信息速览
INFOBOX — Our Future Health 一屏速览
维度 内容 本质 英国非概率志愿者前瞻性队列（非开放数据下载集），目标 500 万成年居民 当前版本 Release 14（2026-05-28 入库，数据纳入截止 2026-03-24） 同意+问卷 2,021,810（Participant 表 2,022,814） 地理数据 1,983,038（LSOA/MSOA 各 1,914,754；苏格兰 Intermediate Zone 40,031） NHS 链接 1,690,704 链接成功，其中 1,666,336 至少一条记录 临床测量 1,518,202；其中 1,159,273 有 POCT 血脂 基因数据 755,000（芯片 686,416 变异 + 插补 159,587,100 变异；女 417,918/男 337,082） 人群构成 18-39 岁 24.7%｜40-59 37.3%｜60-79 35.8%｜80+ 2.2%；女 57.2%/男 42.7%；白人 89.6% 分析环境 Trusted Research Environment（TRE），DNAnexus 平台，数据不出环境 获取链路 注册账号 → Registered Researcher（2 周）→ 研究申请（Access Board，60 天）→ Resource T&C（境外加 IDTA）→ 付费 → TRE 内分析 论文 Int J Epidemiol 2025;54(6):dyaf171（CC BY 4.0）；Nature Medicine 2026-09-10 基线表型分析 库内互链 uk-biobank(96)（不同队列，互为外部验证，非子集）、all-of-us(575)、genomics-england-100k(179)、finngen(189)、nhs-hes(474)
Our Future Health（下称 OFH）是英国政府、产业界与慈善界共同资助的超大型健康研究项目，目标是把最多 500 万名英国成年居民收进同一个前瞻性队列。它最容易被误读的地方在于：这不是一个"数据集"，而是一套受控的研究基础设施。没有人可以从官网下载一份 our_future_health.csv；能拿到的公开文件只有数据字典、编码表和变异清单。真正的个体级数据躺在 DNAnexus 承建的 Trusted Research Environment（TRE，可信研究环境）里，研究者必须把自己"搬进去"，而不是把数据"搬出来"。
导语读法三则：
- 只关心规模：看 INFOBOX 六行硬数字即可，注意问卷/地理/NHS 链接/临床测量/基因型是五个不同分母，绝不能合并成一个"2,021,810"。
- 准备申请数据：直奔 §6，把四道闸门（注册认证、Access Board、T&C 与 IDTA、付费）的时限与材料逐条对齐，少一环就卡住。
- 判断能否用它做外部验证：直奔 §9，OFH 与 UK Biobank 是两个独立队列，可以互为验证，但没有子集关系。
§0 导读：这个数据集解决什么问题
英国已有 UK Biobank 这样约 50 万人的深度表型队列，也有 Genomics England 十万基因组、FinnGen 这类全国性基因组资源。OFH 的差异化定位不在"更深"，而在"更广、更多族裔、更年轻、更贴近 NHS 日常诊疗"。它的三条设计主线值得先记住：
第一条是规模与年龄结构。 OFH 目标 500 万，相当于英国成年人口的约十分之一。截至 Release 14，完成基线问卷者 2,021,810 人，其中 18-39 岁占 24.7%、40-59 岁占 37.3%——这意味它拥有大量 UK Biobank 结构上难以提供的年轻与工作年龄段样本。论文口径称队列中有超过 60 万名 18-40 岁参与者，使肥胖、心理健康、成瘾这类"年轻病"获得足够统计功效。
第二条是 NHS 原生链接。 OFH 不是靠参与者自己回忆病史，而是用 NHS 号把参与者与英格兰的住院、门诊、急诊、初级保健配药、癌症登记、死亡登记逐条接上。Release 14 时 1,690,704 人链接成功。
第三条是"数据不动、人来动"的治理模型。 所有数据锁在 TRE 内，研究者提交申请、签署条款、付费之后进去分析，导出要走 Airlock 审批。这套模型把"可发现性"与"可获取性"彻底拆开：你能查到它有什么（公开数据字典），但不能下载它。
§0 读法三则：
