UKB研究概述

UBK研究是一项大规模的队列研究，招募了约50万名年龄在40至59岁之间的英国参与者，研究时间涵盖2006年至2010年的基线评估阶段。参与者的表型与基因数据涵盖多个方面，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。此研究为医学界提供了丰富的数据库以供深入分析。

蛋白组学分析及其方法

在UKB-PPP项目中，约54,000名UKB参与者的EDTA血浆样本被用于蛋白组学分析。研究设计包含三个主要部分：(1) 一个由46,595人组成的随机子集；(2) UKB-PPP联合体成员选择的6,356人样本，以进行基于基线评估的蛋白质组学分析；(3) 1,268人参与了COVID-19成像研究，且进行了多次访问中的重复成像。

研究发现

在UKB-PPP项目中，41,931名参与者的随机数据被用于使用OlinkExplore平台对2,923种蛋白质进行检测，并开发出218种疾病的预测模型。此研究还验证并比较了含蛋白与不含蛋白的预测模型的性能差异。在67种罕见及常见疾病的模型中，增加5-20个蛋白质显著提升了临床模型的表现（C指数中位数增加值=0.07，范围=0.02-0.31）。对于67种疾病中的52种，基于蛋白特征的模型相比于传统血液化验的临床模型，获得了更高的似然比（Likelihood Ratio, LRs），范围在0.13到5.17。

动态蛋白特征与疾病预测

添加额外的5-20个蛋白质（如图中所示）能够显著改善C指数。研究中报告的蛋白特征筛查指标不仅能够与现有的血液测试相抗衡，甚至在52种疾病中超越了这些测试。特异性强的预测蛋白模型还揭示了潜在的疾病风险途径，例如在确诊前10年，血浆中较高水平的TNFRSF17和TNFRSF13B（BAFF和APRIL的受体）被视为多发性骨髓瘤和单克隆性淋巴瘤病患病风险增加的强有力预测因子。此外，与静态的多基因风险评分相比，循环蛋白特征的动态性质更能反映环境暴露的风险变化，因此展现出更优的预测性能。

与尊龙凯时的联系

在生物医疗领域，强大的数据分析和精准的预测模型是现代医学发展的关键。我们期待尊龙凯时在进一步研究和开发过程中，继续推动蛋白质组学等领域的创新与发展。