Evaluar el contenido nutricional es muy relevante para pacientes que sufren de diversas enfermedades, atletas profesionales y, por razones de salud, se está convirtiendo en parte de la vida cotidiana para muchos. Sin embargo, es una tarea muy desafiante, ya que requiere fuentes completas y confiables. Presentamos un pipeline de aprendizaje automático para predecir los valores de macronutrientes de alimentos utilizando representaciones vectoriales aprendidas a partir de descripciones de texto cortas de productos alimenticios. En un conjunto de datos utilizado por especialistas en salud, que contiene descripciones breves de alimentos y valores de macronutrientes: generamos incrustaciones de párrafos, introducimos agrupaciones en grupos de alimentos, utilizando representaciones vectoriales basadas en gráficos, que incluyen información de conocimiento del dominio alimenticio, y entrenamos modelos de regresión para cada grupo. Las predicciones son para cuatro macronutrientes: carbohidratos, grasa, proteína y agua. La mayor precisión se obtuvo para las predicciones de carbohidratos - 86%, en comparación con la línea de base - 27% y 36%. Las predicciones de proteínas arrojaron los mejores resultados en todos los grupos, el 53%-77% de los valores caen en el rango de nivel de tolerancia. Estos resultados se obtuvieron utilizando descripciones cortas, las incrustaciones pueden mejorarse si se aprenden en descripciones más largas, lo que conduciría a mejores resultados de predicción. Dado que la tarea de calcular macronutrientes requiere cantidades exactas de ingredientes, estos resultados obtenidos solo a partir de descripciones cortas son un gran avance.