信息速览
爱沙尼亚生物样本库（Estonian Biobank，爱沙尼亚语 Eesti Geenivaramu）是塔尔图大学基因组学研究所运营的全国性人群生物库，2000 年起招募志愿者，目前有逾 21 万人完成全基因组芯片分型，约占该国成年人口的两成。它同时保存血浆、白细胞与 DNA 样本，把每个人的基因型、问卷回答、处方、诊断、住院与死因逐条链接到同一个伪匿名编号之下。
这个库的体量放在英国生物银行面前并不突出：21 万对 50 万。它不可替代的地方在另外三件事——覆盖率接近全人口而非志愿者自选，健康记录是全民单一支付方下的完整账本而非抽样问卷，而支撑这一切的是一部 1999 年就为它量身立好的法律。
本篇按「它解决什么麻烦、数据怎么构成、怎么取数、有什么边界」四层展开，所有规模、结构与边界数字都标注了出处，官方口径与论文口径不一致处并列呈现。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 中文名 | 爱沙尼亚生物样本库 |
| 英文名 / 爱沙尼亚语名 | Estonian Biobank / Eesti Geenivaramu（简称 EstBB） |
| 运营机构 | 塔尔图大学基因组学研究所（Institute of Genomics, University of Tartu） |
| 建库起点 | 2000 年启动，2002 年起大规模招募 |
| 参与者规模 | 逾 21 万人完成全基因组基因型分型（官方页面 2026-09 口径） |
| 人口覆盖率 | 约占爱沙尼亚成年人口 20% |
| 民族构成 | 爱沙尼亚族 83%、俄罗斯族 14%、其他 3% |
| 核心数据类型 | Illumina GSA 全基因组芯片、插补基因型、16 模块问卷、登记链接表型 |
| 组学分层 | 全基因组测序三千、外显子两千五、甲基化 821、表达一千一、宏基因组 2,509、NMR 代谢组 10,840 |
| 表型编码 | 疾病 ICD-10，用药 ATC，登记来源含健康保险基金、癌症登记、死因登记 |
| 法律基础 | 《人类基因研究法》（HGRA，1999 年通过） |
| 访问方式 | 预查询 → 科学顾问委员会 → 伦理委员会 → 数据及材料转让协议 |
| 分析环境 | SAPU 安全服务器，数据不出域 |
| 费用结构 | 学术用途数据费 €0，申请处理费按项目计，SAPU 按核时与存储计费 |
| 官方入口 | https://genomics.ut.ee/en/content/estonian-biobank |
| 许可性质 | 受控访问，非开放许可，按协议逐项目发放，授权期三年 |
§1 它要解决的具体麻烦
1.1 你手里的队列总是「太干净、太短、太贵」
做遗传流行病的人几乎都撞过同一堵墙：手上有一批基因型，却没有足够长、足够细的随访。科研队列能测得很深，但随访十年已是极限；医院队列病历很厚，但病人是挑出来的；商业理赔数据随访很长，却没有基因型。要把三者拼起来，通常要重新招募、重新测序、重新对齐编码，成本高到多数团队放弃。
爱沙尼亚生物样本库给出的解法是把它反着做：先把全国愿意加入的人一次性抽出来，做成一个不分病种的基础人群池，再把国家已有的医疗账本逐条接上去。这样随访不是「研究者去追」，而是「系统自动记账」——参与者每次开药、每次住院、每次确诊癌症，都会在登记库里留下一条带日期的记录，研究者只需要申请链接。
1.2 三条常见的错误期待
第一条，把它当英国生物银行的小号。 英国生物银行有 50 万人、十万人影像、全基因组测序覆盖全队列；爱沙尼亚的全基因组测序只有三千人，影像基本没有。两者不是大小之别，而是设计取向之别：一个用深度换规模，一个用覆盖率换深度。把两者放进同一个 meta 分析前，必须先处理芯片位点、插补面板与表型定义的差异。
第二条，以为「20 万」可以直接换算成统计功效。 功效取决于病例数而非总人数。一个只有两三百例的罕见病，在这个库里照样做不出可靠的 GWAS 信号；而像 2 型糖尿病这类常见病，病例数可以上万，功效足以支撑中等效应的位点发现。
第三条，以为受控访问只是走个形式。 这个库的数据不出域：你能拿到的是一台远程服务器上的登录权限，分析在服务器内做，导出结果要过审。任何指望「下载一个压缩包本地跑」的设想，在这里都不成立。
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 做常见病 GWAS | 21 万人芯片基因型 + ICD-10 病例定义 | 够，常见病可上万例 |
| 做罕见变异关联 | 全基因组测序仅三千人 | 不够，需外部测序队列补 |
| 做纵向药物暴露分析 | 健康保险基金处方记录，按 ATC 编码逐条带日期 | 够，是本库最强项 |
| 做影像组学 | 基本无系统影像 | 不够，改选英国生物银行 |
| 做跨人群迁移验证 | 单一欧洲人群，民族构成以爱沙尼亚族为主 | 勉强，只能做欧洲内部比较 |
| 做药物基因组学回访 | 可按基因型定向联系携带者补采样本 | 够，全球少见 |
| 做患病率流行病学 | 志愿者自选，门诊病过代表 | 不够，须先做代表性校正 |
| 做本地部署的机器学习流水线 | 数据不出 SAPU，只能用服务器环境 | 受限，需按沙箱条件重构代码 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 手里有候选位点，缺一个人群验证集 | 用芯片基因型做独立复制，效应方向可直接比对 | 先跑预查询确认位点在 GSA 芯片或插补面板上 |
| 要做 PRS 的临床效用评估 | 有基因型 + 全国处方与诊断，可算发病率与用药转换 | 提前规划病例对照的时间窗，避免用未来数据 |
| 研究某药的不良反应遗传基础 | 处方按 ATC 记录，可做暴露-结局配对 | 申请处方层与诊断层，确认覆盖年份 |
| 团队只有笔记本，没有集群 | SAPU 提供现成算力，按核时计费 | 预算里把 SAPU 使用费单列，别只算申请费 |
| 想研究基因型与生活方式的交互 | 16 模块问卷含饮食、吸烟、体力活动 | 注意问卷只做了一次，纵向生活方式缺失 |
| 想验证中国人群的 PRS 迁移性 | 只能提供欧洲内部对照，不能替代东亚队列 | 把它作为欧洲锚点，东亚迁移另找队列 |
1.5 一句话判断
如果你的问题需要「全覆盖的随访 + 真实处方账本 + 可回访的基因型携带者」，这是欧洲性价比最高的一站；如果你要的是深度表型、影像或超大样本量，它给不了，也不必勉强。
1.6 不适合谁：四条边界
不适合需要原始测序读段的人。 全基因组测序只有三千人，且发放的是变异调用而非 BAM 文件；做新变异发现、结构变异或从头组装，这个库不是合适起点。
不适合做全人群患病率估计的人。 志愿者加入的动机与健康状况相关，门诊常见病被系统性放大，致死率高的疾病被系统性压低，直接算粗患病率会得到有偏的答案。
不适合要跨人群外推的人。 队列以欧洲白人为主，非欧洲人群的等位基因频率与连锁不平衡结构差异较大，此处训练的 PRS 迁移到东亚或非洲人群往往显著衰减。
不适合需要秒级迭代的工程团队。 数据不出域意味着特征工程、模型调参、结果核对全部在远程服务器完成，导出又有审查环节；那类一天跑几十轮的实验节奏在这里会被流程拖住。
§2 数据构成与规格
2.1 五个数据层，各自独立累加
这个库内部不是一张大表，而是五类彼此独立、覆盖人群不同的数据层。理解这一点是排期与预算的前提：你以为申请了「全库」，实际拿到的可能是「21 万人的芯片 + 21 万人的基础表型 + 一千人的甲基化」。
| 数据层 | 覆盖人群（官方口径） | 更新方式 | 主键 |
|---|---|---|---|
| 基因型层 | 逾 21 万人，Illumina GSA 芯片 | 一次性分型，后续插补升级 | 参与者伪匿名 ID + 位点 |
| 基础表型层 | 招募时全队列 | 入组时一次采集 | 参与者伪匿名 ID |
| 登记链接层 | 全队列，按登记覆盖年限 | 定期重新链接 | 参与者伪匿名 ID + 事件日期 |
| 组学扩展层 | 数百到一万余人不等 | 分批补测 | 参与者伪匿名 ID + 平台 |
| 生物样本层 | 血浆、白细胞、DNA | 按项目发放 | 样本编号 |
2.2 字段与记录的完整字典
下表按数据层列出主要字段、取值范围与已知注意点。字段名以官方描述与队列简介论文的表述为准，具体表结构以申请通过后交付的数据字典为准。
