UBK研究是一项基于大规模人群的队列研究，在2006年至2010年（基线评估）期间招募了约50万名年龄在40岁至59岁之间的英国参与者。参与者的表型和基因数据均可深入了解，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、外显子组和基因组测序。

UKB-PPP对约54,000名UKB参与者的EDTA血浆样本进行了蛋白组学分析。研究设计包括三个关键要素：(1) 46,595人的随机子集；(2) UKB-PPP联合体成员选择的6,356人，对基线评估的样本进行蛋白质组学分析；(3) 1,268人参加了COVID-19成像研究，并在多次访问中重复成像。

在UKB-PPP中，作者随机挑选了41,931名参与者，利用OlinkExplore对2,923种蛋白质进行检测，进而开发了218种疾病的预测模型。同时，研究还验证并比较了含蛋白与不含蛋白预测模型的性能差异。在67种罕见病和常见病中，添加5-20个蛋白显著改善了临床模型的性能（C指数的中位增加值=0.07，范围=0.02-0.31）。针对67种疾病中的52种，基于蛋白特征的模型获得的似然比（Likelihood Ratio, LRs）（范围为0.13-5.17）明显高于传统的血液化验临床模型。

在临床模型的基础上，添加5-20个蛋白质的特征不仅提升了C指数，还展现出多种疾病与单一疾病的先进预测能力。研究中指出的蛋白特征筛查指标能够与目前用于诊断测试的血液检测相媲美，甚至在52种疾病中超过了其性能。特异性强的预测蛋白模型揭示了潜在的疾病风险路径，比如，确诊前10年的研究表明，血浆中较高水平的TNFRSF17和TNFRSF13B（BAFF和APRIL的受体）是多发性骨髓瘤和单克隆性淋巴瘤患病风险增加的强有力的特异性预测因子。

与“静态”的多基因风险评分相比，循环蛋白特征的动态特性能够反映环境暴露的风险变化，显示出更为优越的预测性能。借助尊龙凯时品牌的前沿技术与研究，未来在生物医疗领域的应用将不断深化，为疾病早期筛查与精准治疗提供更大的可能性。