总结 该研究基于长读长组装参考面板，在 54,306 名 UK Biobank 参与者中插补了 54,578 个通用结构变异（SV）和 15,826 个可变数目串联重复（VNTR），系统解析其对 2,923 种血浆蛋白丰度的影响，构建了 SV/VNTR-蛋白质组图谱。这是将大规模基因组结构变异与人群血浆蛋白组连接的重要资源型工作，揭示了 SV/VNTR 通过调控元件、TAD 边界和转录后机制影响复杂性状与疾病的机制。

核心方法 采用长读长组装构建的参考面板进行 SV 和 VNTR 插补，在 UKB 大队列中做 SV/VNTR 与 2,923 种血浆蛋白的关联分析（pQTL 式扫描），并结合基因表达与复杂性状 SV 关联数据做整合分析。通过遗传力分解评估 SV/VNTR 对蛋白丰度变异解释度，并区分独立于小变异的关联信号。

数据与代码可用性 摘要未提及数据或代码公开情况，但基于 UK Biobank 的插补面板和汇总统计通常可通过申请获取（UKB 需单独申请），SV 参考面板可能随论文补充材料或 GitHub 发布。目前仅凭摘要无法判断能否直接拿来用，需查看全文的 Data/Code Availability 部分；若面板和汇总统计公开，则对人群多组学建模有直接复用价值。

局限 仅基于 UK Biobank 欧洲人群，跨人群（尤其东亚/中国人群）可迁移性未知；仅覆盖血浆蛋白组，未涉及其他组学模态；SV/VNTR 插补依赖参考面板质量，罕见 SV 和复杂 VNTR 可能仍被低估；关联分析以统计推断为主，缺乏实验验证。

对「人群队列 + 多组学 → 临床」的启发 该工作直接对应画像应用线第 2 条（人群队列 + 多组学 → 临床），其 SV/VNTR-蛋白组关联框架可迁移到 ChinaHEART 队列：若后续有血浆蛋白组和遗传数据，可尝试用类似插补+关联策略挖掘中国人群特有的 SV-pQTL，并评估其对心血管病风险预测的增量价值。同时，该研究提示在 UKB 等公共队列上先做方法 demo、再迁移到 ChinaHEART 的路径可行，符合画像中「公共队列方法迁移到 ChinaHEART」的策略。

总结 这篇预印本在 UKB（n=53,026）上用 Olink 蛋白组为 15 种疾病训练风险预测模型，平均 AUC 0.74，并首次在 FinnGen 与 All of Us 两个外部队列上系统评估跨队列泛化性。核心结论是蛋白组风险模型大体可迁移（多数疾病无显著性能下降），跨队列差异主要来自表型定义质量而非人群或平台差异。

核心方法 对 15 种疾病分别训练患病（分类）与 5 年发病（预测）模型，比较 L2 等简单模型与 transformer 等复杂架构，并纳入临床变量作基线对照。在 FinnGen（n=5,865）和 All of Us（n=7,405）上做外部验证，跨两个 Olink 平台，并校正人口学、祖源与技术协变量以定位性能变异来源。

数据与代码可用性 摘要未提及代码或模型权重是否公开，需查正文/补充材料确认；数据本身受 UKB、FinnGen、AoU 各自受控访问协议约束，不能直接下载。可复用的线索是：Olink 蛋白组 + 疾病表型 + 外部验证这套流程设计，以及"表型定义质量决定泛化性"这一可迁移结论，方法层面可自行复现。

局限 仅覆盖 15 种疾病，外部队列样本量（5,865 / 7,405）远小于 UKB，事件数可能限制部分疾病的验证效力。摘要未说明是否做时间外部验证、是否纳入遗传/多组学信息，也未给出表型质量的具体量化指标，因此"表型定义是主因"目前是关联性推断而非因果证明。

对「人群队列 + 多组学 → 临床」的启发 直接对应应用线 2（UKB 等公共队列方法迁移到 ChinaHEART 心血管队列）：可把"UKB 训练 → 外部队列验证 → 校正协变量定位差异来源"作为 ChinaHEART 蛋白组/代谢组风险模型的模板，并优先在 ChinaHEART 上做表型定义标准化（统一 ICD 映射、随访窗口、事件裁定），因为该文提示表型质量而非人群差异才是泛化瓶颈。同时可借鉴其"简单模型不输复杂模型"的结论，在 ChinaHEART 上先以 L2/弹性网建立基线，再评估深度模型的增量价值，避免过早投入复杂架构。

NMR 代谢组学用于心血管-肾脏-代谢风险分层：深读笔记

总结 该研究在 54,933 名美国整合医疗系统参与者中检测 250 个 NMR 代谢标志物，并将其加入标准临床预测因子，评估对九类心血管-肾脏-代谢（CKM）疾病终点的预测增益。结果显示 NMR 显著提升几乎所有终点的判别能力，尤其在 2 型糖尿病、慢性肾病和 MASLD 上增益最大，且在校准、高危富集和决策曲线净获益上均表现良好。整体结论是 NMR 代谢组可作为跨 CKM 连续谱的统一风险分层工具，并能与纵向临床信息整合。