- 本条目把 §6「访问机制」当作核心章节写——它是理解 OFH 与 UK Biobank、All of Us 这类资源差别的关键，也是所有 AI-Ready 评估里最容易失分的地方。
- 全文所有数字都标注了来源页面与版本（Release 14 或论文时点），遇到两个口径不一致的，§10 有专门存照。
- 若你只需要"引用一个数字"，请优先用官网 Release 14 页，而不是新闻稿——新闻稿的"1.2 million POCT"是四舍五入。
§1 数据集速览：十问十答
Q1：OFH 到底有多少人？
官方给的是一组分层数字，不是一个总数：2,021,810 人同意并完成基线问卷（Participant 表为 2,022,814，差 1,004 人源于建表同步时点）；1,983,038 人有地理数据；1,690,704 人链接 NHS 号；1,518,202 人有临床测量；755,000 人有基因型。任何把这五个数合并成一个"总样本量"的写法都是错的。
Q2：为什么问卷数和 Participant 表差 1,004？
Release 14 页明确解释：创建 Participant 表与问卷表之间存在同步时点差，这 1,004 人只在 Participant 表里，官方表示下一版补齐。这是官方披露的已知问题，不是检索者算错。
Q3：它是开放数据吗？
不是。它连"申请后给下载包"都不是——数据永远不离开 TRE。你能下载的公开文件仅限数据字典（XLSX 128KB）、编码文件（XLSX 15.3MB）、芯片变异清单（CSV 13.5MB）、插补变异清单（ZIP 581MB，解压 3.3GB）。
Q4：TRE 是谁做的？
DNAnexus。OFH 官方文档原文为 “The Our Future Health Trusted Research Environment (TRE) is built on the DNAnexus Platform”。巧合的是，UK Biobank 的 Research Analysis Platform 也由 DNAnexus 提供——同一家供应商，两个不同队列。
Q5：基因数据到什么程度？
755,000 人同时有芯片与插补数据。芯片为 Illumina Infinium Excalibur 定制阵列，686,416 个变异；插补以 UK Biobank 20 万人参考面板把变异扩到 159,587,100 个。文件分 160 片（芯片）与 809 片（插补），pVCF 与 BGEN 双格式，GRCh38。
Q6：有影像吗？
截至 Release 14，没有。官方"当前可用数据"清单只列问卷、地理、基因、链接健康记录、临床测量五类。影像属于后续计划，本条目按"未公开"处理。
Q7：链接健康记录覆盖哪里？
英格兰 NHS 机构。威尔士（SAIL Databank）与苏格兰（NHS Scotland）的链接在论文中描述为"正在建立"。死亡登记来自 ONS，覆盖英格兰与威尔士。
Q8：临床测量包含什么？
身高、体重、腰围、血压、心率和心律，加上 POCT 血脂（总胆固醇、HDL-C、甘油三酯、LDL-C、非 HDL-C、TC:HDL-C 比值）。血脂采集期为 2022-07 至 2024-12，2024-12-23 之后停止采集。
Q9：申请要多久？
两段时间是硬性的：Registered Researcher 认证2 周内答复；研究申请经 Access Board 审核60 天内答复。加上机构签署 T&C、IDTA（如适用）与缴费，实际路径通常以月计。
Q10：能用它替代 UK Biobank 吗？
不能替代，也不该替代。两者是独立队列，招募方式、年龄结构、族裔构成、表型深度都不同。正确用法是互为外部验证——Nature Medicine 2026 的基线分析正是这样做的，发现两个队列的疾病患病率方向一致性 r = 0.78。
§2 数据构成与规格
Release 14 把数据组织成六类资产，在 TRE 内各自映射为实体（entity），实体下再分表。理解"哪些表一人一行、哪些表一人多行"是后续做链接分析的前提。
| 资产 | TRE 实体名 | 粒度 | 规模（Release 14） |
|---|---|---|---|
| 参与者数据 | participant |
一人一行 | 2,022,814 |
| 问卷数据 | questionnaire |
一人一行 | 2,021,810 |
| 地理数据 | country_region / lsoa / msoa / intermediate_zones |
