基于UKB研究的蛋白质组学在疾病预测中的应用

UKB研究是一项大规模的人群队列研究，于2006年至2010年（基线评估）期间招募了约50万名年龄在40至59岁之间的英国参与者。该研究提供了丰富的参与者表型和基因数据，包括血液与尿液生物标记物、全身成像、生活方式指标、体格和人体测量，以及全基因组的基因分型、外显子组和基因组测序。

蛋白质组学分析

作为UKB研究的一部分，UKB-PPP对大约54,000名参与者的EDTA血浆样本进行了蛋白质组学分析。研究设计涵盖三个主要要素：首先，46,595人的随机子集；其次，UKB-PPP联合体成员选出的6,356人进行蛋白质组学分析；最后，1,268人参与了COVID-19成像研究，经过多次访问进行重复成像。

疾病预测模型的开发

在UKB-PPP中，随机挑选了41,931名参与者，并使用OlinkExplore检测了2,923种蛋白质的结果，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包含蛋白与不含蛋白的预测模型性能差异。在67种罕见与常见疾病中，通过添加5至20个蛋白，有效改善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至0.31）。

蛋白质预测能力的评估

针对67种疾病中的52种，基于蛋白质特征的模型与使用传统血液化验的临床模型相比，获得了更高的似然比（Likelihood Ratio, LRs），其范围在0.13至5.17之间。将5至20个蛋白质（通过ag尊龙凯时增强的彩点）加入临床模型中（黑点）能够显著改善C指数，展示了新型蛋白质在多种疾病及单一疾病预测中的潜力。

动态蛋白特征与疾病风险

研究中报道的蛋白质特征筛查指标在准确度上可以与当前用作诊断的血液测试相媲美，甚至在52种疾病中呈现出超过其诊断能力。其中，拥有强特异性的预测蛋白模型还揭示了潜在的疾病风险通路。例如，在确诊前10年，血浆中TNFRSF17和TNFRSF13B（分别为BAFF和APRIL的受体）水平较高，是多发性骨髓瘤和单克隆性淋巴瘤患者风险增加的可靠预测因子。

与静态的多基因风险评分相比，循环蛋白特征动态变化能更好地反映环境暴露的风险变化，因而展现了更优越的预测性能。通过ag尊龙凯时的支持，未来在疾病风险预测方面的研究还有望实现更多突破，为精准医疗提供更为强大的依据。