| 数据层 | 字段 | 类型 | 取值/编码 | 注意点 |
|---|---|---|---|---|
| 身份 | participant_id | 字符串 | 伪匿名编码 | 跨层唯一，不含姓名与身份证号 |
| 身份 | recruitment_wave | 枚举 | 首轮 / 第二轮 | 两轮的疾病谱不同，分析须分层 |
| 人口学 | sex | 枚举 | 男 / 女 | 以登记与问卷合并校准 |
| 人口学 | birth_year | 整数 | 1920s–2000s | 年龄须以事件日期推算，不存静态年龄 |
| 人口学 | ethnicity | 枚举 | 爱沙尼亚族 / 俄罗斯族 / 其他 | 官方称 83 / 14 / 3 |
| 人口学 | county | 枚举 | 15 个县 | 反映招募地理分布 |
| 基因型 | snp_id | 字符串 | rs 编号或染色体位置 | GSA 芯片位点约七十万，插补后扩展 |
| 基因型 | genotype | 整数 | 0/1/2 剂量 | 插补层另带 info 分数 |
| 基因型 | imputation_info | 浮点 | 0–1 | 低于阈值位点应剔除 |
| 问卷 | 16 个模块 | 混合 | 生活方式、饮食频次、吸烟、饮酒、女性健康、生活质量 | 仅基线一次，无重复测量 |
| 问卷 | family_history | 谱系 | 四代家族病史 | 可构造家系相关结构 |
| 疾病 | icd10_code | 字符串 | ICD-10 三字符或更细 | 门诊与住院来源需区分 |
| 疾病 | diagnosis_date | 日期 | — | 用于定义随访起点与事件时间 |
| 用药 | atc_code | 字符串 | ATC 五级 | 来自保险基金理赔 |
| 用药 | prescription_date | 日期 | — | 可构造用药序列与暴露窗 |
| 理赔 | service_type | 枚举 | 就诊、住院、检查 | 健康保险基金口径 |
| 登记 | cancer_site | 编码 | 癌症登记 ICD-O | 与 ICD-10 需映射 |
| 登记 | death_cause | 编码 | 死因登记 ICD-10 | 有登记延迟 |
| 组学 | omics_platform | 枚举 | WGS/WES/450K/芯片/NMR/宏基因组 | 每层样本数差两个数量级 |
| 样本 | sample_barcode | 字符串 | 96 孔板或 1.5 mL 管 | 血浆、白细胞、DNA 三类 |
| 质控 | qc_flag | 布尔 | 通过 / 未通过 | 分析前须过滤 |
2.3 一条记录的完整解剖
把「一位参与者」从入组到随访拆开看，能直观看到各层如何咬合。下面用一份结构化示意（字段名为说明用，实际以交付字典为准）。
participant_id : ESTBB-XXXXXXX
recruitment_wave : wave1
birth_year : 1958
sex : F
county : Tartu
ethnicity : Estonian
--- 基因型层 ---
array : Illumina GSA
snp_count_typed : ~700000
imputed_variants : 扩展至千万级（含 info 分数）
--- 问卷层（基线一次） ---
modules : 16
smoking : former
ffq_frequency : weekly x 3
family_history : 4 generations, 2 first-degree affected
--- 登记链接层（逐条事件） ---
event_1 : 2011-03-14 ICD-10 E11 门诊 primary_care
event_2 : 2011-03-14 ATC A10BA02 处方 insurance_fund
event_3 : 2016-08-02 ICD-10 I25 住院 hospital
event_4 : 2020-05-19 ATC C09AA05 处方 insurance_fund
event_5 : 2023-11-07 ICD-O C50 癌症登记 cancer_registry
--- 组学扩展层（子集） ---
nmr_metabolomics : available
methylation_450k : not_available
wgs : not_available
--- 样本层 ---
dna_plate : 96-well
plasma_aliquot : available
2.4 组学各层的人数落差
官方页面把组学各层的样本数并列列出，这张表最值得反复看，因为它决定多组学研究的可行性边界。
| 组学平台 | 样本数（官方口径） | 相对芯片队列的比例 | 典型用途 |
|---|---|---|---|
| 全基因组基因型芯片 | 200,000 | 100% | GWAS、PRS、插补基础 |
| NMR 代谢组 | 10,840 | 约 5% | 代谢物 GWAS、心血管风险 |
| 全基因组测序 | 3,000 | 约 1.5% | 罕见变异、结构变异探索 |
| 宏基因组 | 2,509 | 约 1.2% | 肠道菌群与代谢、免疫 |
| 全外显子测序 | 2,500 | 约 1.2% | 编码区罕见变异 |
| 全基因组表达芯片 | 1,100 | 约 0.5% | eQTL、表达与疾病 |
| 甲基化芯片 | 821 | 约 0.4% | 表观遗传、衰老时钟 |
| mRNA 测序 | 600 | 约 0.3% | 转录组精细分析 |
| 总 RNA 测序 | 50 | 约 0.02% | 方法学试点 |
2.4b 与外部库合并时的三个对齐点
把一个在本库跑出的结果贴回大库的 meta 分析，或者反过来，很容易在第一步就错。以下三点是对齐时最容易忽略的。
| 对齐点 | 本库的实际情况 | 处理办法 | 出错后果 |
|---|---|---|---|
| 位点集合 | Illumina GSA 芯片，位点约七十万，含爱沙尼亚特异位点 | 取两库位点交集，或在插补层统一到参考面板 | 交集外的位点无数据，强行合并会误判为无关联 |
| 插补参考面板 | 官方未在公开页说明所用面板的完整构成 | 向协调员索取插补方法与参考面板信息 | 同一变异在两库的剂量定义与 info 分数不可比 |
| 表型定义 | 疾病为 ICD-10，用药为 ATC，来自登记 | 按 ICD-10 三字符对齐，或用 OMOP 映射后对齐 | 采用更细的编码时，本库病例数骤降 |
| 祖源构成 | 以爱沙尼亚族为主，俄罗斯族约一成四 | 两库都做祖先主成分分层 | 群体分层被当成信号 |
| 随访起点 | 参与者入组时间分散在二十余年 | 统一以各自入组日为起点 | 事件时间窗错位，发病率被高低估 |
| 结局确认方式 | 被动登记，无主动随访 | 大库若为主动随访，需降级比对 | 本库结局漏报被误读为保护效应 |
合并的目的是扩大样本，而不是让两边的定义混在一起；某一条无法对齐时，宁可放弃这个位点，也不要打折处理。
2.4c 四组常见研究设计的可用样本量
把上面的单层人数换算成「研究真正能用的样本量」，需要取交集。下表按四种常见设计估算可用人数（比例按官方单层人数除以芯片队列人数得出，交集为估算）。
| 研究设计 | 需要的数据层 | 可用样本量（估算） | 瓶颈在哪 | 替代方案 |
|---|---|---|---|---|
| 常见病 GWAS | 芯片 + ICD-10 | 接近全队列 | 病例数而非总人数 | 无 |
| 代谢物 GWAS | 芯片 + NMR | 约一万 | NMR 层规模 | 与其他代谢组队列 meta |
| 表观遗传关联 | 芯片 + 甲基化 | 数百 | 甲基化层规模 | 改用表达层或外部甲基化队列 |
| 菌群与代谢交互 | 宏基因组 + NMR | 数千 | 两层交集 | 单独分析菌群或代谢物 |
| 罕见变异负荷 | 全基因组测序 + 表型 | 约三千 | 测序层规模 | 第三方测序队列 |
| 药物基因组回访 | 基因型 + 处方 + 回访 | 数十到数百 | 特定基因型频率 | 无，这是独有设计 |
