全球范围内，肥胖、心血管疾病、糖尿病等慢性病发病率持续上升，生活方式（如膳食结构、运动习惯等）是主要可干预风险因素。通过大型人群队列揭示膳食模式与疾病的关联，并结合多组学、大数据、‌移动健康（mHealth）和人工智能技术解析膳食影响疾病的复杂网络机制和关键靶点，为制定精准干预策略提供科学依据，弥补传统营养学局限于个体或实验室研究的不足。通过多中心生活方式干预，研究膳食、运动等生活方式干预疾病的有效性和安全性，为重大慢性疾病的防控提供可靠依据。

营养病流行病学：利用大型队列开展心血管代谢性疾病和营养、遗传因素及其交互作用和因果机制，并开展多中心生活方式临床干预。

营养基因组学与营养遗传学：利用多组学（基因组学、代谢组学、肠道微生态等）的方法探讨心血管代谢性疾病的发病机制、遗传预测、遗传共性，寻找新的生物靶点。

纵向数据整合与应用：基于医学大数据的慢性病危险因素监测、预警预测、健康/疾病画像、综合干预、信息化平台建设等。主持建立30万人胜利健康研究。主持、参与多项国际流行病学联盟（consortium）项目，如出生体重基因联盟、乳糖不耐受基因联盟、代谢性疾病干预-基因交互作用联盟、亚洲基因-环境交互作用联盟、CHARGE联盟、亚洲队列联盟、中国队列共享平台等。

‌数智驱动的人群队列和精准膳食干预体系构建‌

1)‌多维度营养数据库建设‌

整合国家级营养健康数据（如膳食摄入、代谢标志物、肠道菌群等），建立动态更新的多中心队列数据库，支撑精准风险评估与干预策略开发。

开发可穿戴设备与移动健康（mHealth）工具，实时追踪个体饮食、运动及睡眠行为，提升数据采集的时空分辨率。

2)‌多组学技术深度应用‌

结合基因组学、代谢组学和宏基因组学，解析营养-基因-微生物互作机制，筛选关键生物标志物（如短链脂肪酸、炎症因子）。

利用机器学习构建“膳食暴露-遗传-疾病风险”预测模型，量化膳食生活方式因素对慢性病的影响。

1）全国多中心临床研究平台：团队研发了全国多中心临床干预平台，涵盖前段个体生活方式数据采集、群体健康数据整合、健康评估、健康/疾病画像、风险预警预测、AI支持的综合方式干预、推广应用为一体的临床干预系统。

2）健康体检大数据云平台：建立了我国健康体检大数据平台，实现健康体检数据、疾病/死亡检测数据、医保数据、个体问卷数据等医学数据整合，制定了建立健康体检数据队列的标准和规范，实现个体和群体层面检后健康管理进一步完善。

3）胜利健康研究：该研究纳入30万人胜利油田在职和退休职工，整合2018开始的每年的人群健康体检数据、医保数据、疾病死亡监测数据、调查问卷和生物样本（血样、尿液、粪便等）。

1、Meng R, Wang W, Huang T*, Zhan S*.Tackling social and behavioural risk factors for cardiovascular diseases in Chinese women. BMJ. 2024 Aug 30;386:e078638. doi: 10.1136/bmj-2023-078638.

2、Wang W, Li R, Song Z, Huang N, Huang T*, Hua X*, Tang YD*.Joint Associations of APOC3 and LDL-C-Lowering Variants With the Risk of Coronary Heart Disease. JAMA Cardiol. 2025 Mar 19:e250195. doi: 10.1001/jamacardio.2025.0195.*Contributed equally.

3、Zhao Y, Zhuang Z, Li Y, Xiao W, Song Z, Huang N, Wang W, Dong X, Jia J, Clarke R, Huang T*. Elevated blood remnant cholesterol and triglycerides are causally related to the risks of cardiometabolic multimorbidity. Nat Commun. 2024 Mar 19;15(1):2451. doi: 10.1038/s41467-024-46686-x.

4、Zhang S, Yan Y, Zeng XF, Gu Y, Wu H, Zhang Q, Liu L, Huo Z, Luo X, Zhang R, Sonestedt E, Borné Y, Qi L, Huang T*, Zheng MH*, Chen YM*, Niu K*, Ma L*. Associations of the EAT-Lancet reference diet with metabolic dysfunction-associated steatotic liver disease and its severity: A multicohort study. Hepatology. 2024 Aug 2. doi: 10.1097/HEP.0000000000001039.

5、Gao X, Geng T, Jiang M, Huang N, Zheng Y, Belsky DW, Huang T. Accelerated biological aging and risk of depression and anxiety: evidence from 424,299 UK Biobank participants. Nat Commun. 2023 Apr 20;14(1):2277. doi: 10.1038/s41467-023-38013-7..

6、Wang W, Luo Y, Zhuang Z, Song Z, Huang N, Li Y, Dong X, Xiao W, Zhao Y, Huang T*. Total and regional fat-to-muscle mass ratio and risks of incident all-cause dementia, Alzheimer's disease, and vascular dementia. J Cachexia Sarcopenia Muscle. 2022 Oct;13(5):2447-2455.

7、Gao M, Fan J, Lv J, Yu C, Guo Y, Bian Z, Yang L, Millwood IY, Walters RG, Chen Y, Yuan JM, Yang Y, Hu C, Chen J, Chen Z, Koh WP*, Huang T*, Li L*. Metabolically healthy obesity, transition to unhealthy metabolic status and vascular disease in Chinese adults: a prospective cohort study. PLOS Medicine. 2020 Apr;8(1):e001140. doi: 10.1136/bmjdrc-2019-001140.

8、Zhang L, Tang L, Huang T*, Fan D*. Life Course Adiposity and Amyotrophic Lateral Sclerosis: A Mendelian Randomization Study. Annals of Neurology. 2020 Mar;87(3):434-441. doi: 10.1002/ana.25671. Epub 2020 Jan 21.

9、Huang T, Wang T, Zheng Y, Ellervik C, Li X, Gao M.....BIRTH-GENE (BIG) Study Working Group; Association of Birth Weight With Type 2 Diabetes and Glycemic Traits: A Mendelian Randomization Study. JAMA Netw Open. 2019 Sep 4;2(9):e1910915. doi: 10.1001/jamanetworkopen.2019.10915.

10、Geng T, Smith CE, Li C, Huang T*. Childhood BMI and Adult Type 2 Diabetes, Coronary Artery Diseases, Chronic Kidney Disease, and Cardiometabolic Traits: A Mendelian Randomization Analysis. Diabetes Care. 2018 May;41(5):1089-1096. doi: 10.2337/dc17-2141. Epub 2018 Feb 26.

11、Ding M#, Huang T#, Bergholdt HK, Nordestgaard BG, Ellervik C, Qi L*; CHARGE Consortium. Dairy consumption, systolic blood pressure, and risk of hypertension: Mendelian randomization study. BMJ. 2017 Mar 16;356:j1000.