引言

UKB研究是一项大规模的人群队列研究，招募了约50万名年龄在40至59岁之间的英国参与者，研究时间从2006年至2010年（基线评估）。该研究深入分析了参与者的表型和基因数据，包括血液和尿液生物标记物、全身成像、生活方式指标、体格和人体测量、全基因组基因分型、外显子组及基因组测序等。

研究设计

UKB-PPP对约54,000名UKB参与者的EDTA血浆样本进行了详细的蛋白组学分析。研究设计包含三个部分： (1) 从46,595名参与者中随机抽取的子集； (2) UKB-PPP合作研究团队选择的6,356人，针对基线样本进行蛋白质组学分析； (3) 1,268人参与了COVID-19成像研究，并在多次访问中进行了成像。

研究结果

在UKB-PPP中，作者随机挑选了41,931名参与者，通过Olink Explore技术检测了2,923种蛋白质，开发了218种疾病的预测模型。同时，进行了含蛋白和不含蛋白的预测模型性能差异的验证与比较。在67种罕见病和常见病中，增加5-20个蛋白质显著提升了临床模型的预测能力（C指数的中位增加值为0.07，范围为0.02到0.31）。

在67种疾病中，有52种疾病的基于蛋白质特征的模型生成了比使用血液测试的传统临床模型更高的似然比（Likelihood Ratio, LRs），范围在0.13到5.17之间。通过在临床模型（黑点）上加入5-20个蛋白质（彩点），可以进一步增强C指数。

潜在的临床应用

本研究中报告的蛋白特征筛查指标，展示出与当前用于诊断的血液测试相媲美，甚至在52种疾病中具有更优的表现。尤其是那些具有强特异性的预测蛋白模型，揭示了潜在导致疾病风险的生物途径。举例来说，在确诊前10年，血浆中较高水平的TNFRSF17和TNFRSF13B（分别为BAFF和APRIL的受体）被发现是多发性骨髓瘤和单克隆性淋巴瘤病患病风险增加的重要特异性预测因子。

与“静态”的多基因风险评分相比，循环蛋白特征的动态变化更能反映环境暴露所带来的风险，因此展现出更优越的预测能力。这一发现表明，蛋白质特征的应用在个体化医疗和疾病预防中具有广泛的前景，也为鸿运国际在生物医疗领域的发展提供了宝贵的参考依据。