复旦大学附属华山医院郁金泰教授团队，一年10篇顶刊！他们是怎么把UKB和孟德尔随机化用到极致的？

核心发现：研究利用5万余名参与者的数据，系统描绘了不同部位慢性疼痛的血浆蛋白质组特征，发现免疫和代谢通路在疼痛发生中起关键作用。利用机器学习构建的模型能够有效区分疼痛患者，并预测未来10年疼痛范围扩大的风险。孟德尔随机化验证了TNF、CD74等蛋白在慢性疼痛中的因果地位。

核心发现：研究发现在阿尔茨海默病确诊前15年，CEND1、GFAP、NEFL和SYT1等蛋白水平即开始升高，且随病程进展持续上升，反映了早期的突触和神经元损伤。研究描绘了从细胞外基质、免疫反应到最终神经元丢失的病理演变时序。遗传学分析支持了CEND1和SYT1与疾病的因果联系，为早期干预提供了新视角。

核心发现：这是一项连接外周血与中枢神经系统的创新研究。团队整合了脑影像数据与血浆蛋白质组数据，鉴定出与大脑灰质体积、白质微结构等特征显著相关的上千种蛋白。中介分析进一步揭示，大脑结构改变是部分血浆蛋白影响精神健康的关键中间路径，为理解脑与身体的相互作用提供了分子基础。

核心发现：研究证实身体虚弱是痴呆、帕金森病、抑郁症等多种神经精神疾病的风险因素。通过多组学分析，揭示了大脑结构改变（如额叶萎缩）和外周炎症生物标志物（如GDF15）在虚弱导致脑疾病过程中的中介作用，强调了早期干预虚弱对脑健康的重要性。

核心发现：研究识别出227种与生物学年龄、健康寿命等衰老表型相关的血浆蛋白。通过动态轨迹分析，揭示了生物衰老并非线性过程，而是在41岁、60岁和67岁呈现出显著的蛋白组学波动峰值。孟德尔随机化支持了CXCL13、IGFBP4等蛋白在衰老过程中的因果驱动作用。

核心发现：针对帕金森病早期诊断困难的痛点，研究分析了5万余人的血浆蛋白质组数据，锁定了38种与发病风险相关的蛋白。研究揭示了脂质代谢功能障碍早在确诊前15年就已显现。通过机器学习构建的预测模型，结合NEFL、VGF等关键蛋白与人口学特征，在预测未来5年发病风险方面表现优异。孟德尔随机化分析进一步提示了ITGAM和EGFR在发病中的潜在因果作用。

核心发现：该研究在长达14.5年的随访中，系统筛选出157种与抑郁症发病相关的血浆蛋白。研究发现，GDF15、TNF等与免疫炎症反应密切相关的蛋白水平升高显著增加抑郁风险。通过孟德尔随机化，研究确认了BTN3A2蛋白与抑郁症的因果关联。此外，研究还揭示了这些蛋白变化与大脑结构改变及童年创伤等环境应激因素的紧密联系。

核心发现：该研究采用广曝光体关联研究策略，系统扫描了数百种环境和生活方式因素与认知功能的关联。结合孟德尔随机化，筛选出教育程度、握力、电脑使用等与认知功能存在潜在因果关联的关键变量，并量化了健康生活方式对降低痴呆风险的综合效应。