系统性研究了218种不同疾病的10年预测模型，其潜力超过基于常规检验和多基因风险评分模型； 确定了每个疾病的特异性蛋白标志物，与各种疾病共有的标志物相比，这些特异性标志物指向了潜在的病因机制； 确定了蛋白组特征对疾病筛选指标是否达到或超过当前临床实践中使用的血液化验指标。
UBK研究是一项基于大规模人群的队列研究，在 2006 年至 2010 年（基线评估）期间招募了约 50 万名年龄在 40 岁至 59 岁之间的英国参与者。参与者的表型和基因数据均可深入了解，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、外显子组和基因组测序。
UKB-PPP对约 54,000 名 UKB 参与者的 EDTA 血浆样本进行了蛋白组学分析。研究设计包括三个要素：(1) 46,595 人的随机子集；(2) UKB-PPP 联合体成员选择的 6,356 人，对基线评估的样本进行蛋白质组学分析；(3) 1,268 人参加了 COVID-19 成像研究，并在多次访问中重复成像。
作者在 UKB-PPP 中随机挑选了41,931名参与者，使用 Olink Explore对 2,923 种蛋白质的检测结果开发了 218 种疾病的预测模型，同时验证和比较了含蛋白和不含蛋白的预测模型性能差异。
在 67 种罕见病和常见病中，添加 5-20 个蛋白可显著改善临床模型（C指数的中位增加值 = 0.07，范围 = 0.02-0.31）。对于 67 种疾病中的 52 种，与使用血液化验的临床模型相比，基于蛋白特征模型获得了更高的似然比（Likelihood Ratio, LRs）（范围为 0.13-5.17）。
在临床模型（黑点）上添加5-20个蛋白质（彩点）可改善C指数
● 具有多种疾病和单一疾病预测能力的蛋白
预测多种疾病的蛋白质
预测单一疾病的蛋白质
研究中报道的蛋白特征筛查指标可与目前用作诊断测试的血液测试相媲美，甚至在52种疾病中超过它们。其中特异性强的预测蛋白模型，还指出了导致疾病风险的潜在途径。比如确诊前 10 年，血浆中较高水平的 TNFRSF17 和 TNFRSF13B（BAFF 和 APRIL 的受体）分别是多发性骨髓瘤和单克隆性淋巴瘤病患病风险增加的强有力的特异性预测因子。同时与“静态 ”性质的多基因风险评分相比，循环蛋白特征动态性质能反映环境暴露的风险变化，因此表现出更优的预测性能。
1. Carrasco-Zanini, J. et al. Proteomic signatures improve risk prediction for common and rare diseases. Nature Medicine (2024). https://doi.org/10.1038/s41591-024-03142-z
Olink Proteomics
Part of Thermo Fisher Scientific
Olink Proteomics创立于瑞典乌普萨拉，致力于突破蛋白检测在“多重能力/特异性”、“灵敏度”和“检测通量”等方面的综合瓶颈，进而实现超灵敏多重蛋白标志物检测、无偏靶向蛋白质组学和精准蛋白组学，以帮助蛋白标志物的发现、药物研发、转化医学、以及让“多组学整合”真正切实可行。
具体来说，我们基于专利PEA技术，秉承严谨和透明的科学精神，开发并充分验证了一系列开创性的Olink Panel。
这些Panel可赋能科学家，通过在1-6µl体液中精确检测15-5400+种生物标志物，更加充分地理解实时生物学。从而，借助多组学发现pQTL等创新药物靶点；筛选更好的疾病预测和预后标志物；理解药物作用的MoA, Safety, PK, PD, Dose；拓展已上市药物的适应症；开发伴随诊断；加速药物研发进程，降低药物研发成本；同时促进从临床科研到临床应用的转化；提高肿瘤等疾病早筛方法的灵敏度和特异性，并最终达致精准医学。
Olink现已覆盖100%主要信号通路，实现生物学意义上的超灵敏无偏靶向蛋白组学（兼容各种样本类型，对传统方法无法胜任的血浆血清等体液样本尤其适用）。
官网：https://www.olink.com
电话：+86 21 5077 8771
邮箱：China@olink.com
地址：上海市浦东新区沪南路2157弄2号1011室
