在英国进行的UBK研究是一项大规模人群队列研究，涵盖了2006年至2010年期间招募的约50万名年龄在40至59岁之间的参与者。通过全面的表型和基因数据收集，这项研究深入分析了参与者的血液和尿液生物标记物、全身影像、生活方式因素、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。

研究设计与方法

UKB-PPP项目对约54,000名UKB参与者的EDTA血浆样本进行了蛋白组学分析。该研究的设计主要包括三个部分：(1) 46,595人的随机子集；(2) 从UKB-PPP联合体成员中选择的6,356人参与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，并在多次访问中进行重复成像。

蛋白质预测模型的开发与验证

在UKB-PPP中，研究人员随机挑选了41,931名参与者，利用OlinkExplore对2,923种蛋白质的检测结果开发了218种疾病的预测模型。同时，研究验证并比较了含有蛋白质和不含蛋白质的预测模型的性能差异。在67种罕见病和常见病中，添加5-20个蛋白质的临床模型显著改善了预测能力（C指数的中位增加值为0.07，范围为0.02-0.31）。对于67种疾病中的52种，基于蛋白质特征的模型相较于传统血液化验的临床模型获得了更高的似然比（Likelihood Ratio，LRs），其范围为0.13-5.17。

临床模型的优化

在临床模型（黑点）上添加5-20个蛋白质（彩点）显著提升了C指数。这些研究所报道的蛋白质特征筛查指标在诊断测试中表现优异，甚至在52种疾病中超过了现有的血液测试。其中具有强特异性的预测蛋白模型，揭示了与疾病风险相关的潜在途径。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）成为多发性骨髓瘤和单克隆性淋巴瘤患病风险增加的强有力的特异性预测因子。此外，与传统的“静态”多基因风险评分相比，循环蛋白特征由于其动态特性，能更好地反映环境暴露的风险变化，因此展现出更优的预测性能。

本研究展示了AG百家乐在生物医疗领域的前沿应用，帮助提升疾病的早期预测能力，并为临床决策提供了更精准的数据支持。