2.5 与同类资源的字段差异
把四个欧洲人群库并排，字段覆盖面与链接深度差异明显。下表只列结构性事实，不评优劣。
| 维度 | 爱沙尼亚生物样本库 | 英国生物银行 | FinnGen | 英国十万基因组计划 |
|---|---|---|---|---|
| 参与者规模 | 逾 21 万 | 约 50 万 | 约 52 万 | 约 8.5 万 |
| 占成年人口比例 | 约 20% | 个位数百分比 | 接近全国十分之一 | 罕见病与癌症为主，不按人口比例 |
| 全基因组测序 | 子集约三千人 | 全队列 | 部分队列 | 全队列 |
| 表型来源 | 全国保险 + 登记 + 问卷 | 问卷 + 随访 + 部分登记 | 全国登记为主 | NHS 临床 + 罕见病面板 |
| 影像 | 基本无 | 十万人多模态 | 无 | 部分 |
| 回访机制 | 法律允许按基因型定向回访 | 有，但以子队列为主 | 有限 | 以临床随访为主 |
| 数据交付 | 沙箱内分析 | 受控访问 + 云平台 | 沙箱 + 公开汇总统计 | 受控访问 |
| 适合的任务 | 处方暴露、常见病 GWAS、PRS 落地 | 影像组学、深度表型 | 罕见变异富集 | 罕见病诊断 |
一句话差别。 英国生物银行是「把少数人测得极深」，FinnGen 是「把全国登记连得极全但基因型偏隔离人群」，爱沙尼亚这条路是「人不多但覆盖率最高、账本最完整」。
§3 核心层 A：它凭什么算「一个国家」
3.0 权威性声明与使用边界
本篇的数字来自塔尔图大学基因组学研究所的公开数据说明页（2026-09 更新）与 Europe PMC 收录的论文摘要。前者负责规模、组学分层、访问流程与价目表，后者负责代表性偏差与历史规模。凡两者口径不一致处，正文并列呈现，不做取舍。
| 声明项 | 内容 |
|---|---|
| 医学内容审核 | 疾病与用药编码描述由编辑核对，未逐病种做临床复核 |
| 数据工程审核 | 字段字典以官方公开描述为准，实际交付以协议附件为准 |
| 利益冲突 | 与塔尔图大学、爱沙尼亚生物库无商业往来 |
| 数据合规 | 使用前须自行完成申请流程，本文不构成任何访问许可 |
| 医学免责 | 内容仅供研究与教育，不构成诊疗建议 |
| 更新机制 | 官方页面变更后应在下一轮校订同步 |
| 勘误渠道 | 通过站点反馈入口提交 |
3.1 覆盖率不是宣传词，是抽样方式的必然结果
多数生物库的样本来自「谁愿意来」——贴海报、发邮件、在门诊顺手邀请，结果是健康、受教育程度高、住得近的人过度代表。爱沙尼亚生物样本库的招募同样依靠自愿，但它把邀请铺到了全国每一个全科医生诊室与医院，加上国家层面的宣传，使参与率被推到约占成年人口两成的水平。分母足够大时，志愿者偏倚会被稀释。
这也是它最有讨论价值的数字：21 万人在英国生物银行面前只是四成规模，但两成的成年人覆盖率在全球主要生物库中位居前列。判断一个队列能不能用来估计人群层面的分布，看的正是这个比例，而不是绝对人数。
3.2 单一支付方是链接深度的前提
爱沙尼亚的健康保险基金是全民单一支付方，医疗服务的账单集中在一处。这意味着「谁在哪天开了什么药、做了什么检查、住了几天院」天然有一条统一流水。生物库要做的事只是在这条流水上按伪匿名编号做匹配，而不是去各家医院逐一谈数据共享。
这一点在联邦制或商业保险为主的国家很难复制：美国的理赔分散在数十家保险公司，英国的 NHS 虽然统一，但数据治理分层更复杂、跨机构审批链更长。爱沙尼亚的体量小，反而让「全国一本账」成为可能。
3.3 1999 年的那部法，先于库存在
《人类基因研究法》在生物库大规模建库之前就通过了。它一次性回答了四个问题：谁有权建库（经许可的法人）、样本如何保存与销毁、基因数据与健康数据能否链接（可以，在广泛同意下）、参与者能否被回访（可以，法律明文允许）。
对研究者而言，这不是抽象的伦理条款，而是流程设计的依据：因为法允许回访，药物基因组学团队才能按基因型筛出携带者、发出邀请、补采样本；因为法允许链接，登记层才能成为常规数据层而非特批事项。欧洲首例的说法，指的就是这种「立法先行、库随法建」的顺序。
3.4 组织结构：一个研究所、一个委员会、一部法
| 角色 | 承担者 | 职责边界 |
|---|---|---|
| 运营方 | 塔尔图大学基因组学研究所 | 样本保存、数据管理、发放执行 |
| 科学评审 | 生物库科学顾问委员会 | 评估研究的科学价值与可行性，按月开会 |
| 伦理评审 | 爱沙尼亚研究伦理委员会健康数据与数据科学分委会 | 评估伦理可接受性，仅用汇总统计时免审 |
| 出资与监督 | 社会事务部（国家预算） | 维持库的运转与保存 |
| 法律依据 | 《人类基因研究法》 | 规定建库、链接、回访、收费的合法性 |
这张表解释了一个常被忽略的事实：这个库的日常运转靠国家预算，数据费对欧盟学术机构减免到零，收费主要覆盖处理成本与算力。它不是靠卖数据活着的商业机构，因此也不会为了扩大收入而降低审查门槛。
§4 核心层 B：质量、特色与那个被反复回访的携带者
4.1 质控链条：从血样到可分析矩阵
| 环节 | 做了什么 | 对使用者的意义 |
|---|---|---|
| 采样 | 全科医生标准化体检 + 静脉血 | 基线指标与样本同步 |
| 提取 | DNA、血浆、白细胞分装 | 三类样本可分别申请 |
| 分型 | Illumina GSA 芯片，含爱沙尼亚特异位点 | 本地常见变异不漏检 |
| 插补 | 基于参考面板扩展到全基因组 | 可与外部汇总统计对齐 |
| 编码 | 问卷量表化、疾病 ICD-10、用药 ATC | 跨库比较的基础 |
| 链接 | 定期与登记库重新匹配 | 随访自动延长 |
| 认证 | 实验室符合 ISO 17025:2017 | 检测结果可追溯 |
4.2 特色一：处方是逐条账页，不是一次性自报
绝大多数队列的用药信息来自问卷：「你现在吃降压药吗」。这种数据无法回答「什么时候开始吃、换过几次药、依从性如何」。爱沙尼亚的处方来自保险基金理赔，每一条都带日期与 ATC 编码，等于给每个人建了一本用药流水账。
这带来的研究可能包括：药物暴露与结局的时间顺序判定、换药模式作为疗效不佳的代理指标、药物基因组交互作用的分层分析。代价是理赔只覆盖报销药物，自费药与非处方药不全，某些新药进入报销目录的时间晚于上市时间。
4.3 特色二：法律允许的回访，让基因型变成可追踪的邀请名单
多数生物库的一次性采样意味着「基因型知道，人却联系不上」。这个库的法律允许在伦理批准下重新联系参与者，于是出现了一类别的库很难做的研究：按基因型筛出携带者，请回来补采样本、做药物代谢试验、填新的问卷。
这类研究的样本量注定不大，但证据强度高，因为它把「关联」推进到「机制」。药剂师最关心的 CYP2C19、CYP2D6 这类代谢酶变异，正是靠这种设计拿到了体内数据。
4.4 案例：CYP2C19 与 CYP2D6 携带者的药代动力学回访
2026 年发表于《npj Genomic Medicine》的一项药代动力学回访研究，是理解这个库运行方式的合适样本。研究团队从队列中筛出携带 CYP2C19 与 CYP2D6 新发现变异的参与者，依法邀请他们回到研究中心，给予探针药物后连续采血，测定血药浓度曲线，从而判断这些变异是否真的改变代谢能力。
这个案例把三条线索串在一起：基因型层提供筛选名单，法律提供回访的合法性，生物样本层提供补采的载体。它也暴露了限制：携带特定罕见变异的人在全库里可能只有个位数，回访能组织起来的样本量以十计，统计上只能作为机制证据，不能当作剂量调整的临床依据。
§4.4 的案例在后续章节还会被引用：§5 讲取数流程时会以它为例说明回访类申请的特殊材料，§7 讲局限性时会用它说明小样本机制研究的功效天花板，§9 的引用规范也以它为例。
4.4b 一个常被高估的能力：把风险评分直接推到临床
爱沙尼亚在 2019 至 2023 年做过一轮国家层面的个性化医疗试点，把多基因风险评分与药物基因组检测搬进全科医生的诊室，乳腺癌与心肌梗死是两条主线。参与者拿到自己的遗传风险反馈，由家庭医生、肿瘤医生与医学遗传学家按需跟进。官方页面把这段经历写得很克制：研究项目里验证了很多「能跑通」的方案，但要把它们嵌进日常诊疗，仍需要新的信息系统组件。
对准备用它做验证的团队，这里有两条不太显眼的提醒。
| 提醒 | 说明 | 对你的影响 |
|---|---|---|
