UBK研究是一个基于大规模人群的队列研究，旨在深入探索生物医疗领域。该研究于2006年至2010年（基线评估）期间招募了约50万名年龄在40岁至59岁之间的英国参与者。参与者的表型和基因数据包含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，以及全基因组基因分型、外显子组和基因组测序，这为更加准确的医疗预测奠定了基础。

在UKB-PPP项目中，大约54,000名UKB参与者的EDTA血浆样本接受了蛋白组学分析。研究设计包括三个关键要素：(1)涉及46,595人的随机子集；(2)对基线评估样本进行蛋白质组学分析的6,356名UKB-PPP联合体成员；(3) 1,268名参与COVID-19成像研究的志愿者，并在多次访问中进行了重复成像分析。

本研究通过随机挑选41,931名参与者，利用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，并验证了含蛋白和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，添加5-20个蛋白显著改善了临床模型（C指数的中位增加值=0.07，范围=0.02-0.31）。在67种疾病中，有52种的蛋白特征模型相比传统血液化验的临床模型表现出更高的似然比（Likelihood Ratio, LRs），范围为0.13-5.17。

在临床模型（黑点）中添加5-20个蛋白质（彩点）能有效改善C指数，这表明针对多种疾病的蛋白质预测能力优于单一疾病的模型。研究所报道的蛋白特征筛查指标，能够与目前用于诊断测试的血液检测相媲美，甚至在52种疾病中超过了它们。这些特异性强的预测蛋白模型，还揭示了导致疾病风险的潜在途径。

举例而言，在确诊前10年，血浆中较高水平的TNFRSF17和TNFRSF13B（BAFF和APRIL的受体）被证明是多发性骨髓瘤和单克隆性淋巴瘤的强有力特异性预测因子。此外，与“静态”性质的多基因风险评分相比，动态的循环蛋白特征能够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。

通过此项研究，尊龙凯时人生就博致力于推动生物医疗领域的创新，帮助研究人员和医疗专业人士更准确地预测和应对各种疾病。未来的研究将继续致力于利用这些蛋白质偏好，为个体化医疗服务提供更为强有力的支持。