一次装下三千个蛋白：血浆蛋白质组学正在把"标志物发现"变成"风险评分"

导语
长期以来，临床上一个生物标志物往往对应一次免疫检测；一次抽血测上三五个蛋白，已经算得上"套餐"。而过去三年，一类以"千"为单位的高通量血浆蛋白质组学平台，把同一份血浆里的近三千个蛋白一次性读出。真正让这件事从"技术演示"变成"研究基础设施"的，是英国生物样本库药企蛋白质组学计划（UK Biobank Pharma Proteomics Project，UKB-PPP）。2026 年，基于这套数据的疾病风险评分与药靶发现开始成批出现——它正在改变生物标志物从发现到验证的整条路径。

一、UKB-PPP 究竟做了什么

• 由 13 家跨国药企与 UK Biobank 合作，使用 Olink Explore 平台测量了 54,219 名参与者的血浆蛋白质组，覆盖约 2,923 个蛋白、横跨主要生物学通路。
• 2023 年 10 月，两篇论文同期发表于《自然》（Nature）：
• Sun 等（Nature 622:329–338）构建血浆蛋白的遗传图谱，鉴定 14,287 个蛋白数量性状位点（pQTL），其中约 81% 为首次发现；约 83% 的被测蛋白至少有一个 pQTL，约 67% 存在 cis 关联（遗传变异位于该蛋白编码基因附近）。
• Dhindsa 等（Nature, 2023）在 49,736 人上分析罕见编码变异，发现 5,433 个罕见基因型—蛋白关联，其中约 81% 未被同队列的全基因组关联研究（GWAS）检出；STAB1、STAB2 成为多效性位点，分别关联 77 个和 41 个蛋白。
• 数据开放：汇总统计（summary statistics）通过 Synapse（syn51364943）与 AWS Open Data 向全球研究者开放。

在 UKB-PPP 之前，血浆蛋白组学更多是"单中心、小样本、一次测几十到几百个蛋白"的模式。样本量小意味着统计效能不足，平台不统一意味着研究之间难以互相比较，而最关键的一点是：找到的蛋白与疾病之间往往只是相关，无法判断谁先谁后。UKB-PPP 把规模、标准化与遗传学工具同时补上，才让"大规模蛋白因果推断"真正成为可能。

通俗解释：cis-pQTL 可以理解为"这个蛋白的天然旋钮"——因为变异就落在它自己的基因上，用它做孟德尔随机化（Mendelian randomization，MR），就能在不做临床试验的前提下，近似推断"把药物靶点调低或调高会产生什么后果"。

二、为什么 pQTL 对药企重要

• 因果方向的检验：孟德尔随机化把遗传变异当作"天然的随机分组"，以 cis-pQTL 为工具变量，检验"蛋白水平→疾病"的因果方向，可在立项阶段筛掉伪靶点，为靶点验证补上一份人类遗传学证据。
• 检测特异性的佐证：cis-pQTL 的存在，反过来也支持"确实测对了这个蛋白"，对抗体类检测的特异性验证很有价值。
• 通路扰动与互作：trans-pQTL（变异远离该蛋白编码基因）能揭示蛋白—蛋白互作与通路扰动，例如 ABO 血型对消化道组织富集蛋白的远端影响。
• 外推到更多终点：Sun 等以 PCSK9 等靶点为例，说明遗传代理的蛋白效应可以外推到更多临床终点，模拟药物靶点在试验中的表现。
• 一条可复用的发现流水线：同一位点既有 cis-pQTL、又能在前瞻队列中重复出与疾病的关联，这样的蛋白才是最有希望进入检测开发或药物立项的候选。UKB-PPP 提供的是这条流水线的起点样本量与公开工具。

三、2026 年：从"关联"到"能用的评分"

这套资源的价值，正体现在把它当作基础设施的具体研究上。

• 心脏性猝死：在 52,705 人、1,459 个血浆蛋白上，用 lasso 惩罚的 Cox 回归构建了由 64 个蛋白组成的风险评分（含 LTBP2、PTPRS、SPON1）。评分每升高 1 个标准差，猝死风险 HR 为 2.60（95% CI 2.12–3.18）；在临床风险因素基础上加入该评分，C-index 提升 0.063（95% CI 0.037–0.105），10 年 5% 风险阈值下风险重分类达 16.9%。（Heart Rhythm, 2026-03-02）
• 青光眼：以 2,923 个蛋白做孟德尔随机化与贝叶斯共定位，识别 26 个与青光眼存在潜在因果关联的血浆蛋白，其中 6 个为新发现（COL24A1、KAZALD1、EBAG9、CSNK1D、AZI2、AXIN1）；EFEMP1 在前瞻队列中与发病显著相关（HR 1.61，95% CI 1.29–2.00）。（IOVS, 2026-02-02）
• 肺癌早筛：用机器学习对蛋白基因组数据建模，诊断前 0–4 年的 AUC 中位数为 0.85–0.88、5–9 年为 0.81–0.84；识别 22 个疾病相关蛋白，其中 14 个已有文献支持（含 CEACAM5、CXCL17、GDF15、WFDC2）。（Communications Medicine, 2026-03-13）
• 性别差异：在脂质代谢性状上做性别特异的孟德尔随机化，发现 83 个仅女性显著、82 个仅男性显著的因果关联，其中 46% 在混合性别分析中无法检出。（Biology of Sex Differences, 2026）