| 试点样本不是全队列 | 反馈给参与者的只是其中一部分，且经过额外的知情流程 | 不能用试点人群的表现代表全队列 |
| 反馈与随访互为因果 | 拿到高风险反馈的人会更积极就医，随访强度随之变化 | 评估评分效用时须用未反馈的对照 |
| 评分的人群特异性 | 欧洲内部训练的评分迁移到本库需重新校准 | 直接套用外部权重会低估或高估风险 |
| 制度前提 | 能落地靠的是单一支付方与全国病历系统 | 换成碎片化体系，同样的评分难落地 |
4.5 与「大库」相比，它放弃了什么
| 放弃的东西 | 换来的东西 | 何时会后悔 |
|---|---|---|
| 全队列全基因组测序 | 覆盖率与登记深度 | 需要罕见变异负荷分析时 |
| 大规模影像 | 全国处方账本 | 需要影像组学表型时 |
| 多轮问卷随访 | 链接式被动随访的低成本 | 需要纵向生活方式变化时 |
| 病例主动入组 | 不分病种的基础人群 | 需要罕见病富集队列时 |
| 跨国多中心异质性 | 单一支付方下的编码一致性 | 需要跨系统编码异构研究时 |
§5 核心层 C：怎么把数据拿到手
5.1 六步流程与时间预期
| 步骤 | 交给谁 | 官方给出的时限 | 你需要准备 |
|---|---|---|---|
| 预查询 | 数据发放协调员 | 5 个工作日内回复 | 说明所需数据层、样本量与可行性 |
| 科学顾问委员会申请 | 生物库科学顾问委员会 | 会后 15 个工作日内初步答复 | 研究方案、数据需求清单 |
| 伦理审查 | 研究伦理委员会健康数据分委会 | 每月一次会议（七月休会） | 伦理申请表、知情说明 |
| 数据发放申请 | 生物库 | 收到即处理 | 科学委员会决定 + 伦理批件 |
| 协议签署 | 双方 | 视机构流程 | 数据及材料转让协议、传输协议 |
| 环境开通 | 塔尔图大学 | 一次性配置 | SAPU 账户与计费信息 |
5.2 一份合格预查询要写清的五件事
预查询的作用是让协调员判断「你要的东西库里有没有、够不够」。写成研究计划反倒拖慢；写成五条清单最快。
1. 数据层：基因型（芯片/插补）、表型（问卷/登记）、组学（哪一层）
2. 人群范围：全队列 / 特定疾病病例 / 特定基因型携带者
3. 样本量：需要的病例数与对照数，以及可接受的交集下限
4. 分析位置：仅 SAPU 内分析 / 是否申请样本出境
5. 时间窗：登记覆盖的起止年份，是否需要回访
5.3 费用表怎么读
官方价目表把费用分成五类。对学术团队而言，最关键的一行是「数据获取费在减免档为 €0」，但这不等于免费：申请处理费与 SAPU 使用费不在减免范围内。
| 费用项 | 全价 | 欧盟学术减免价 | 说明 |
|---|---|---|---|
| 申请处理费 | 6,020 欧元/份 | 同价 | 不减免 |
| 同一申请增加机构 | 1,181 欧元/家 | 1,181 欧元/家 | 不减免 |
| SAPU 一次性配置 | 1,250 欧元 | 1,250 欧元 | 不减免 |
| CPU 使用 | 0.108 欧元/核/天 | 同价 | 按实际用量 |
| 内存使用 | 0.0468 欧元/GB/天 | 同价 | 大数据集注意内存计费 |
| SSD 存储 | 4.968 欧元/TB/天 | 同价 | 长期驻留成本高 |
| 登记表型数据 | 0.30 欧元/人 | 0 欧元 | 减免档免收 |
| 芯片基因型 | 10 欧元/人 | 0 欧元 | 减免档免收 |
| 插补基因型 | 15 欧元/人 | 0 欧元 | 减免档免收 |
| 全基因组测序 | 120 欧元/人 | 0 欧元 | 减免档免收 |
| NMR 代谢组 | 7 欧元/人 | 0 欧元 | 减免档免收 |
| 回访联系参与者 | 40 欧元/小时 | 同价 | 附加服务，不减免 |
5.4 SAPU 环境里能做什么、不能做什么
SAPU 是塔尔图大学的受控分析服务器。它给出的是一台带数据的 Linux 机器，而不是一堆可下载的文件。
#-- 登录前：确认拿到的是 SAPU 账户与项目目录，而非下载链接
#-- 典型工作流：上传分析脚本 → 在服务器内读取数据 → 生成结果 → 提交导出审核
ssh <your-account>@sapu.ut.ee
cd /project/<proposal-id>
ls
#-- 目录通常包含表型、基因型、组学三块，具体命名以交付说明为准
du -sh ./*
能做的： 任何在 Linux 上跑得动的分析——GWAS、PRS 计算、生存分析、机器学习建模，只要内存与核数在计费范围内。不能做的： 把原始表型或基因型文件拷出、把大样本个体级数据贴进聊天工具、把可识别字段写进导出结果。导出须经审查，这一步常常是项目后期最容易卡住的地方。
5.5 在沙箱里跑一次 GWAS 的最小脚本
下面的流程假设你已经在 SAPU 内、拿到了表型表与插补剂量文件路径。它展示的是结构，具体文件名以项目目录为准。
#-- 在 SAPU 服务器内运行；数据不出域
import pandas as pd
import numpy as np
from pathlib import Path
root = Path("/project/<proposal-id>")
pheno = pd.read_csv(root / "pheno/phenotype.tsv", sep="\t")
#-- 病例定义：糖尿病 E11，取首个诊断日期，排除 1 型
diag = pd.read_csv(root / "pheno/icd10_events.tsv", sep="\t")
t2d = (diag.query("code.str.startswith('E11')", engine="python")
.groupby("participant_id")["date"].min().rename("t2d_date"))
pheno = pheno.merge(t2d, left_on="participant_id", right_index=True, how="left")
pheno["t2d"] = pheno["t2d_date"].notna().astype(int)
#-- 排除测序前已确诊者，控制反向因果
pheno = pheno[(pheno["t2d_date"].isna()) | (pheno["t2d_date"] > pheno["baseline_date"])]
#-- 协变量：年龄、性别、前十主成分
covar = ["age_at_baseline", "sex"] + [f"PC{i}" for i in range(1, 11)]
X = pd.get_dummies(pheno[["sex"]], drop_first=True)
X = pd.concat([pheno[["age_at_baseline"]].reset_index(drop=True),
X.reset_index(drop=True),
pheno[[f"PC{i}" for i in range(1, 11)]].reset_index(drop=True)], axis=1)
X.insert(0, "const", 1.0)
import statsmodels.api as sm
model = sm.Logit(pheno["t2d"].values, X.values).fit(disp=0)
print(pheno["t2d"].mean(), model.params[:3])
#-- 位点级关联与插补 info 过滤在单独脚本中逐染色体循环完成
#-- 位点级扫描（示意）：按染色体分块读取插补剂量，逐位点做逻辑回归
import numpy as np
import pandas as pd
import statsmodels.api as sm
def scan_chrom(dosage_path, pheno, X, chrom):
res = []
for chunk in pd.read_csv(dosage_path, sep="\t", chunksize=5000):
chunk = chunk[chunk["info"] >= 0.8]
for _, snp in chunk.iterrows():
g = snp.drop(labels=["snp_id", "info"]).values.astype(float)
