同样是60岁有的人是“免疫系统老”有的人是“神经胶质细胞老”也有人是“肌肉细胞老”。这篇文章真正有意思的地方是把衰老从一个整体年龄数字拆成了细胞类型特异性的生物年龄。更关键的是这些“细胞年龄”不是只停留在描述层面而是进一步关联到了阿尔茨海默病、ALS、肺癌、2型糖尿病和全因死亡风险。读这篇先抓住一条主线作者用血浆蛋白组和机器学习把“器官衰老时钟”进一步下沉到细胞类型层面并证明不同细胞的加速衰老对应不同疾病风险。核心线索本文基于60,542名个体、超过7,000种血浆蛋白构建40多种细胞类型的生物年龄模型提出血液中可捕捉到神经元、胶质细胞、免疫细胞、肌细胞和上皮细胞等不同细胞来源的衰老信号。文献信息项目内容标题Plasma proteomic signatures of cellular aging predict human disease中文理解本文通过血浆蛋白组、Human Protein Atlas细胞来源映射和机器学习建模构建细胞类型特异性生物年龄模型并证明特定细胞衰老状态可预测神经退行性疾病、癌症、慢病和死亡风险。期刊Nat. Med.发表时间2026年6月15日卷页32:2060–2072研究方向衰老生物学、血浆蛋白组、机器学习、生物年龄、疾病预测、预后标志物核心队列GNPC、UK Biobank、1946 NSHD、Knight-ADRC数据规模60,542名个体SomaScan 7,289种蛋白Olink 2,923种蛋白DOI10.1038/s41591-026-04446-yPMID42297981PMCIDPMC13279268代码https://github.com/dingdaisy/cellage这篇文章解决了什么问题过去几年生物年龄时钟已经从DNA甲基化、转录组、蛋白组一路发展到器官特异性衰老。比如“脑年龄”“心脏年龄”“肝脏年龄”这类指标已经能帮助解释为什么同龄人的疾病风险差异很大。但器官仍然是一个相对粗的层级。一个器官里有神经元、胶质细胞、内皮细胞、免疫细胞、成纤维细胞等多种细胞同一个器官变老可能并不是所有细胞一起同步变老。这篇文章往前推进了一步作者尝试用血浆蛋白组推断不同细胞类型的生物年龄。也就是说不需要直接取组织也可以通过血液中的细胞来源蛋白信号估计某些细胞类型是否处于“加速衰老”状态。这对临床很重要。因为如果某类细胞的衰老信号能提前预测疾病那么它就可能成为筛查、分层和干预的入口。文章摘要作者整合多个大型人群队列的血浆蛋白组数据先将血浆蛋白映射到Human Protein Atlas定义的细胞类型来源再用elastic net机器学习模型预测细胞类型特异性生物年龄。研究覆盖60,542名个体并在GNPC、UK Biobank和NSHD等队列中进行训练、测试和验证。研究发现约20–25%个体表现为单一细胞类型加速衰老约1–3%个体在10种或更多细胞类型中出现广泛加速衰老。不同细胞类型的衰老状态与不同疾病风险相关例如星形胶质细胞衰老与AD风险相关骨骼肌细胞衰老与ALS风险相关呼吸上皮细胞衰老能进一步细化吸烟者肺癌风险。作者还构建了polycellular aging risk scorePARS用于综合多个细胞类型衰老负担并在不同队列和蛋白组平台之间实现死亡风险分层。这篇文章的关键不是又做了一个“年龄预测器”而是把血浆蛋白组转化成了细胞层面的衰老地图并把这张地图接到了真实疾病结局上。这套分析怎么搭起来这篇文章的流程可以概括为五步细胞来源映射利用Human Protein Atlas单细胞转录组信息把表达至少高于其他细胞类型2倍的基因定义为细胞类型富集基因。血浆蛋白匹配将这些细胞类型富集基因匹配到SomaScan和Olink可检测的血浆蛋白。机器学习建模用elastic net回归预测个体的细胞类型特异性生物年龄并通过bootstrap和交叉验证提高稳健性。年龄差计算用预测生物年龄减去同龄人平均预测年龄得到age gapz-score大于2定义为极端加速衰老小于-2定义为年轻化状态。临床结局验证评估细胞年龄与AD、ALS、PD、FTD、肺癌、糖尿病、COPD、心衰、卒中和全因死亡的关系。