把这几项研究放在一起看，会发现一个共同的方法学骨架：先用大规模蛋白组数据找出候选，再用孟德尔随机化或共定位判断因果方向，最后在前瞻队列中验证预测能力。蛋白组数据在这里扮演的角色是双重的——既是"发现工具"，也是"因果证据"。

四、三条技术路线怎么选

• Olink PEA（邻近延伸分析）：抗体对结合寡核苷酸读出，特异性好，且有大量 cis-pQTL 佐证，适合大队列与靶向面板。
• SomaScan（适配体）：通量高、动态范围宽，适合发现阶段，但需留意适配体特异性与平台间可比性。
• 质谱（如 DIA 数据非依赖采集）：无偏，可发现新蛋白与翻译后修饰，深度与通量的权衡仍是主要矛盾，但近年通量提升明显。
• 实操建议：① 用同一平台、同批次参考样本做跨批归一化；② 发现阶段用高通量平台，验证阶段换到靶向免疫分析（如单分子免疫分析）；③ 报告结果时同时给出效应量与置信区间，避免只讲 P 值；④ 关注样本采集与保存时间对蛋白稳定性的影响。

需要提醒的是，不同平台测到的蛋白集合并不完全重合。同一份血浆用 PEA 与适配体平台测量，结果往往存在系统性差异，这既来自抗体／适配体的亲和特性，也来自各自的归一化策略。做跨平台整合时，最好保留平台标识，不要默认数值可以直接比较。

五、结论

• 对生物标志物与 IVD 团队：值得把 UKB-PPP 的公开汇总统计当作立项前的"因果预筛"资源——先用孟德尔随机化判断靶点方向，再决定是否投入检测开发，可以少走弯路。
• 对药企研发：蛋白质组学正在从"组学描述"变成"人类遗传学证据的一部分"，与孟德尔随机化联用，有望提高靶点成功率。
• 对 CRO/CDMO 与检测服务方：市场对大队列蛋白质组学的需求，正从单纯的"测序／检测服务"走向"检测＋分析＋遗传学解释"的打包交付。能把 pQTL 分析与孟德尔随机化解释写进交付物的团队，议价能力更强。
• 仍存的边界：孟德尔随机化的因果假设、不同平台间的可比性，以及从风险评分到临床效用之间，那道必须靠前瞻试验跨过的门槛。

参考资料

1. Sun BB, Chiou J, Traylor M, et al. Plasma proteomic associations with genetics and health in the UK Biobank. Nature 622, 329–338 (2023). https://doi.org/10.1038/s41586-023-06592-6
2. Dhindsa RS, Burren OS, Sun BB, et al. Rare variant associations with plasma protein levels in the UK Biobank. Nature (2023). https://doi.org/10.1038/s41586-023-06547-x
3. Park H, Kim D, Jang E, et al. Proteomic signatures for sudden cardiac death and related intermediate phenotypes. Heart Rhythm (2026). https://doi.org/10.1016/j.hrthm.2026.02.039
4. Xu J, Gao Y, Yu J, et al. Large-Scaled Proteomics Analysis for Glaucoma: Integrated Genetics, Multi-Omics, UK Biobank and Therapeutic Analysis. Investigative Ophthalmology & Visual Science 67(2):4 (2026). https://doi.org/10.1167/iovs.67.2.4
5. Machine learning-based proteogenomic data modeling identifies circulating plasma biomarkers for early detection of lung cancer. Communications Medicine (2026). https://doi.org/10.1038/s43856-026-01500-1
6. Zanetti D, et al. Exploring sex-specific causal links between thousands of proteins and lipid metabolism using the UK Biobank Pharma Proteomics Project data. Biology of Sex Differences (2026). https://doi.org/10.1186/s13293-026-00934-5
7. UK Biobank Pharma Proteomics Project 开放数据资源. https://registry.opendata.aws/ukbppp/

本文引用的论文数据均来自公开摘要与期刊信息，具体数值以原文为准；不构成投资建议。