mask = ~np.isnan(g)
Xg = np.column_stack([X.values[mask], g[mask]])
y = pheno["t2d"].values[mask]
fit = sm.Logit(y, Xg).fit(disp=0)
res.append((chrom, snp["snp_id"], fit.params[-1], fit.bse[-1], fit.pvalues[-1]))
return pd.DataFrame(res, columns=["chrom", "snp", "beta", "se", "p"])
5.6 用官方汇总入口核对外部信号
在沙箱内跑完位点扫描后，通常要跟外部汇总统计比对效应方向。Europe PMC 的检索接口可以用来快速定位「这个位点是否在爱沙尼亚队列中被报告过」，这是低成本的一致性检查。
#-- 查询 Europe PMC 中提及该队列的论文，确认位点是否已被报告
curl -sG "https://www.ebi.ac.uk/europepmc/webservices/rest/search" \
--data-urlencode 'query="Estonian Biobank" AND SRC:MED' \
--data-urlencode 'resultType=core' \
--data-urlencode 'format=json' \
--data-urlencode 'pageSize=25' \
| python3 -c "import json,sys; d=json.load(sys.stdin); print(d['hitCount']); [print(r.get('pmid'), r.get('pubYear'), r.get('title')[:90]) for r in d['resultList']['result']]"
#-- 读取检索结果，按年份统计提及量，判断该队列近年的活跃主题
import json, urllib.parse, urllib.request
from collections import Counter
base = "https://www.ebi.ac.uk/europepmc/webservices/rest/search"
q = urllib.parse.urlencode({"query": '"Estonian Biobank" AND SRC:MED',
"resultType": "core", "format": "json", "pageSize": 100})
data = json.load(urllib.request.urlopen(f"{base}?{q}"))
years = Counter(r["pubYear"] for r in data["resultList"]["result"] if r.get("pubYear"))
print("命中总数:", data["hitCount"])
print(sorted(years.items()))
5.7 回访类申请的额外材料
§4.4 的案例属于「需要联系参与者」的类型，流程比纯数据申请多两步：一是在伦理申请中写明回访方式、补偿方案与退出机制，二是与生物库约定联系服务（官方价目表按每小时 40 欧元计）。回访名单由生物库按基因型筛选生成，研究者看不到未入选者的身份信息。
§6 与库内条目的关系
6.0 DAIMS 二十四项评估
DAIMS 是数据提供方自查用的一套框架，用来回答「这份数据交出去后，别人能不能不打电话问你就把它用对」。这里逐项过一遍，✅ 表示满足，⚠️ 表示部分满足，❌ 表示不具备。
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 宽表结构 | ✅ | 表型表以参与者为行，基因型另表，键值一致 |
| 2 | 唯一标识 | ✅ | 伪匿名参与者编号跨层唯一 |
| 3 | 特殊字符 | ✅ | 编码字段为 ASCII 或受控词表 |
| 4 | 重复行 | ⚠️ | 登记事件表同一病人可多次出现，需按日期去重 |
| 5 | 缺失编码 | ⚠️ | 未测组学与未发生事件语义不同，须区分 |
| 6 | 标签标识 | ✅ | 疾病 ICD-10、用药 ATC，编码公开 |
| 7 | 罕见类分组 | ⚠️ | 官方不公布按病种病例数，需申请后统计 |
| 8 | 偏倚评估 | ⚠️ | 有已发表代表性研究，但无内置校正权重 |
| 9 | 数据字典 | ✅ | 交付附字段说明 |
| 10 | 信息性缺失 | ⚠️ | 登记覆盖年份不同导致缺失含义不同 |
| 11 | 设备记录 | ❌ | 无影像与床旁设备元数据 |
| 12 | 共线性 | ✅ | 提供主成分，可作协变量 |
| 13 | 编码映射 | ✅ | ICD-10 与 ATC，部分向 OMOP 映射 |
| 14 | 时间信息 | ✅ | 事件带日期，可构造随访窗 |
| 15 | 纵向结构 | ✅ | 登记层被动随访，长度随年份增长 |
| 16 | 地理信息 | ⚠️ | 仅到县一级，无更细粒度 |
| 17 | 人口学覆盖 | ✅ | 年龄、性别、民族、县 |
| 18 | 合并可行性 | ⚠️ | 与外部库合并需外部提供插补与编码对齐 |
| 19 | 许可清晰 | ✅ | 转让协议逐项目约定用途 |
| 20 | 访问可及 | ⚠️ | 流程以月计，数据不出域 |
| 21 | 版本记录 | ⚠️ | 数据按申请快照发放，版本号以协议为准 |
| 22 | 引用指引 | ✅ | 官方要求引用队列简介论文 |
| 23 | 文档语言 | ⚠️ | 英文为主，部分表格为爱沙尼亚语 |
| 24 | 支持渠道 | ✅ | 数据协调员与生物库联系邮箱 |
6.1 关系图谱
| 关系 | 条目 | 互补或替代的理由 |
|---|---|---|
| 同量级对照 | 英国生物银行 | 规模更大、影像更深，可作主分析队列，本库作复制与处方层补充 |
| 邻国同构 | FinnGen | 同为登记链接型，但芬兰人群遗传隔离更明显，两者可做北欧内部对照 |
| 罕见变异富集 | 英国十万基因组计划 | 全基因组测序覆盖全队列，补足本库测序层仅三千人的短板 |
| 人群多样性 | All of Us 研究计划 | 提供非欧洲祖先样本，用于检验本库结论的跨人群迁移性 |
| 亚洲对照 | BioBank Japan | 东亚人群的医院型生物库，做跨大陆效应比较 |
| 关联证据层 | GWAS Catalog | 汇总已发表关联，用于先验筛选候选位点 |
| 频率参考 | gnomAD | 判断变异在人群中的稀有程度，辅助过滤 |
| 参考基因组 | HPRC | 结构变异与泛基因组参考，配合测序子集使用 |
| 临床深度 | MIMIC-IV | 提供 ICU 级高频生理与用药记录，弥补本库只有账单级粒度的不足 |
6.2 检索路径
按任务找。 要做处方暴露与结局的时序分析，入口是本库；要做影像组学，入口是英国生物银行；要做罕见病诊断，入口是十万基因组计划；要做非欧洲人群迁移验证，入口是 All of Us 或 BioBank Japan。
按数据层找。 需要全基因组测序且样本量大，本库不合适；需要芯片级大样本加处方账本，本库是首选；需要代谢组，本库有一万余人，规模中等但人群代表性好。
按合规难度找。 本库的审查链是三段（科学、伦理、协议），比英国生物银行的在线申请重，但比需要议会层级审批的登记数据轻。预算紧张且只需汇总统计的团队，可以先查已发表论文中的汇总结果，避免为一个小问题走完整流程。
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
不要把「覆盖率 20%」误判成「无偏」。 这两个词经常被混着用。覆盖率回答的是「抽样分母有多大」，偏倚回答的是「进来的人与没进来的人有什么系统差别」。即使抽了两成人，只要加入的动机与健康状况相关，偏差依然存在。2026 年一项以全国参考数据为对照的研究已经量化了这一点：队列对门诊常见病系统性富集，对致死率高的疾病系统性缺失。
另一处常见的误判是把「受控访问 + 伪匿名」等同于「绝对安全」。在一个人口一百三十万的国家里，罕见病叠加出生年份、居住县、家族史，足以在很小的候选集里定位到具体个人。去匿名化风险高，是这个模式与生俱来的代价，不是执行不力。
