素食为主。B型和AB型则分别有自己的饮食方案。[6] 在他的建议中，Rh因子并不起作用。

知道自己的血型并不困难，也不需要复杂的基因检测或持续血糖监测。如果达达莫是对的，这将是一种极其方便的个性化饮食方法。

可是，为什么偏偏是血型，能够决定哪些食物该吃、哪些该避开？我首先质疑的，正是达达莫论证中的这一步。

达达莫还讲了一个关于演化的故事：他认为O型血属于远古猎人，A型血则随着农业出现。然而，遗传史要古老得多。Ségurel及其同事发现，与A型和B型有关的遗传谱系，早在农业和现代人类出现之前数千万年，就已在灵长类动物中存在。O型血相关变异在进化过程中也不止一次出现。所谓从狩猎时代走向农耕时代的简单故事，并不能解释ABO血型系统的演化。[7]

这并不是说血型在生物学上无关紧要。ABO抗原与血液凝固有关。O型血人群体内的血管性血友病因子（von Willebrand factor）水平平均比其他血型低约25%。这种差异有助于解释血栓风险的变化。[8]

科学家还报告了ABO基因变异与LDL胆固醇及若干心血管指标之间的关联。但统计关联不等于饮食处方。[9] 在一项涉及德国8,956人的遗传研究中，研究人员还发现ABO系统、FUT2基因与肠道微生物群特征存在关联。[10]

达达莫提出的作用机制涉及食物中的凝集素（lectins），它们可以与细胞表面的糖类结构结合。但存在这种相互作用，并不意味着日常食物会伤害特定血型的人，也不能证明避开他所列出的食物就能改善健康。关于凝血或微生物组的发现，并没有直接检验他的饮食建议。

2014年一项涉及1,455人的研究发现，一些饮食模式确实与更有利的代谢指标相关。但没有令人信服的证据表明，这些有利结果取决于饮食是否与血型匹配。[11]

2018年的另一项分析在研究开始时有973名参与者，同样没有发现饮食与血型匹配能带来额外好处。[12]

2021年，研究人员观察了68名不同血型参与者对低脂纯素饮食的反应，在所测量的代谢变化中，也没有发现令人信服的血型间差异。[13]

综合来看，这些研究并没有提供令人信服的理由，让我们按血型选择饮食。它们还削弱了达达莫的核心主张：饮食与ABO血型匹配会带来额外健康收益。

这些研究大多没有在每个血型组内随机分配饮食，而主要考察人们平时的饮食习惯与健康指标之间的关联。随机试验能够更直接地检验这种主张。

怎样才能真正检验血型饮食法？

开头的汽车例子提示了更好的实验方法：让每种发动机都分别使用两种燃料，而不是仅仅比较总体平均表现。

这个比喻只是为了说明如何设计研究，并不意味着不同血型的人需要彼此完全不兼容的饮食。

假设我们招募A型和O型血的志愿者，再在每个血型组内，将志愿者随机分配到两种营养充足、但差别明显的饮食方案中。

如果植物性饮食在两组中都产生更好的结果，它也许总体上更值得推荐，但了解一个人的血型并没有帮助我们作出选择。

反过来，如果A型血的人从植物性饮食中获益更多，而O型血的人在另一种饮食下表现更好，那就支持“按血型匹配饮食可能有用”的观点。

研究人员首先需要决定，哪个健康结局最重要；同时，还要有足够多的参与者，才能检测到具有实际意义的差异，并且随后需要独立研究加以重复验证。

这只是一个拟议中的实验设计，并非已经完成的试验。它要检验的是：根据ABO血型匹配饮食，是否真的能带来额外好处。

现有研究没有发现令人信服的匹配效应，因此，按血型选择饮食能带来很大额外好处的可能性也降低了。但即使确有真实效应，现有研究也无法准确估计其大小。

也许，干预前的血糖水平、胰岛素敏感性或其他代谢特征，比血型更适合用来指导饮食选择。

基因能告诉我们该选低脂还是低碳水饮食吗？

2023年，POINTS试验检验了一种更复杂的基因预测方法。[14]