材料与方法模块内容研究对象GNPC、UK Biobank、1946 National Survey of Health and Development、Knight-ADRC等队列个体蛋白组平台SomaScan和Olink Explore 3072血浆蛋白组平台数据规模GNPC n14,281UKB n44,458NSHD n1,803总计60,542名个体细胞来源定义基于Human Protein Atlas将细胞类型富集基因映射到血浆蛋白建模方法elastic net回归、100次bootstrap、10折交叉验证模型保留标准训练集相关性r≥0.25测试集r≥0.15且至少包含4个蛋白特征细胞年龄指标预测细胞生物年龄、age gap、z-scored age gap、极端衰老和年轻化状态疾病分析AD、ALS、PD、FTD、MCI–SCI、肺癌、2型糖尿病、COPD、心衰、卒中、淋巴瘤生存分析Cox比例风险模型、Kaplan–Meier曲线、PARS多细胞衰老风险评分数据与代码受控数据通过GNPC、UKB、NSHD等申请代码公开于GitHub研究结果血浆蛋白组可以被转化为细胞类型特异性衰老模型作者首先建立了分析框架把血浆蛋白映射到细胞类型来源然后训练模型预测不同细胞类型的生物年龄。该框架在GNPC、UKB和NSHD三个独立队列中应用并跨SomaScan和Olink平台验证。在SomaScan平台中作者从7,289种蛋白中识别出1,202种可映射到特定细胞类型的蛋白在Olink平台中2,923种蛋白里有708种可映射到细胞类型来源。最终SomaScan保留43个细胞类型衰老模型Olink保留48个细胞类型或谱系层级模型。这里最重要的方法学转换是血浆蛋白不再只被看作单个标志物而是被重新组织成“细胞来源蛋白签名”。个体之间的细胞衰老模式高度异质作者随后分析健康个体中的细胞类型衰老分布。结果显示不同细胞的加速衰老出现时间并不一样神经元、胶质细胞和Schwann细胞等在高龄阶段更容易出现加速衰老而肠道杯状细胞、纤毛细胞等可在更早年龄窗口出现加速衰老。在GNPC健康人群中35.4%没有极端细胞年龄差24.4%仅在一种细胞类型中出现加速衰老1.5%在10种或更多细胞类型中出现广泛加速衰老。UKB中也观察到类似模式22.7%为单一细胞类型加速衰老2.8%为广泛加速衰老。文章还观察到生活方式和基因型对细胞年龄有影响。吸烟合并肥胖者表现出多细胞类型年龄升高而健康生活方式人群整体更年轻。APOE基因型则呈现有趣的细胞特异性效应APOE4携带者星形胶质细胞更老但巨噬细胞更年轻APOE2则呈相反趋势。神经退行性疾病对应不同细胞类型的衰老信号作者进一步分析AD、ALS、PD、FTD和MCI–SCI等神经退行性疾病。结果显示不同疾病对应不同细胞类型的年龄异常。[外链图片转存中…(img-BElFFwQ9-1791376601996)]ALS与骨骼肌细胞衰老之间的关联最强。GNPC中ALS与骨骼肌细胞age gap的相关性达到r0.43校正后P1.36×10^-15极端骨骼肌衰老者中ALS诊断比例显著升高。在UKB随访中极端骨骼肌衰老者未来发生ALS的风险较年轻化者升高HR12.74。AD则与多种神经和胶质细胞衰老相关其中星形胶质细胞衰老具有很强的预后意义。极端星形胶质细胞衰老者发生AD的风险明显升高并且这种分层效果可在APOE不同基因型中持续存在。值得注意的是星形胶质细胞衰老与APOE4并不是简单重复信息二者叠加时AD风险最高而年轻化星形胶质细胞可能提示更强的脑韧性。呼吸上皮、髓系细胞和肌肉细胞衰老分别指向癌症与慢病风险疾病预测不只限于神经退行性疾病。作者还在UKB中评估细胞衰老对肺癌、2型糖尿病、COPD、心衰、卒中和淋巴瘤等疾病的预测价值。[外链图片转存中…(img-Z5QSFrLG-1791376601996)]肺癌方面肺泡II型细胞和呼吸上皮谱系的极端衰老具有很强预测力。当前吸烟者如果同时存在这两类呼吸细胞衰老肺癌风险最高HR15.33相比单纯当前吸烟风险进一步增加约58%。2型糖尿病方面髓系细胞谱系衰老最有预测价值HR3.88。COPD中肺泡II型细胞和呼吸上皮谱系衰老最突出心衰中肌肉细胞和成纤维细胞衰老更强卒中则与NEFL-C1QL2投射神经元和小胶质细胞衰老有关。