7.1 五维评分
| 维度 | 评分 | 依据 |
|---|---|---|
| 规模 | 3/5 | 逾 21 万人，欧洲中型队列；组学层样本数更小 |
| 代表性 | 4/5 | 覆盖率约两成成年人口，常见慢性病接近全人口水平；门诊病仍过代表 |
| 链接深度 | 5/5 | 全民单一支付方 + 癌症与死因登记，逐条带日期 |
| 可及性 | 2/5 | 三段审查、数据不出域、按项目付费，流程以月计 |
| 可复现性 | 3/5 | 数据与代码留在沙箱，外部只能复现到结果层，无法复现到原始数据层 |
7.2 与「大库」的三处不可比
7.2b 五维评分怎么用，别怎么用
上面那张评分表只适合拿来做同类型资源之间的横向比较，不能当成「数据集质量分」。具体地说：
- 不要用它做选型排序的唯一依据。 规模分低不代表不能做药物基因组学，可及性分低不代表不值得走流程。权重取决于你的课题，而不是这张表。
- 不要跨类型套用。 影像库与登记型队列的「链接深度」含义不同，把分数直接相加没有意义。
- 要看的是短板是否致命。 对做 GWAS 的团队，可及性 2/5 只是时间成本；对做影像的团队，规模与表型深度同时不足，才是真短板。
- 评分会随官方变更漂移。 若某年测序层扩容到上万，规模分会变；若数据访问改为云上联邦分析，可及性分也会变。引用评分时应注明核对日期。
§4.4 的案例正好说明这一点：以总人数衡量，一个只有个位数携带者的回访研究在「规模」维度几乎得零分，但它是全球少数能做成的研究之一。评分是地图，不是地形。
7.2c 去匿名化风险：小国的另一面
覆盖率高的另一面是识别风险高。在全人口一百三十余万的国家的两成样本里，一个罕见病、一个具体的出生年份、一个县、再加一段四代家族史，就足以把候选范围缩到很小的圈子。国际上讨论生物库隐私时常用的「k-匿名」思路在这里失效：背景信息越少，反而是越多——因为分母本来就小。
| 风险来源 | 在本库的具体形态 | 官方与协议层面的应对 |
|---|---|---|
| 罕见病 + 人口学组合 | 罕见病病例数可能只有个位数 | 交付粒度控制，极端组合需特殊审查 |
| 家族史字段 | 四代谱系可间接定位亲属 | 分析在沙箱内，谱系不出域 |
| 地理信息 | 县一级，但小国县级人口少 | 结果导出时合并或粗化 |
| 基因型本身 | 基因型具有高度个体可识别性 | 不发放原始基因型，仅沙箱内使用 |
| 与其他登记交叉 | 公开登记可反查 | 协议禁止任何再识别尝试 |
7.3 已知的、可枚举的偏差
| 偏差 | 方向 | 量级（出处） | 缓解方式 |
|---|---|---|---|
| 门诊常见病过代表 | 患病率被高估 | 色素细胞痣患病率比约 2.07，重度抑郁约 1.53（2026 年代表性研究） | 按登记来源分层，或改用全国参考 |
| 致死率高疾病缺失 | 患病率被低估 | 肺癌约 0.69，血管性痴呆约 0.45（同上） | 敏感性分析，避免用于死亡率建模 |
| 后期招募更健康 | 队列内部异质 | 第二轮招募呈预防导向特征（同上） | 按招募批次分层 |
| 民族构成集中 | 跨人群外推受限 | 爱沙尼亚族约 83%，俄罗斯族约 14% | 做祖先分层，外部验证 |
| 处方仅覆盖报销药 | 暴露被低估 | 保险基金口径 | 与问卷自报交叉核对 |
| 问卷仅基线一次 | 生活方式变化缺失 | 招募时一次采集 | 不用于生活方式轨迹研究 |
| 组学层样本小 | 多组学交集缩水 | 甲基化 821、表达一千一 | 预先确认交集人数 |
7.4 外部验证矩阵
| 验证角度 | 本库已发表证据 | 外部对照 | 结论 |
|---|---|---|---|
| 常见病 GWAS 可复制性 | 多项常见病关联在不同年份重复报告 | 英国生物银行、FinnGen | 方向一致，效应量略有差异 |
| 代表性 | 与全国 30% 参考数据比 1,028 个 ICD-10 类别 | 全国参考数据 | 约四成七类别偏离超 1.3 倍 |
| 药物基因组学 | CYP2C19/CYP2D6 变异携带者回访 | 体外与临床药理数据 | 机制层面得到体内支持 |
| 代谢组关联 | NMR 代谢组 GWAS 已有多篇 | 国际代谢组联盟 | 主要信号可复制 |
| 跨人群迁移 | 以欧洲内部验证为主 | 东亚队列 | 迁移衰减明显，需重校准 |
7.5 它为何能持续：把建库写进国家预算与法律
这个库不是靠项目经费活着的。官方页面写明，样本保存与库的维护由国家预算通过社会事务部拨款，采样、编表、伪匿名化与去伪匿名化的支出也列入国家预算。这意味着它不依赖某一轮科研基金的周期，也不会因为某个课题结束而停止随访。
法律提供了第二个支点：因为《人类基因研究法》在库之前就存在，链接与回访不需要每次重新立法或逐案解释，流程可以在固定框架内反复执行。第三个支点是它的产出方式——研究者在 SAPU 内分析，成果以论文与政策工具（如多基因风险评分的临床试点）回流到国家卫生系统，形成「国家投入—学术产出—临床使用」的闭环。
§8 生态位与历史
8.1 历史沿革
| 时间 | 事件 | 意义 |
|---|---|---|
| 1999 | 《人类基因研究法》通过 | 为生物库提供法律框架，欧洲首例 |
| 2000 | 塔尔图大学启动爱沙尼亚基因组计划 | 建库起点 |
| 2002 | 开始大规模招募 | 全科医生与医院共同招募 |
| 2004 | 全国医疗记录逐步数字化 | 为后续逐条链接打下基础 |
| 2015 | 队列简介论文发表于《国际流行病学杂志》 | 当时约五万二千人，占成年人口约 5% |
| 2019–2023 | 国家个性化医疗解决方案项目 | 建 IT 基础设施，试点多基因风险评分与药物基因组检测 |
| 2023 | 个性化医疗卓越中心获资 3,000 万欧元 | 欧盟与爱沙尼亚各半 |
| 2026 | 队列逾 21 万人，代表性研究发表 | 覆盖率与偏倚首次被系统量化 |
读法提示。 2015 年的论文写「近五万二千人、约 5%」，与今天的「逾 21 万、约 20%」并不矛盾，中间是十余年的持续招募。引用规模数字时必须带上年份口径，否则会出现「同一队列被引用成两个不同规模」的混乱。
8.1b 三代芯片的更替，与「位点漂移」这件事
所有人都测同一块芯片是理想状态，现实是队列横跨二十余年，分型技术换过几代。官方页面描述当前状态时用的是「全部参与者已用 Illumina GSA 芯片完成分型」，这句话背后是一次统一化工程：早期测过的样本经过重新分型或对齐，才能在同一张矩阵里比较。
| 阶段 | 技术状态 | 对使用者的影响 | 应对 |
|---|---|---|---|
| 早期建库 | 分型平台不统一，覆盖位点较少 | 老样本的位点密度与后期不同 | 统一到当前芯片矩阵后再分析 |
| 统一化 | 换用 GSA 芯片，加入本地特异位点 | 位点集合扩大，可比性提升 | 以官方矩阵为准，不要用旧版 |
| 插补扩展 | 借助参考面板覆盖未测位点 | 低频变异依赖插补质量 | 按 info 分数过滤 |
| 组学叠加 | 测序、甲基化、代谢组分批补测 | 分层人群不同，交集缩小 | 预先确认交集人数 |
8.2 在 BBMRI-ERIC 与欧洲网络中的位置
它是 BBMRI-ERIC 的创始成员之一，爱沙尼亚以社会事务部名义加入欧洲「百万基因组」路线图，参与肿瘤与复杂疾病、药物基因组学、罕见病等工作组。这层身份的意义在于：它的样本与数据标准要与欧洲生物库的通行规范对齐，编码与质控不完全是自定的一套。
对齐的代价是流程繁琐，收益是可比性。对本库使用者而言，最直接的体现是部分数据正在向 OMOP 通用数据模型映射——如果完成，未来做多库联合分析时，表型定义的转换成本会显著降低。
8.3 与英国、美国模式的分野
| 维度 | 爱沙尼亚模式 | 英国模式 | 美国模式 |
|---|---|---|---|
| 建库主体 | 大学 + 国家预算 | 慈善基金 + 政府 | 联邦项目 + 多中心 |
| 法律基础 | 专项立法先行 | 既有法律体系内运作 | 既有法律 + 项目协议 |
| 支付体系 | 单一支付方 | 统一体系但治理分层 | 商业保险分散 |
| 覆盖率 | 约两成成年人口 | 个位数百分比 | 项目自选，非人口比例 |
