Fünf bis zwanzig Proteine im Blut und das Risiko für 218 Krankheiten

Wenn man tausende Proteine in einer einzigen Blutprobe messen könnte: Würde das besser als die üblichen Fragen und Tests einer Ärztin sagen, wer in den nächsten zehn Jahren eine bestimmte Krankheit entwickelt? Und für welche Krankheiten? Die Forschenden stellten diese Frage für 218 Krankheiten zugleich, häufige und seltene, und bestanden auf einem fairen Vergleich: gegen das, was ein Hausarzt ohnehin weiss (Alter, Geschlecht, Gewicht, Rauchen, Familiengeschichte), und gegen 37 gewöhnliche Bluttests.

Die UK Biobank ist eine Gruppe von rund einer halben Million britischer Erwachsener, bei der Aufnahme 40 bis 69 Jahre alt, die über ihre Gesundheitsakten begleitet werden. Bei einem Teil von 41'931 Personen waren in einer bei der Aufnahme entnommenen Blutprobe rund 3'000 Proteine gemessen worden, im Rahmen eines von einem Konsortium pharmazeutischer Unternehmen finanzierten Projekts. Die Forschenden bauten für jede der 218 Krankheiten ein Modell, das eine Handvoll Proteine (zwischen 5 und 20, automatisch ausgewählt) zu klinischen Basisinformationen hinzufügt, und massen, wie gut es Menschen nach ihrer Chance einer Diagnose innerhalb von zehn Jahren ordnet. Der Massstab ist der C-Index: 0,5 bedeutet Raten, 1 perfekte Ordnung. Jedes Modell wurde an einem Teil der Daten trainiert und an einem zurückgehaltenen Teil geprüft. Für sechs Krankheiten wurden die Modelle dann in einer anderen britischen Kohorte, EPIC-Norfolk, erprobt.

Klinische Basisinformation allein ergab über die Krankheiten einen medianen C-Index von 0,64. Das Hinzufügen von 5 bis 20 Proteinen verbesserte die Ordnung für 67 der 218 Krankheiten, im Median um 0,07 Punkte (je nach Krankheit 0,02 bis 0,31). Die grössten Gewinne gab es bei Krankheiten des Blutes und des Immunsystems, etwa beim multiplen Myelom (+0,25) und bei Zöliakie (+0,31), sowie bei Motoneuronerkrankung, Lungenfibrose und dilatativer Kardiomyopathie. Bei 52 dieser 67 Krankheiten schlugen die Proteinmodelle auch Modelle mit 37 Standard-Bluttests. Für die meisten der 67 reichten fünf bis zehn Proteine; mehr half nicht. Genetische Risikoscores verbesserten die Vorhersage dagegen nur für sieben Krankheiten und deutlich weniger. In der zweiten Kohorte bestätigte sich die Verbesserung bei fünf der sechs geprüften Krankheiten. Die Beobachtung ist der Gewinn in der Ordnung; die Deutung der Autorinnen und Autoren: Kleine Proteinpanels könnten für ausgewählte Krankheiten zu bezahlbaren Tests werden, und krankheitsspezifische Proteine weisen auf deren Biologie hin.

Die Grösse des Gewinns lässt sich leicht überschätzen. Eine mediane Verbesserung von 0,07 im C-Index bedeutet, dass das Modell Menschen etwas besser ordnet; es bedeutet nicht, dass es ihr Schicksal vorhersagt. Für 151 der 218 Krankheiten gab es überhaupt keinen signifikanten Gewinn, und die Autorinnen und Autoren sagen, die Verbesserung sei bei selteneren Krankheiten mit klarerer Biologie im Allgemeinen grösser als bei häufigen komplexen wie Herzinsuffizienz oder Typ-2-Diabetes. Die Studie berichtet keine Zahlen zur Kalibrierung (ob ein vorhergesagtes Risiko von 10 % bedeutet, dass wirklich 10 von 100 erkrankten) und unternimmt keinen Versuch zu zeigen, dass das Handeln auf Basis dieser Vorhersagen jemandem hilft.

Für die Prävention liegt der Wert der Studie darin, zu zeigen, wo man hinschauen sollte. Zu wissen, dass wenige Proteine ein multiples Myelom oder eine Zöliakie Jahre im Voraus anzeigen, deutet an, wo eine frühere Diagnose möglich sein könnte; ob das frühere Finden dieser Menschen ihren Verlauf verändert, ist eine andere Frage, die eigene Studien braucht. Für Krankheiten mit belegter Lebensstilprävention wie Typ-2-Diabetes zeigt diese Studie nicht, dass eine Proteinsignatur bei der Auswahl der zu Behandelnden helfen würde.