这部分结果很适合临床分层理解同样是血液蛋白组不同细胞来源信号对应不同疾病轨道。多细胞衰老负担可以分层死亡风险最后作者评估细胞年龄与全因死亡的关系并构建多细胞衰老风险评分PARS。在UKB中肌肉谱系细胞极端衰老与死亡风险关联最强HR4.38骨骼肌细胞为HR4.18。神经元、成纤维细胞、肺泡II型细胞和髓系细胞衰老也与死亡风险相关。更直观的是累计衰老负担细胞年龄正常者15年生存率约90%而20种以上细胞类型极端衰老者15年生存率约34%。这说明单一细胞异常和全身多细胞衰老负担都具有预后意义。作者进一步建立PARS在UKB训练集、UKB测试集和NSHD验证队列中均能实现死亡风险分层提示该评分具有一定跨队列和跨平台泛化能力。方法和临床转化怎么看方法借鉴这篇文章的亮点在于把“血浆蛋白组”重新拆成“细胞来源蛋白签名”。很多蛋白组研究直接从差异蛋白或风险模型起步解释性容易停留在marker层面这篇则先把蛋白放回细胞类型背景再建生物年龄模型。可迁移路线如果做肿瘤、免疫、心血管或代谢病研究可以参考这条路线先用公开单细胞图谱定义细胞类型富集基因再映射到血浆蛋白、代谢物或外泌体蛋白最后建立细胞来源的风险评分。这样模型天然带有“细胞来源解释”。临床落点它提供的不是一个单病种诊断模型而是一种跨疾病风险分层框架。比如AD里看星形胶质细胞衰老ALS里看骨骼肌细胞衰老肺癌里看呼吸上皮衰老糖尿病里看髓系细胞衰老。不同疾病对应不同细胞状态可能比统一的“全身衰老分数”更有临床解释力。注意边界血浆蛋白来源推断并不等同于直接测量组织细胞状态。某些蛋白可能由多个细胞释放疾病状态也会改变蛋白释放和清除。因此这类模型更适合作为风险分层和机制线索后续仍需要多族群验证、纵向干预研究和组织层面的生物学确认。总结这篇文章把衰老研究从“整体生物年龄”推进到“细胞类型特异性生物年龄”。作者利用大规模血浆蛋白组和机器学习模型估计40多种细胞类型的年龄差并证明这些细胞年龄与疾病风险和死亡风险相关。主要结论可以概括为四点血浆蛋白组可以用于构建细胞类型特异性衰老模型人群中细胞衰老高度异质部分人只在单一细胞类型中加速衰老AD、ALS、肺癌、糖尿病等疾病对应不同细胞类型的衰老信号多细胞衰老风险评分PARS可以在不同队列和平台中分层死亡风险。这篇真正往前推的一步是把一管血里的蛋白信号转译成细胞层面的衰老坐标让疾病风险预测从“一个总分”变成可以追溯到具体细胞类型的生物学解释。参考文献Ding DY, Bot VA, Chen KL, Groves JW, Pálovics R, Masuda D, Farinas A, Oh HS, Wagner V, Lu N; Global Neurodegeneration Proteomics Consortium (GNPC), Cruchaga C, Isakova A, Schott JM, Wyss-Coray T. Plasma proteomic signatures of cellular aging predict human disease. Nat Med. 2026;32(6):2060–2072. doi: 10.1038/s41591-026-04446-y.Nature: https://www.nature.com/articles/s41591-026-04446-yPubMed: https://pubmed.ncbi.nlm.nih.gov/42297981/PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC13279268/DOI: https://doi.org/10.1038/s41591-026-04446-yCode: https://github.com/dingdaisy/cellageGNPC data: https://www.neuroproteome.org/harmonized-data-set-hdsUK Biobank: https://www.ukbiobank.ac.uk/register-applyNSHD access: https://skylark.ucl.ac.uk/NSHD/access/
