许多疾病由于缺乏客观的生物标志物导致诊断延迟，国外研究团队利用来自英国生物银行（UK Biobank）约3000种血浆蛋白质组学数据，结合临床信息，通过整合血浆蛋白质组学数据与临床信息来提高常见病和罕见病风险预测的能力，开发了预测模型来预测218种常见和罕见病的10年发病率。

研究共纳入41931个个体，共涉及218种疾病，病例数范围从81到6038例不等。利用预测模型（模型可能只包含5到20种蛋白质），将蛋白质组学数据模型与仅使用基本临床信息的模型以及使用临床信息加上37项临床检测数据的模型进行了比较。

主要发现

    预测性能: 包含少量蛋白质（5-20种）的模型在67种病理多样化的疾病中比仅使用基本临床信息的模型表现更好，中位数ΔC指数为0.07（范围0.02-0.31）。

    超越临床模型: 对于52种疾病，包括多发性骨髓瘤、非霍奇金淋巴瘤、运动神经元病、肺纤维化和扩张型心肌病，蛋白质组学模型的表现超过了包含基本临床信息和临床检测数据的模型。

    单细胞RNA测序: 在新诊断的多发性骨髓瘤患者中，单细胞RNA测序显示5种预测蛋白质中有4种在浆细胞中特异性表达，这与这些蛋白质的强大预测能力相一致。

    外部验证: 在EPIC-Norfolk研究中的外部复制显示，对于测试的6种疾病，蛋白质组学模型具有良好的可推广性。

蛋白质组学数据可以提供对疾病早期阶段的洞察，可能有助于早期诊断和预防，研究中确定的一些蛋白质是疾病特异性的，而有些则在几种疾病中共享。蛋白质组学技术的进步使得大规模筛查成为可能，这对于常见和罕见病的早期检测非常重要。

研究展示了血浆蛋白组学标志物在常见病和罕见病风险预测中的临床实用性，这些标志物包括疾病特异性蛋白质和跨多种疾病预测共享的蛋白质。通过整合蛋白质组学数据，研究人员能够开发出优于传统临床模型的风险预测模型。

 

参考文献：

Julia, Carrasco-Zanini,Maik, Pietzner,Jonathan, Davitte et al. Proteomic signatures improve risk prediction for common and rare diseases.[J] .Nat Med, 2024, 0: 0.