| 回访 | 法律明文允许 | 有，以子队列为主 | 有，按项目设计 |
| 复制难度 | 极高（需同规模国家 + 单一支付方 + 专项立法） | 高 | 极高 |
8.4 需求侧：谁在用它，为什么用
从 Europe PMC 的检索结果看，MEDLINE 中提及该队列的论文有数百篇，近年主题集中在代谢与心血管、精神疾病遗传、药物基因组学与 COVID-19 后续影响。官方页面称，仅塔尔图大学基因组中心的研究者就基于该库发表了逾 830 篇同行评审论文。
需求侧的结构说明它的定位：它更多被当作「验证与机制」的场地，而不是「发现」的主力。发现阶段用大库，复制与机制用本库，是很多团队的默认分工。
§9 使用指引
9.1 三种角色的路径
做遗传发现的团队。 建议把它放在复制阶段：先用大库或 meta 分析锁定候选位点，再在本库做独立复制与效应方向核对。预算上把申请处理费与 SAPU 配置费计入，不要按「免费学术数据」做预算。
做临床转化的团队。 它的处方账本与回访机制最合适：先用登记层做暴露-结局的观察性分析，再用回访做小样本机制验证。注意观察性部分要处理适应证混杂，回访部分要提前规划伦理材料。
9.2 一条最短的可用流程
从零到跑出第一张图，最短路径如下。
#-- 第一步：预查询（5 个工作日内回复），确认数据层与样本量可行
#-- 第二步：准备科学顾问委员会申请（按月开会，倒排时间）
#-- 第三步：伦理申请（健康数据与数据科学分委会，七月休会）
#-- 第四步：签署转让协议，开通 SAPU，上传脚本
ssh <your-account>@sapu.ut.ee
cd /project/<proposal-id>
cat > check_env.py <<'EOF'
import pandas as pd, statsmodels, numpy
print(pd.__version__, statsmodels.__version__, numpy.__version__)
EOF
python3 check_env.py
#-- 第五步：先做最小闭环——读表型、算一个粗关联、确认能导出结果
import pandas as pd
root = "/project/<proposal-id>"
pheno = pd.read_csv(f"{root}/pheno/phenotype.tsv", sep="\t")
print(pheno.shape)
print(pheno["sex"].value_counts())
#-- 确认行数与预查询答复中的样本量一致，再进入正式分析
9.3 引用方式
使用该库的研究须在论文中致谢生物库并引用队列简介论文。推荐同时引用 2015 年的《国际流行病学杂志》队列简介（DOI 10.1093/ije/dyt268）与所用数据层的对应方法学论文，并在方法部分写明数据申请编号与数据版本。
引用模板（供改写）： 「本研究使用了爱沙尼亚生物样本库（Estonian Biobank, University of Tartu）的数据与样本，数据申请编号 XXXXX，经生物库科学顾问委员会与爱沙尼亚研究伦理委员会批准。队列描述见 Leitsalu 等（2015）。」
三类研究各自的致谢重点。 只用登记层的研究要写明登记来源与覆盖年份；用到组学层的研究要写明平台与测序批次；用到回访的研究（如 §4.4 的案例）要写明伦理批号、回访方式与补偿安排。致谢写得粗，审稿人无法判断你用的到底是哪一片数据。
| 研究类型 | 必写项 | 常被漏写 |
|---|---|---|
| 纯登记分析 | 登记来源、覆盖年份、病例定义 | 数据版本与提交日期 |
| 基因型关联 | 芯片平台、插补面板、info 阈值 | 主成分数量与祖先分层方式 |
| 组学整合 | 平台、批次、质控剔除标准 | 交集样本量 |
| 回访研究 | 伦理批号、回访时间窗、补偿 | 未响应者的比例 |
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 内容生成方式 | 由 AI 助手依据官方页面与论文摘要起草，编辑人工核对结构 |
| 数字来源 | 规模与结构数字取自官方数据说明页；代表性偏差数字取自已发表论文摘要 |
| 未核实项 | 部分费用表述以价目表原文为准，兑换与税费未换算 |
| 代码 | 示例代码为结构示意，未在 SAPU 内实际执行 |
| 医学内容 | 疾病与用药编码描述为通用说明，不构成诊疗建议 |
| 更新机制 | 官方页面更新后应在下一轮校订中同步数字与口径 |
| 责任边界 | 使用前须自行核对官方最新页面与申请要求 |
| 利益冲突 | 与塔尔图大学、爱沙尼亚生物库无商业关联 |
常见误读（避坑清单）
| 说法 | 实际 | 证据 |
|---|---|---|
| 「只有 20 万人，数据量太小」 | 规模不等于可用性，两成人口覆盖率使其代表性优于许多大库 | 官方页面称约两成成年人口参与 |
| 「数据可以下载后本地训练」 | 数据只在 SAPU 内分析，导出结果须审查 | 官方数据访问页明示 |
| 「学术使用完全免费」 | 数据费减免为 €0，申请处理费与 SAPU 使用费照收 | 官方价目表 |
| 「全库都有全基因组测序」 | 测序层约三千人，绝大多数只有芯片 | 官方数据构成表 |
| 「志愿者队列可以估患病率」 | 门诊病过代表、致死病缺失，须校正 | 2026 年代表性研究摘要 |
| 「签个在线表单就能拿到数据」 | 预查询、科学委员会、伦理委员会、协议四段 | 官方六步流程 |
| 「回访数据可以随便联系参与者」 | 须伦理批准，且由库方按基因型筛选后发出 | 官方回访说明与法条 |
| 「样本可以自由带出境」 | 出境需伦理说明 + 校务委员会许可 | 官方样本出境说明 |
| 「和英国生物银行可以直接合并」 | 芯片位点、插补面板、表型定义均不同 | 官方组学平台说明 |
| 「2015 年论文说五万二千人，前后矛盾」 | 那是当年的规模，此后持续招募 | 队列简介论文摘要 |
FAQ
Q1：申请要多久？
预查询五个工作日有回；科学顾问委员会与伦理委员会都是按月开会，加协议签署，顺利时数月。倒排计划比压缩评审更实际。
Q2：能只申请汇总统计吗？
可以，且仅需汇总统计时伦理审查可免，费用也更低。适合先做可行性判断。
Q3：数据里有姓名或身份证号吗？
没有。交付的是伪匿名编号，但库方保留去匿名化的能力，这也是受控访问的原因之一。
Q4：能拿到原始测序读段吗？
一般不能。发放的是变异调用与基因型矩阵，读段级别数据不在常规发放范围。
Q5：队列里有多少糖尿病人？
官方不公布按病种的分层病例数，需在预查询中询问，或申请后在沙箱内统计。常见病的病例数足以支撑 GWAS。
Q6：可以用于商业药物研发吗？
可以申请，但按全价收费，且协议会限定用途与成果发表。商业用途不享受欧盟学术减免。
Q7：数据版权归谁？
归塔尔图大学与生物库，使用者获得的是协议期内的使用权，不得再分发。
Q8：能和中国队列做联合分析吗？
可以设计，但只能比对汇总结果，个体级数据不能合并出域。跨人群迁移需要另行校准。
Q9：三年到期怎么办？
可按原费用三分之一逐年续期，须重新确认伦理批准仍然有效。
Q10：撤回同意的参与者数据会怎样？
会从后续数据发放中移除，分析集须按最新版本重建，不能沿用旧清单。
Q11：为什么论文里同一个库的人数不一样？
因为不同论文用了不同年份或不同数据层（基因型人数、有样本人数、有组学人数各不相同）。
术语表
| 术语 | 含义 |
|---|---|
| EstBB | Estonian Biobank 的通用缩写 |
| Eesti Geenivaramu | 爱沙尼亚语原名，字面意为「基因宝库」 |
| HGRA | 《人类基因研究法》，1999 年通过 |
| 广泛同意 | 一次授权覆盖未来多类研究，不必逐项重签 |
| SAPU | 塔尔图大学受控数据分析服务器 |
| 伪匿名化 | 去掉身份信息但保留可回溯映射 |
| 去伪匿名化 | 库方在特定条件下恢复身份对应关系 |
| ICD-10 | 国际疾病分类第十版 |
| ATC | 解剖治疗化学药物分类 |
| 芯片分型 | 用固定位点探针测定基因型 |
| 插补 | 依据参考面板推断未测位点 |
| info 分数 | 插补质量指标，越接近 1 越可靠 |
| 多基因风险评分 | 汇总多个位点效应估计个体风险 |
| GWAS | 全基因组关联分析 |