同样是60岁有的人是“免疫系统老”有的人是“神经胶质细胞老”也有人是“肌肉细胞老”。这篇文章真正有意思的地方是把衰老从一个整体年龄数字拆成了细胞类型特异性的生物年龄。更关键的是这些“细胞年龄”不是只停留在描述层面而是进一步关联到了阿尔茨海默病、ALS、肺癌、2型糖尿病和全因死亡风险。读这篇先抓住一条主线作者用血浆蛋白组和机器学习把“器官衰老时钟”进一步下沉到细胞类型层面并证明不同细胞的加速衰老对应不同疾病风险。核心线索本文基于60,542名个体、超过7,000种血浆蛋白构建40多种细胞类型的生物年龄模型提出血液中可捕捉到神经元、胶质细胞、免疫细胞、肌细胞和上皮细胞等不同细胞来源的衰老信号。文献信息项目内容标题Plasma proteomic signatures of cellular aging predict human disease中文理解本文通过血浆蛋白组、Human Protein Atlas细胞来源映射和机器学习建模构建细胞类型特异性生物年龄模型并证明特定细胞衰老状态可预测神经退行性疾病、癌症、慢病和死亡风险。期刊Nat. Med.发表时间2026年6月15日卷页32:2060–2072研究方向衰老生物学、血浆蛋白组、机器学习、生物年龄、疾病预测、预后标志物核心队列GNPC、UK Biobank、1946 NSHD、Knight-ADRC数据规模60,542名个体SomaScan 7,289种蛋白Olink 2,923种蛋白DOI10.1038/s41591-026-04446-yPMID42297981PMCIDPMC13279268代码https://github.com/dingdaisy/cellage这篇文章解决了什么问题过去几年生物年龄时钟已经从DNA甲基化、转录组、蛋白组一路发展到器官特异性衰老。比如“脑年龄”“心脏年龄”“肝脏年龄”这类指标已经能帮助解释为什么同龄人的疾病风险差异很大。但器官仍然是一个相对粗的层级。一个器官里有神经元、胶质细胞、内皮细胞、免疫细胞、成纤维细胞等多种细胞同一个器官变老可能并不是所有细胞一起同步变老。这篇文章往前推进了一步作者尝试用血浆蛋白组推断不同细胞类型的生物年龄。也就是说不需要直接取组织也可以通过血液中的细胞来源蛋白信号估计某些细胞类型是否处于“加速衰老”状态。这对临床很重要。因为如果某类细胞的衰老信号能提前预测疾病那么它就可能成为筛查、分层和干预的入口。文章摘要作者整合多个大型人群队列的血浆蛋白组数据先将血浆蛋白映射到Human Protein Atlas定义的细胞类型来源再用elastic net机器学习模型预测细胞类型特异性生物年龄。研究覆盖60,542名个体并在GNPC、UK Biobank和NSHD等队列中进行训练、测试和验证。研究发现约20–25%个体表现为单一细胞类型加速衰老约1–3%个体在10种或更多细胞类型中出现广泛加速衰老。不同细胞类型的衰老状态与不同疾病风险相关例如星形胶质细胞衰老与AD风险相关骨骼肌细胞衰老与ALS风险相关呼吸上皮细胞衰老能进一步细化吸烟者肺癌风险。作者还构建了polycellular aging risk scorePARS用于综合多个细胞类型衰老负担并在不同队列和蛋白组平台之间实现死亡风险分层。这篇文章的关键不是又做了一个“年龄预测器”而是把血浆蛋白组转化成了细胞层面的衰老地图并把这张地图接到了真实疾病结局上。这套分析怎么搭起来这篇文章的流程可以概括为五步细胞来源映射利用Human Protein Atlas单细胞转录组信息把表达至少高于其他细胞类型2倍的基因定义为细胞类型富集基因。血浆蛋白匹配将这些细胞类型富集基因匹配到SomaScan和Olink可检测的血浆蛋白。机器学习建模用elastic net回归预测个体的细胞类型特异性生物年龄并通过bootstrap和交叉验证提高稳健性。年龄差计算用预测生物年龄减去同龄人平均预测年龄得到age gapz-score大于2定义为极端加速衰老小于-2定义为年轻化状态。临床结局验证评估细胞年龄与AD、ALS、PD、FTD、肺癌、糖尿病、COPD、心衰、卒中和全因死亡的关系。