研究人员依据十个基因变异，试图预测哪些人采用碳水化合物比例较高的饮食会减掉更多体重，哪些人采用脂肪比例较高的饮食效果更好。

试验将145名超重或肥胖成年人随机分配到两种饮食之一。对部分参与者来说，分到的饮食符合基因预测；对另一些人则不符合。

12周后，针对122名参与者的主要分析得到了以下结果：

调整后的差异为−0.6千克（95%置信区间：−2.1至+0.9千克；p = 0.50）。

符合基因预测的饮食没有显示出统计学上令人信服的优势。

规模更大的DIETFITS试验追踪了609名成年人整整一年。参与者被随机分配到健康低脂饮食组或健康低碳水化合物饮食组。研究人员未发现由三个基因变异组成的遗传特征与饮食类型之间，在减重效果上存在统计学显著的交互作用（p = 0.20）。[15]

研究人员还考察，试验开始时测得的胰岛素分泌指标，能否预测谁更适合哪种饮食。他们测量了参与者饮用葡萄糖溶液30分钟后的胰岛素水平。该胰岛素分泌指标与饮食类型之间，同样未见统计学显著的交互作用（p = 0.47）。

前面我曾提出，代谢特征也许会比血型更有用。DIETFITS让我重新考虑这个想法。在这项试验中，所测的遗传特征和代谢指标都未能成功判断哪种饮食对谁更有效。

这里有个不能混淆的区别：胰岛素分泌不等于胰岛素敏感性。DIETFITS直接检验的是前者，而不是后者。不过，结果仍让“靠一次血液检测就能可靠地选出低脂或低碳水饮食”这一观点更难成立。

如今，我反而更愿意认真考虑另一种可能：在减重方面，这两种饮食的长期收益差异也许本来就相当有限。能否长期坚持一种饮食，或许比试图依靠单一生物标志物选出“赢家”更重要。

这只是我的解释，并不是两项试验本身作出的结论。它们的结果仍为更复杂的预测模型和其他饮食方式留有空间。但已有两项独立试验，其中一项持续了整整一年。面对这样的结果，声称仅凭基因特征或一次血液检查，就能可靠判断低脂与低碳水饮食哪种更适合某个人，已经很难令人信服。

现在究竟该怎么吃？

如果你想减重，就选择一种营养充足、能够长期坚持的饮食方式。尽量在相似条件下测量体重，关注一段时间内的趋势，而不是每天的起伏。如果你更关心胆固醇偏高或血糖调节异常，就应依据相关的临床指标和医疗建议作决定。

调整饮食时，尽量不要同时彻底改变多项其他生活习惯，否则很难知道是什么造成了差别。单次体重或血糖读数的信息有限，长期趋势更值得关注。还要考虑营养是否充足、食物是否适合自己、成本高低，以及能否持续数月。如果疾病要求特殊饮食，在作出重大改变前应与负责治疗的医生讨论。

如果你已经按血型饮食，而且感觉良好，那么缺乏支持这一理论的证据，本身并不意味着你必须停止。但请确认饮食足够均衡。按照达达莫对O型血的建议减少谷物和乳制品时，要特别注意膳食纤维与钙的摄入。A型血的人如果遵循严格的纯植物性饮食，也需要确保摄入足够的蛋白质，并获得可靠的维生素B12来源。感觉好转或血液指标改善，也可能是整体饮食质量提高所致，而不是因为饮食恰好符合血型。

仅仅为了寻找自己“理想”的脂肪与碳水化合物比例，目前没有多少理由花钱做基因检测或肠道微生物组分析。现有研究尚未证明，这些检测能让人更可靠地作出饮食选择。

美国国立卫生研究院（NIH）已经启动“精准健康营养”（Nutrition for Precision Health）计划，研究如何预测个体对食物的反应。[16] 这类研究仍需弄清：哪些生物学差异足够稳定，可以用来指导饮食建议；依据这些预测作出选择，又是否真的能改善健康。

汽车需要什么燃料，由它的发动机决定。但对人来说，我们还没有同样可靠的分类方法，能直接告诉每个人最适合哪种饮食。眼下，适合你的饮食，是你能长期坚持、并能实际改善你所重视的健康指标的那一种。

