2、Olink + 队列研究
研究框架

研究背景
当前 ASCVD 风险评估模型难以精准识别复发高风险患者,亟需更优化的分层策略。基于机器学习算法的高通量血浆蛋白质组学分析,为提升风险分层效能提供了新思路。
研究方法
运用 Olink 蛋白组学技术,对 1570 例确诊动脉疾病患者的双队列进行分析,筛选预测 ASCVD 复发事件的蛋白标志物。
研究发现
- 鉴定出 50 个蛋白标志物,其预测效能显著优于传统临床风险模型。
- 蛋白质组学模型在发现队列与验证队列中均表现出更高的鉴别能力,AUC 提升显著。
- 在低 CRP 患者中发现中性粒细胞相关通路,提示存在 NLRP3 通路以外的残余炎症风险。
3、Olink+RNAseq + 免疫组化
研究框架

研究背景
免疫检查点阻断剂(ICBs)在肿瘤治疗中应用广泛,但应答率有限,亟待发掘可靠的耐药生物标志物以优化治疗决策。
研究方法
- 分析两个前瞻性队列(发现队列 n=95,验证队列 n=292)中 ICB 治疗前的血浆样本蛋白组。
- 采用 Cox 比例风险模型,关联蛋白血浆水平与临床获益率、无进展生存期及总生存期。
研究发现
- 无偏 Olink 蛋白组学分析显示,基线白血病抑制因子(LIF)水平升高与 ICB 治疗患者的不良预后独立相关。
- 循环 LIF 水平与肿瘤微环境中三级淋巴结构的存在呈负相关。
- 该发现为 LIF 作为抗肿瘤免疫抑制因子提供了临床证据,提示靶向 LIF 通路可能增强 ICB 疗效。
4、研究范式总结
综上,本次梳理了 Olink 蛋白组学的三类典型研究范式:「Olink 发现 + ELISA 验证」聚焦标志物筛选与验证,「Olink + 队列研究」依托大样本提升预测效能,「多组学联合分析」则通过蛋白组与转录组、病理检测的整合深化机制解析。







