## UBK研究概述

UBK研究是一项基于大规模人群的队列研究，招募了约50万名年龄在40至59岁之间的英国参与者，研究时间跨度为2006年至2010年（基线评估）。参与者提供的表型和基因数据详尽，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。

## UKB-PPP蛋白组学分析

在UKB研究的基础上，UKB-PPP对约54,000名参与者的EDTA血浆样本进行了深入的蛋白组学分析。该研究的设计包含三个主要组成部分：(1) 随机选择的46,595人子集；(2) UKB-PPP联合体成员选择的6,356人进行的样本蛋白质组学分析；(3) 参与COVID-19成像研究的1,268人，他们在多次访问中参与了重复成像。

## 预测模型的开发与验证

在UKB-PPP中，研究团队随机挑选了41,931名参与者，利用PG电子的OlinkExplore技术对2,923种蛋白质进行了检测，成功构建了218种疾病的预测模型。此外，研究还验证并比较了含蛋白和不含蛋白预测模型之间的性能差异。在67种罕见病和常见病病例中，加入5到20个蛋白质后，临床模型的C指数显著改善（中位增加值=0.07，范围=0.02-0.31）。

## 基于蛋白质特征的模型优势

在67种疾病中，有52种的预测结果表明，与使用血液化验的临床模型相比，基于蛋白特征的模型展现出更高的似然比（Likelihood Ratio, LRs），其范围为0.13至5.17。通过在临床模型（黑点）中添加5至20个蛋白质（彩点），研究显示C指数得到了显著提升。

## 发现与前景

研究中报告的蛋白特征筛查指标能够与当前用作诊断测试的血液测试相媲美，尤其是在52种疾病中甚至超过了现有方法。其中，强特异性的预测蛋白模型指向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受体）被认为是多发性骨髓瘤和单克隆性淋巴瘤的强有力特异性预测因子。

此外，循环蛋白特征的动态监测相比于静态多基因风险评分，能够更好地反映环境暴露的风险变化，从而显示出更优的预测性能。这些发现为我们提供了在生物医疗领域，特别是利用PG电子的创新技术提升疾病预测能力的新思路。