参考文献

1. Ramsey BW et al. (2011). A CFTR Potentiator in Patients with Cystic Fibrosis and the G551D Mutation. New England Journal of Medicine. https://doi.org/10.1056/NEJMoa1105185
2. National Cancer Institute. HER2’s Genetic Link to Breast Cancer Spurs Development of New Treatments. https://www.cancer.gov/research/progress/discovery/her2
3. Berry SE et al. (2020). Human postprandial responses to food and potential for precision nutrition. Nature Medicine. https://doi.org/10.1038/s41591-020-0934-0
4. Bermingham KM et al. (2024). Effects of a personalized nutrition program on cardiometabolic health: a randomized controlled trial. Nature Medicine. https://doi.org/10.1038/s41591-024-02951-6
5. Tran QD, Nguyen DK, Dang DK, Nguyen THH, Nguyen VK, Trinh TT. (2026). Effects of personalized nutrition on cardiometabolic biomarkers in adults with overweight or obesity: a systematic review and meta-analysis of randomized controlled trials. Nutrition & Metabolism. https://doi.org/10.1186/s12986-026-01130-3
6. D’Adamo PJ, Whitney C. Eat Right 4 Your Type. Penguin Random House. https://www.penguinrandomhouseretail.com/book/?isbn=9780399584169
7. Ségurel L, Thompson EE, Flutre T et al. (2012). The ABO blood group is a trans-species polymorphism in primates. Proceedings of the National Academy of Sciences, 109(45), 18493–18498. https://doi.org/10.1073/pnas.1210603109
8. Ward SE, O’Sullivan JM, O’Donnell JS. (2020). The relationship between ABO blood group, von Willebrand factor, and primary hemostasis. Blood, 136(25), 2864–2874. https://doi.org/10.1182/blood.2020005843
9. Li S, Schooling CM. (2020). A phenome-wide association study of ABO blood groups. BMC Medicine, 18, 334. https://doi.org/10.1186/s12916-020-01795-4
10. Rühlemann MC, Hermes BM, Bang C et al. (2021). Genome-wide association study in 8,956 German individuals identifies influence of ABO histo-blood groups on gut microbiome. Nature Genetics, 53, 147–155. https://doi.org/10.1038/s41588-020-00747-1
11. Wang J, García-Bailo B, Nielsen DE, El-Sohemy A. (2014). ABO genotype, ‘blood-type’ diet and cardiometabolic risk factors. PLOS ONE. https://doi.org/10.1371/journal.pone.0084749
12. Wang J et al. (2018). ABO Genotype Does Not Modify the Association between the “Blood-Type” Diet and Biomarkers of Cardiometabolic Disease in Overweight Adults. Journal of Nutrition. https://doi.org/10.1093/jn/nxx074
13. Barnard ND et al. (2021). Blood Type Is Not Associated with Changes in Cardiometabolic Outcomes in Response to a Plant-Based Dietary Intervention. Journal of the Academy of Nutrition and Dietetics. https://doi.org/10.1016/j.jand.2020.08.079
14. Höchsmann C, Yang S, Ordovás JM, Dorling JL, Champagne CM, Apolzan JW, Greenway FL, Cardel MI, Foster GD, Martin CK. (2023). The Personalized Nutrition Study (POINTS): evaluation of a genetically informed weight loss approach, a Randomized Clinical Trial. Nature Communications, 14, 6321. https://doi.org/10.1038/s41467-023-41969-1
15. Gardner CD, Trepanowski JF, Del Gobbo LC, Hauser ME, Rigdon J, Ioannidis JPA, Desai M, King AC. (2018). Effect of Low-Fat vs Low-Carbohydrate Diet on 12-Month Weight Loss in Overweight Adults and the Association With Genotype Pattern or Insulin Secretion: The DIETFITS Randomized Clinical Trial. JAMA, 319(7), 667–679. https://doi.org/10.1001/jama.2018.0245
16. NIH Common Fund. Nutrition for Precision Health. https://commonfund.nih.gov/nutritionforprecisionhealth