Bezug zum Digitalen Zwilling: nicht als Daten, die der Zwilling heute liest (diese Proteine erfordern eine Laborplattform auf Forschungsniveau), sondern als Landkarte. Sie sagt, welche Krankheiten ein kleines Proteinpanel eines Tages anzeigen könnte und welche nicht, und sie setzt die Messlatte, die jedes neue Signal überwinden muss: besser als das, was eine Ärztin bereits weiss, und besser als gewöhnliche Bluttests. Sollten solche Panels als klinische Tests verfügbar werden, wären ihre Ergebnisse ein weiterer datierter Eintrag in der Akte einer Person. Die Studie mass jede Person einmal; über den Verlauf von Proteinen im Zeitverlauf sagt sie nichts.

Sie liefert keinen Test: Die Proteinpanels existieren als Forschungsmodelle, nicht als Assays, die eine Klinik bestellen kann, und die Autorinnen und Autoren nennen als erste Einschränkung selbst die nötige Validierung in externen Studien, in ethnisch diversen Populationen und in Gruppen mit anderem Ausgangsrisiko; UK-Biobank-Teilnehmende sind gesünder als die Allgemeinbevölkerung. Die externe Replikation umfasste sechs Krankheiten, nicht 218. Der Zehnjahreshorizont ist der des Modells, kein Beleg, dass sich die Proteine zehn Jahre vor der Erkrankung verändern. Nichts hiervon gilt für jemanden, der seine eigenen Blutwerte liest. Mehrere Autorinnen und Autoren sind Angestellte eines Pharmaunternehmens, das die Proteinmessungen mitfinanziert hat; das steht in der Arbeit und zählt für die Lesart der Ergebnisse.

Prospektive Kohorte (UK Biobank Pharma Proteomics Project, zufällige Teilmenge) mit Ableitung sparsamer Vorhersagemodelle für die 10-Jahres-Inzidenz von 218 Krankheiten; interne Validierung an einem zurückgehaltenen Testset; externe Validierung in EPIC-Norfolk für sechs Krankheiten.

41'931 Teilnehmende (zufällige Teilmenge des UKB-PPP; die UK Biobank rekrutierte 2006–2010 Erwachsene von 40–69 Jahren); 218 Krankheiten mit > 80 Neuerkrankungen in 10 Jahren (81–6'038 Fälle); 193 Krankheiten in der zufälligen Teilmenge, 25 mit konsortiumsausgewählten Fällen. EPIC-Norfolk: Kohorte von 25'639 Personen aus Norfolk, England; n = 295–1'116 und 5–236 Neuerkrankungen pro geprüfter Krankheit.

EDTA-Plasma zu Beginn (nicht nüchtern); Olink Explore 1536 + Expansion (2'923 Proteine, 2'941 Assays, normalisierte Proteinexpression). Klinischer Vergleich: Alter, Geschlecht, BMI, selbstberichtete Ethnizität, Rauchen, Alkohol, Familiengeschichte (15 Krankheiten); zweiter Vergleich mit 37 klinischen Blutassays. Merkmalsauswahl per LASSO über 200 Teilstichproben; regularisierte Cox-Modelle mit 5-facher Kreuzvalidierung; Leistung am zurückgehaltenen Testset mit 1'000 Bootstrap-Stichproben (C-Index, Delta-C-Index mit 95-%-Konfidenzintervall, Likelihood-Ratios, Detektionsrate bei 10 % Falsch-Positiv-Rate). Polygene Scores verglichen, wo verfügbar.

Klinische Modelle: medianer C-Index 0,64 (IQR 0,58–0,72). Sparsame Proteinmodelle (5–20 Proteine) verbesserten klinische Modelle bei 67 Krankheiten (medianer Delta-C-Index 0,07, Spanne 0,02–0,31), z. B. multiples Myelom 0,25 (95-%-Konfidenzintervall 0,20–0,29), Non-Hodgkin-Lymphom 0,21 (0,14–0,28), Zöliakie 0,31 (0,21–0,38), dilatative Kardiomyopathie 0,17 (0,10–0,22), Lungenfibrose 0,09 (0,03–0,14), Motoneuronerkrankung 0,11 (0,04–0,16). Modelle mit klinischen Assays verbesserten klinische Modelle nur bei 28 Krankheiten (medianes Delta 0,08); Proteinmodelle übertrafen sie bei 52 der 67. Sättigung bei 5–10 Proteinen für 64 % der verbesserten Krankheiten; im Mittel 5,4 % C-Index-Gewinn sparsamer Signaturen gegenüber dem einzelnen besten Protein. Polygene Scores: signifikante Verbesserung nur bei 7 Krankheiten (medianes Delta 0,03 vs. 0,08 für Proteine). Externe Validierung (EPIC-Norfolk, 6 Krankheiten): C-Indizes korreliert r = 0,81, Verbesserungen r = 0,97; Verbesserung bei 5 von 6 repliziert (COPD nur bei 20-Jahres-Inzidenz). Kalibrierung in den gelesenen Abschnitten nicht berichtet. Implizites Negativergebnis: kein signifikanter Proteingewinn bei 151 von 218 Krankheiten.

