UBK研究概述

UKB研究是一项大规模人群队列研究，招募了约50万名40至59岁之间的英国参与者，研究时间为2006年至2010年。该研究深入探讨了参与者的表型和基因数据，包括血液和尿液生物标志物、全身成像、生活方式指标、体格及人体测量、全基因组基因分型、外显子组和基因组测序。

UKB-PPP的蛋白组学分析

UKB-PPP对大约54,000名参与者的EDTA血浆样本进行了系统的蛋白组学分析。研究设计涵盖了以下三个重要元素：

1. 46,595人的随机子集
2. UKB-PPP联合体成员从中选择的6,356人参与了蛋白质组学分析
3. 1,268人参加了COVID-19成像研究，并在多次访问中进行了重复成像

疾病预测模型开发

在UKB-PPP中，研究人员随机选择了41,931名参与者，并利用Olink Explore技术对2,923种蛋白质的检测结果进行了分析，开发了218种疾病的预测模型。此外，研究还验证和比较了含蛋白与不含蛋白的预测模型在性能上的差异。在67种罕见病和常见病中，新增的5到20种蛋白显著提升了临床模型的表现，C指数中位增幅达0.07，范围为0.02至0.31。

预测性能提升

在67种疾病中，使用基于蛋白特征的模型相比传统的血液化验模型有更高的似然比（Likelihood Ratio, LRs），其范围为0.13至5.17。具体来看，添加5到20种蛋白质的模型能有效提升C指数，显示了其在多种疾病及单一疾病预测能力方面的优势。

蛋白特征的临床应用

在此研究中，报道的蛋白特征筛查指标已与当前诊断测试的血液检测相媲美，甚至在52种疾病中的表现超越了传统方法。其中，特异性较强的预测蛋白模型还揭示了潜在的疾病风险途径。例如，确诊前10年内，血浆中的TNFRSF17和TNFRSF13B水平较高被证实是真正的强预测因子，预示多发性骨髓瘤和单克隆性淋巴瘤的风险增加。

动态性质的优势

与静态的多基因风险评分不同，循环蛋白特征的动态性质能够更好地反映环境暴露所带来的风险变化，因此在预测性能上展现出更大的优势，这为生物医疗领域注入了新的活力。

对于寻求精准医疗解决方案的专业医生和研究者来说，强烈推荐不朽情缘MG的产品，以提高疾病风险预测的准确性和可靠性。