| 回访研究 | 依法重新联系参与者补采数据 |
| 探针药物 | 用于测定代谢能力的试验药物 |
| BBMRI-ERIC | 欧洲生物库基础设施研究联盟 |
| OMOP | 观察性医疗结果合作组织的通用数据模型 |
| 单一支付方 | 全国只有一个主体支付医疗费用 |
| 健康保险基金 | 爱沙尼亚的全民医保机构 |
| 癌症登记 | 全国肿瘤病例登记系统 |
| 死因登记 | 全国死亡原因登记系统 |
| 志愿者偏倚 | 自愿加入者与总人群的系统差别 |
| 碰撞偏倚 | 因共同后果被控制而产生的虚假关联 |
| 患病人群富集 | 病例在样本中被过度代表 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 参与者规模 | 逾 21 万（2026-09） | 官方数据说明页 | 官方页面 |
| 芯片分型人数 | 20 万 | 官方数据构成表（取整） | 官方页面 |
| 芯片位点数 | 逾七十万 | 官方页面 | 官方页面 |
| 成年人口覆盖率 | 约 20% | 官方页面 | 官方页面 |
| 民族构成 | 83 / 14 / 3 | 官方页面 | 官方页面 |
| 全基因组测序 | 3,000 | 官方数据构成表 | 官方页面 |
| 外显子测序 | 2,500 | 官方数据构成表 | 官方页面 |
| 甲基化芯片 | 821 | 官方数据构成表 | 官方页面 |
| 表达芯片 | 1,100 | 官方数据构成表 | 官方页面 |
| NMR 代谢组 | 10,840 | 官方数据构成表 | 官方页面 |
| 宏基因组 | 2,509 | 官方数据构成表 | 官方页面 |
| 预查询回复时限 | 5 个工作日 | 官方访问流程 | 官方页面 |
| 科学委员会答复 | 会后 15 个工作日 | 官方访问流程 | 官方页面 |
| 申请处理费 | 6,020 欧元 | 官方价目表 | 官方页面 |
| 学术数据费 | 0 欧元 | 官方价目表 | 官方页面 |
| 授权期 | 3 年 | 官方价目表脚注 | 官方页面 |
| 2015 年队列规模 | 近五万二千人 | 队列简介论文摘要 | 论文摘要 |
| 2015 年人口占比 | 约 5% | 队列简介论文摘要 | 论文摘要 |
| 论文引用数（2015 简介） | 397 | Europe PMC | 论文数据库 |
| 偏离参考的诊断类别 | 约 47% | 2026 年代表性研究摘要 | 论文摘要 |
| 重度抑郁患病率比 | 1.53 | 同一研究摘要 | 论文摘要 |
| 肺癌患病率比 | 0.69 | 同一研究摘要 | 论文摘要 |
附录 B：数字的来源分层
| 层级 | 含义 | 本文中的例子 |
|---|---|---|
| 官方页面 | 塔尔图大学基因组学研究所公开页面原文 | 21 万人、20% 覆盖率、组学各层人数、价目表、六步流程 |
| 论文摘要 | 经 Europe PMC 检索到的摘要原文 | 2015 年近五万二千人、2026 年代表性研究的患病率比 |
| 未核实 | 未取得一手来源，仅作背景 | 全国医疗记录自 2004 年起数字化的具体时点（仅见于概述，未逐条求证）、830 篇论文的精确计数 |
哪些数字不能跨年引用。 队列规模（每年增长）、组学各层人数（分批补测）、论文计数（持续累加）——这三类数字在没有年份标注时没有意义。相对稳定的只有覆盖率量级、民族构成、编码体系与访问流程。
附录 C：完整参考文献
- Leitsalu L, Haller T, Esko T, 等. Cohort Profile: Estonian Biobank of the Estonian Genome Center, University of Tartu. International Journal of Epidemiology, 2015, 44(4). DOI: 10.1093/ije/dyt268. PMID: 24518929.
- Pajusalu M, Oja M, Mooses K, 等. Comparison of the prevalence of all diagnosed diseases among Estonian Biobank participants against the general population. 预印本, 2026. DOI: 10.64898/2026.02.05.26345634.
- 爱沙尼亚生物库数据说明页（含数据采集、数据构成、数据访问）: https://genomics.ut.ee/en/content/estonian-biobank
- 塔尔图大学基因组学研究所主页: https://genomics.ut.ee/en
- Europe PMC 检索接口: https://www.ebi.ac.uk/[europepmc](https://www.qianfanghub.com/ai-ready-dataset/europepmc/1353)/webservices/rest/search
- 爱沙尼亚《人类基因研究法》英文合并本: https://www.riigiteataja.ee/en/eli/522012015004/consolide
附录 D：申请前自查清单
| 检查项 | 通过标准 | 不通过怎么办 |
|---|---|---|
| 数据层是否明确 | 列出所需层级与字段 | 先发预查询确认 |
| 样本量是否够 | 病例数达到设计下限 | 考虑与大库 meta 而非单独分析 |
| 交集是否确认 | 多组学交集人数已知 | 向协调员索取交集统计 |
| 预算是否含算力 | 申请费 + SAPU 配置 + 使用费 | 单列预算行 |
| 伦理材料是否齐 | 方案、知情、回访机制 | 提前对照分委会要求 |
| 时间是否倒排 | 对齐委员会开会日期 | 调整项目里程碑 |
| 出境是否必要 | 优先选择不出域分析 | 需要出境则预留校务委员会时间 |
| 引用是否准备 | 队列简介论文已列入 | 补入参考文献 |
附录 E：如果只记五件事
- 它的价值在覆盖率与链接深度，不在样本量。
- 数据不出域，一切分析在 SAPU 内完成，导出要审。
- 学术数据费是零，但申请费与算力费照收。
- 门诊常见病过代表、致死病缺失，患病率类结论必须校正。
- 1999 年的立法先行，是它能被复制不了的根本原因。
编辑说明
本篇为写手稿，核验时间 2026-10-27。规模与结构数字取自塔尔图大学基因组学研究所的公开数据说明页（2026-09 更新）；代表性偏差数字取自已发表论文摘要，其中患病率比的具体值仅见于摘要，未追溯到全文表格。全国医疗记录数字化起点、830 篇论文的计数等背景信息属于概述性表述，未逐条求证，已在附录 B 标为未核实。示例代码为结构示意，未在 SAPU 环境中执行，实际字段名以项目交付的数据字典为准。费用数字为价目表原文，未含增值税与汇率换算。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- finngen — 共享标签：基因组学与多组学 / 电子健康记录 / 队列研究 / GWAS
- biobank-japan — 共享标签：基因组学与多组学 / 电子健康记录 / 队列研究 / GWAS
- dbgap — 共享标签：基因组学与多组学 / 电子健康记录 / 队列研究 / GWAS
- all-of-us-nih-legacy — 共享标签：基因组学与多组学 / 电子健康记录 / 队列研究
- dep-eas-gwas — 共享标签：基因组学与多组学 / 队列研究 / GWAS
- uk-biobank — 共享标签：基因组学与多组学 / 电子健康记录 / 队列研究
- metabric — 共享标签：基因组学与多组学 / 电子健康记录 / 队列研究
- vanderbilt-sd-biovu — 共享标签：基因组学与多组学 / 电子健康记录 / GWAS
- million-veteran-program — 共享标签：基因组学与多组学 / 电子健康记录 / 队列研究
- geisinger-mycode — 共享标签：基因组学与多组学 / 电子健康记录 / 队列研究
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