材料与方法模块内容研究对象GNPC、UK Biobank、1946 National Survey of Health and Development、Knight-ADRC等队列个体蛋白组平台SomaScan和Olink Explore 3072血浆蛋白组平台数据规模GNPC n14,281UKB n44,458NSHD n1,803总计60,542名个体细胞来源定义基于Human Protein Atlas将细胞类型富集基因映射到血浆蛋白建模方法elastic net回归、100次bootstrap、10折交叉验证模型保留标准训练集相关性r≥0.25测试集r≥0.15且至少包含4个蛋白特征细胞年龄指标预测细胞生物年龄、age gap、z-scored age gap、极端衰老和年轻化状态疾病分析AD、ALS、PD、FTD、MCI–SCI、肺癌、2型糖尿病、COPD、心衰、卒中、淋巴瘤生存分析Cox比例风险模型、Kaplan–Meier曲线、PARS多细胞衰老风险评分数据与代码受控数据通过GNPC、UKB、NSHD等申请代码公开于GitHub研究结果血浆蛋白组可以被转化为细胞类型特异性衰老模型作者首先建立了分析框架把血浆蛋白映射到细胞类型来源然后训练模型预测不同细胞类型的生物年龄。该框架在GNPC、UKB和NSHD三个独立队列中应用并跨SomaScan和Olink平台验证。在SomaScan平台中作者从7,289种蛋白中识别出1,202种可映射到特定细胞类型的蛋白在Olink平台中2,923种蛋白里有708种可映射到细胞类型来源。最终SomaScan保留43个细胞类型衰老模型Olink保留48个细胞类型或谱系层级模型。这里最重要的方法学转换是血浆蛋白不再只被看作单个标志物而是被重新组织成“细胞来源蛋白签名”。个体之间的细胞衰老模式高度异质作者随后分析健康个体中的细胞类型衰老分布。结果显示不同细胞的加速衰老出现时间并不一样神经元、胶质细胞和Schwann细胞等在高龄阶段更容易出现加速衰老而肠道杯状细胞、纤毛细胞等可在更早年龄窗口出现加速衰老。在GNPC健康人群中35.4%没有极端细胞年龄差24.4%仅在一种细胞类型中出现加速衰老1.5%在10种或更多细胞类型中出现广泛加速衰老。UKB中也观察到类似模式22.7%为单一细胞类型加速衰老2.8%为广泛加速衰老。文章还观察到生活方式和基因型对细胞年龄有影响。吸烟合并肥胖者表现出多细胞类型年龄升高而健康生活方式人群整体更年轻。APOE基因型则呈现有趣的细胞特异性效应APOE4携带者星形胶质细胞更老但巨噬细胞更年轻APOE2则呈相反趋势。神经退行性疾病对应不同细胞类型的衰老信号作者进一步分析AD、ALS、PD、FTD和MCI–SCI等神经退行性疾病。结果显示不同疾病对应不同细胞类型的年龄异常。[外链图片转存中…(img-BElFFwQ9-1791376601996)]ALS与骨骼肌细胞衰老之间的关联最强。GNPC中ALS与骨骼肌细胞age gap的相关性达到r0.43校正后P1.36×10^-15极端骨骼肌衰老者中ALS诊断比例显著升高。在UKB随访中极端骨骼肌衰老者未来发生ALS的风险较年轻化者升高HR12.74。AD则与多种神经和胶质细胞衰老相关其中星形胶质细胞衰老具有很强的预后意义。极端星形胶质细胞衰老者发生AD的风险明显升高并且这种分层效果可在APOE不同基因型中持续存在。值得注意的是星形胶质细胞衰老与APOE4并不是简单重复信息二者叠加时AD风险最高而年轻化星形胶质细胞可能提示更强的脑韧性。呼吸上皮、髓系细胞和肌肉细胞衰老分别指向癌症与慢病风险疾病预测不只限于神经退行性疾病。作者还在UKB中评估细胞衰老对肺癌、2型糖尿病、COPD、心衰、卒中和淋巴瘤等疾病的预测价值。[外链图片转存中…(img-Z5QSFrLG-1791376601996)]肺癌方面肺泡II型细胞和呼吸上皮谱系的极端衰老具有很强预测力。当前吸烟者如果同时存在这两类呼吸细胞衰老肺癌风险最高HR15.33相比单纯当前吸烟风险进一步增加约58%。2型糖尿病方面髓系细胞谱系衰老最有预测价值HR3.88。COPD中肺泡II型细胞和呼吸上皮谱系衰老最突出心衰中肌肉细胞和成纤维细胞衰老更强卒中则与NEFL-C1QL2投射神经元和小胶质细胞衰老有关。