核心方法 基于真实世界整合医疗系统的 EHR 纵向数据，对 54,933 人做 250 项 NMR 代谢标志物检测，构建"标准临床预测因子 + NMR"的增强模型，对九类 CKM 终点做判别、校准、高危富集与决策曲线分析。额外做了跨人口学、人体测量和遗传风险分层的亚组评估，并检验对疾病并发症和跨器官结局的预测能力。

数据与代码可用性 摘要未提及数据或代码的公开获取途径，仅说明样本来自某整合医疗系统的参与者队列，属于机构内部数据。能否直接拿来用：不能直接复用数据；需要联系作者或所属机构确认是否有受控访问（dbGaP/机构 IRB 申请）渠道，代码可用性也需向通讯作者（Krumsiek 组）确认。作为方法学参考可用，作为数据资源不可直接用。

局限 摘要未披露随访时长、终点定义细节、NMR 平台型号与批次效应处理，也未说明外部验证队列情况，因此跨人群（尤其东亚/中国人群）的可迁移性未知。此外，NMR 代谢组本身覆盖的分子种类有限（相对质谱蛋白组/代谢组），对机制解释和药物靶点发现的深度可能不足；真实世界医疗系统的选择偏倚也可能影响泛化。

对「人群队列 + 多组学 → 临床」的启发 直接对应画像应用线第 2 条（人群队列 + 多组学 → 临床，UKB 方法迁移到 ChinaHEART）。可执行动作：把该文的"标准评分 + 组学增强 + 校准/决策曲线/高危富集"评估框架，原样搬到 ChinaHEART 的血浆蛋白组/Olink 或代谢组数据上，先复现其对 T2D/CKD/MASLD 的增益模式，再检验对冠心病/心衰/房颤/卒中的增益是否成立；同时把"增益在标准预测最弱处最大"这一发现作为分层富集策略，用于设计筛查—干预闭环。若 ChinaHEART 后续有遗传数据，可参照其遗传风险分层亚组分析，做 PRS × 代谢组的交互增益评估，为跨人群校准与迁移提供基线。

总结 该研究在 409,206 名 UK Biobank 参与者中，用 NMR 代谢组、Olink 蛋白组和临床表型为 14 个器官分别构建多组学衰老时钟，发现"年龄加速"与"死亡风险"是器官衰老的两个可分离维度，具有不同的表型、分子和遗传结构。作者进一步用非重叠验证队列（383,227 人）、双向孟德尔随机化和多层基因优先级排序，提名了 13 个候选基因。

核心方法 按器官分别训练多组学 aging clock，并同时以"器官特异性死亡"和"全因死亡"两个目标评估年龄加速，通过特征消融 GWAS 拆解出 NMR 依赖、血浆蛋白直接、临床生化介导三层分子通路。方法学关键在于"多目标 + 器官分辨"的建模范式，以及用前列腺癌信号被全因死亡训练掩盖的"前列腺悖论"证明单目标时钟会系统性丢失生物学信息。

数据与代码可用性 摘要未提及代码或数据仓库，仅说明使用 UK Biobank 数据（需申请获取），且本文为 Research Square 预印本（rs-10881849/v1），尚未见同行评审版本。因此不能直接拿来用；可行线索是按作者名（Na R, Shi C 等）追踪其 GitHub/Zenodo，或等正式发表后查 Data/Code Availability 部分，方法本身可参照复现。

局限 仅为预印本，结论未经同行评审；全部基于 UK Biobank（欧洲人群为主），跨人群（尤其东亚/中国队列）的校准与迁移未知；摘要未报告时钟的具体性能指标、模态缺失处理策略和外部验证细节；13 个候选基因尚属优先级排序，缺乏功能实验验证。

对「类器官多模态健康衰老模型」的启发 该文的"多目标、器官分辨"思路可直接迁移到应用线 1：合作方的类器官多模态数据不应只训练单一"衰老/年龄"目标，而应同时建模"年龄加速"与"功能衰退/死亡等效终点"两个维度，并按器官/类器官类型分别建 clock 再整合，这正好对应画像中"每模态独立训练再整合"的备选路线。其"特征消融 GWAS 拆解分子层"的做法也可改造为类器官扰动实验的分析框架——用模态消融（蛋白组 vs 代谢组 vs 表型）识别哪一层携带衰老信号，从而指导后续该补哪种模态（如甲基化、空转）。此外，其"单平台设计会系统性漏掉互补生物学"的结论，为向合作方论证"必须做多模态而非只做转录组"提供了直接论据。