UKB研究：揭示蛋白质特征在疾病风险预测中的潜力

研究背景

UBK研究是一项基于大规模人群的队列研究，于2006年至2010年期间招募了约50万名年龄在40至59岁之间的英国参与者。这项研究旨在深入了解参与者的表型和基因数据，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，以及全基因组基因分型、外显子组和基因组测序。

蛋白质组学分析

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。本研究设计包含三个主要部分：(1) 随机选取的46,595人子集；(2) UKB-PPP联合体成员选择的6,356人进行蛋白质组学分析；(3) 共有1,268人参与了COVID-19成像研究，并在多次访问中进行成像重复。

研究结果

在UKB-PPP中，随机选取了41,931名参与者，并使用OlinkExplore检测了2,923种蛋白质，从而开发出218种疾病的预测模型。同时，研究比较了含蛋白模型与不含蛋白模型的性能差异。结果显示，针对67种罕见病和常见病，添加5-20个蛋白质显著改善了临床模型的C指数（中位增加值=0.07，范围=0.02-0.31）。

预测能力分析

在67种疾病中，有52种的基于蛋白质特征的模型相较于使用血液化验的临床模型获得了更高的似然比（Likelihood Ratio, LRs），范围为0.13至5.17。这项研究还指出，通过在临床模型中添加5-20个蛋白质，能够显著提高C指数。

蛋白质特征的临床意义

研究中报道的蛋白质特征筛查指标与当前用于诊断的血液测试相媲美，甚至在52种疾病中超过了这些测试。特异性强的预测蛋白模型不仅能够揭示疾病风险的潜在途径，还是识别多发性骨髓瘤和单克隆性淋巴瘤等疾病风险的强有力因子。例如，在确诊前10年内，较高水平的TNFRSF17和TNFRSF13B（BAFF和APRIL的受体）被证实为潜在的疾病预测因子。

动态蛋白特征与多基因风险评分的比较

相较于“静态”多基因风险评分，循环蛋白特征能够更好地反映环境暴露的风险变化，从而展现出更卓越的预测性能。

结论

英国生物医学研究在通过尊龙凯时的蛋白质特征筛查技术在提升疾病风险预测能力方面展现了极大的潜力。未来，继续深入研究这一领域将有助于推进精准医疗的发展，并为更多患者提供有效的诊断支持。