这部分结果很适合临床分层理解同样是血液蛋白组不同细胞来源信号对应不同疾病轨道。多细胞衰老负担可以分层死亡风险最后作者评估细胞年龄与全因死亡的关系并构建多细胞衰老风险评分PARS。在UKB中肌肉谱系细胞极端衰老与死亡风险关联最强HR4.38骨骼肌细胞为HR4.18。神经元、成纤维细胞、肺泡II型细胞和髓系细胞衰老也与死亡风险相关。更直观的是累计衰老负担细胞年龄正常者15年生存率约90%而20种以上细胞类型极端衰老者15年生存率约34%。这说明单一细胞异常和全身多细胞衰老负担都具有预后意义。作者进一步建立PARS在UKB训练集、UKB测试集和NSHD验证队列中均能实现死亡风险分层提示该评分具有一定跨队列和跨平台泛化能力。方法和临床转化怎么看方法借鉴这篇文章的亮点在于把“血浆蛋白组”重新拆成“细胞来源蛋白签名”。很多蛋白组研究直接从差异蛋白或风险模型起步解释性容易停留在marker层面这篇则先把蛋白放回细胞类型背景再建生物年龄模型。可迁移路线如果做肿瘤、免疫、心血管或代谢病研究可以参考这条路线先用公开单细胞图谱定义细胞类型富集基因再映射到血浆蛋白、代谢物或外泌体蛋白最后建立细胞来源的风险评分。这样模型天然带有“细胞来源解释”。临床落点它提供的不是一个单病种诊断模型而是一种跨疾病风险分层框架。比如AD里看星形胶质细胞衰老ALS里看骨骼肌细胞衰老肺癌里看呼吸上皮衰老糖尿病里看髓系细胞衰老。不同疾病对应不同细胞状态可能比统一的“全身衰老分数”更有临床解释力。注意边界血浆蛋白来源推断并不等同于直接测量组织细胞状态。某些蛋白可能由多个细胞释放疾病状态也会改变蛋白释放和清除。因此这类模型更适合作为风险分层和机制线索后续仍需要多族群验证、纵向干预研究和组织层面的生物学确认。总结这篇文章把衰老研究从“整体生物年龄”推进到“细胞类型特异性生物年龄”。作者利用大规模血浆蛋白组和机器学习模型估计40多种细胞类型的年龄差并证明这些细胞年龄与疾病风险和死亡风险相关。主要结论可以概括为四点血浆蛋白组可以用于构建细胞类型特异性衰老模型人群中细胞衰老高度异质部分人只在单一细胞类型中加速衰老AD、ALS、肺癌、糖尿病等疾病对应不同细胞类型的衰老信号多细胞衰老风险评分PARS可以在不同队列和平台中分层死亡风险。这篇真正往前推的一步是把一管血里的蛋白信号转译成细胞层面的衰老坐标让疾病风险预测从“一个总分”变成可以追溯到具体细胞类型的生物学解释。参考文献Ding DY, Bot VA, Chen KL, Groves JW, Pálovics R, Masuda D, Farinas A, Oh HS, Wagner V, Lu N; Global Neurodegeneration Proteomics Consortium (GNPC), Cruchaga C, Isakova A, Schott JM, Wyss-Coray T. Plasma proteomic signatures of cellular aging predict human disease. Nat Med. 2026;32(6):2060–2072. doi: 10.1038/s41591-026-04446-y.Nature: https://www.nature.com/articles/s41591-026-04446-yPubMed: https://pubmed.ncbi.nlm.nih.gov/42297981/PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC13279268/DOI: https://doi.org/10.1038/s41591-026-04446-yCode: https://github.com/dingdaisy/cellageGNPC data: https://www.neuroproteome.org/harmonized-data-set-hdsUK Biobank: https://www.ukbiobank.ac.uk/register-applyNSHD access: https://skylark.ucl.ac.uk/NSHD/access/