PROBAST (vorläufig, am Volltext): Teilnehmende niedrig bis moderat (Effekt gesunder Teilnehmender eingeräumt); Prädiktoren niedrig (standardisierte Plattform, vor dem Endpunkt gemessen); Endpunkt niedrig bis moderat (EHR-basierte Definitionen, erste 6 Monate ausgeschlossen); Analyse niedrig (ausreichende Ereignisse pro Krankheit per Schwellenwert, penalisierte Selektion, zurückgehaltenes Testset, Bootstrap; Kalibrierung nicht berichtet). Generalisierbarkeit: überwiegend europäische Abstammung; externe Validierung auf sechs Krankheiten in einer anderen britischen Kohorte begrenzt. Berichterstattung: detaillierte Methoden; TRIPOD-Konformität hier nicht bewertet. Interessenkonflikte: mehrere Autorinnen und Autoren bei GSK angestellt, das die Proteinmessungen mitfinanzierte (Affiliationen im PubMed-Eintrag).

Potenziell, nicht belegt: Screening-Kennzahlen (Detektionsrate bei fester Falsch-Positiv-Rate) werden berichtet, aber keine Decision-Curve-Analyse, keine Wirkungsstudie und kein klinischer Assay. Die Autorinnen und Autoren sehen das Ergebnis als Grundlage für bezahlbare sparsame Panels für ausgewählte Krankheiten, die zu validieren sind.

B — Leitfaden, welche Krankheiten und welche Proteine; integrierbar erst nach Validierung für den konkreten Einsatz und mit gezielten Assays, nicht mit der ganzen Plattform. Benötigte Daten: ein gezieltes Proteinpanel aus dem Labor plus die klinischen Variablen des Vergleichsmodells.

PubMed-Eintrag und Volltext des publizierten Artikels (PubMed Central), vollständig gelesen am 5. November 2026. Ergänzende Tabellen (Listen der 67 und 52 Krankheiten, Proteinkomponenten je Krankheit) nicht eingesehen.

Bei vielen Krankheiten verzögert sich die Diagnose, weil objektive Biomarker für den Krankheitsbeginn fehlen. Hier haben wir bei 41'931 Personen des United Kingdom Biobank Pharma Proteomics Project Messungen von ~3'000 Plasmaproteinen mit klinischen Informationen verknüpft, um sparsame Vorhersagemodelle für die 10-Jahres-Inzidenz von 218 häufigen und seltenen Krankheiten (81–6'038 Fälle) abzuleiten. Wir verglichen dann Modelle auf Basis proteomischer Daten mit Modellen, die entweder nur klinische Basisinformationen oder klinische Informationen plus Daten aus 37 klinischen Assays verwenden. Die Vorhersageleistung sparsamer Modelle mit nur 5 bis 20 Proteinen war der von Modellen mit klinischen Basisinformationen bei 67 pathologisch verschiedenen Krankheiten überlegen (medianer Delta-C-Index = 0,07; Spanne = 0,02–0,31). Sparsame Proteinmodelle übertrafen zudem bei 52 Krankheiten Modelle aus Basisinformationen plus klinischen Assaydaten, darunter multiples Myelom, Non-Hodgkin-Lymphom, Motoneuronerkrankung, Lungenfibrose und dilatative Kardiomyopathie. Beim multiplen Myelom zeigte die Einzelzell-RNA-Sequenzierung aus dem Knochenmark neu diagnostizierter Patientinnen und Patienten, dass vier der fünf Prädiktorproteine spezifisch in Plasmazellen exprimiert werden, im Einklang mit der starken Vorhersagekraft dieser Proteine. Die externe Replikation sparsamer Proteinmodelle in der EPIC-Norfolk-Studie zeigte eine gute Generalisierbarkeit für die sechs geprüften Krankheiten. Diese Befunde zeigen, dass sparsame Plasmaproteinsignaturen, die sowohl krankheitsspezifische Proteine als auch über mehrere Krankheiten geteilte Proteinprädiktoren umfassen, eine klinisch nützliche Vorhersage häufiger und seltener Krankheiten bieten.