一人一行 | 1,983,038 / 1,914,754 / 1,914,754 / 40,031 |
| 临床测量 | clinic_measurements |
一人一行 | 1,518,202 |
| POCT 血脂 | poct_lipid_profile |
一人一行 | 1,159,273 |
| 基因数据 | snv_* / imputed_* / *_resources |
变异×样本矩阵 + 元数据 | 755,000 人 |
| 链接健康记录 | nhse_eng_* / participant_nhs_linked |
多为事件级、一人多行 | 1,690,704 链接；1,666,336 有记录 |
§2.1 问卷
基线问卷有两代：v1 共 202 题，v2 共 286 题，v2 于 2022 年 11 月上线。并非每位参与者都看到全部题目——部分题目按回答走动态逻辑呈现。Release 14 的版本分布为：v1 52,871 人、v2 739,323 人、v2.1 370,407 人、v2.2 859,209 人（合计 2,021,810）。四个版本共存意味着跨版本分析必须做题目映射，这是使用 OFH 问卷的第一个技术门槛。
问卷分五段：个人与家庭（年龄、性别、身高体重、族裔、居住情况）、工作与教育（收入、就业史、最高学历）、生活方式（社交、屏幕使用、饮酒）、家族健康史（父母与兄弟姐妹健康）、个人健康史（体检与筛查、诊断、用药、当前症状）。
§2.2 客观测量与 POCT 血脂
诊所测量由受训人员在 15 分钟现场预约中完成：身高（Marsden HM-250P）、体重（SECA 875）、腰围、血压与心率（Omron）、即时血脂（Mission® Cholesterol Monitoring System，前约 120 万参与者使用）。血样为 2 × 6 mL EDTA 管，室温过夜快递，4°C、2500 rpm 离心 10 分钟，分装 6 × 850 µL 血浆与 1 × 500 µL 白膜层，−80°C 保存；DNA 用磁珠法提取（Revvity Chemagen / ThermoFisher KingFisher）。
POCT 数据的质量处理值得单列：设备分析域为 TC 2.59-12.93 mmol/L、HDL-C 0.39-2.59 mmol/L、TG 0.51-7.34 mmol/L；超域值（各 <0.05%）与 HDL-C > TC（<0.05%）的记录被剔除；边界值保留但派生的 LDL-C 与非 HDL-C 不为边界值参与者计算（约影响 4.8%）。8,510 人有重复测量，其中 TC 76%、HDL 84%、TG 62% 的两次测量差异小于 10%。
§2.3 基因数据
芯片为 Illumina Infinium Excalibur 定制阵列，686,416 个变异，覆盖 22 条常染色体与 X/Y/MT，GRCh38。插补使用 UK Biobank 20 万人参考面板，变异数扩至 159,587,100，覆盖 22 条常染色体与 X（非 PAR 区），GT:GP 格式。
文件结构：芯片数据 160 个 pVCF + 160 个索引 + 160 个 BGEN + 160 个 .sample + 160 个 .bgi；插补数据同结构但为 809 片。附带样本级 QC 文件、区域 BED、亲缘（kinship）文件、祖源文件、40 个主成分载荷。祖源推断覆盖 755,000 人，分 142 组，2026-05-28 首次进 TRE。
§2.4 链接健康记录
| 数据类别 | 数据集 | 覆盖窗口（Release 14） |
|---|---|---|
| 初级保健 | 英格兰社区药房配药（Medicines Dispensed in Primary Care） | 2018-04-01 至 2025-06-01 |
| 二级保健 | HES 急诊（A&E） | 2007-04-01 至 2020-03-31 |
| 二级保健 | HES 急诊护理数据集（ECDS） | 2020-04-01 至 2025-03-31（临时至 2025-10-31） |
| 二级保健 | HES 住院（APC） | 1997-04-01 至 2025-03-31（临时至 2025-10-31） |
| 二级保健 | HES 门诊（OP） | 2003-04-01 至 2025-03-31（临时至 2025-10-31） |
| 癌症 | 癌症登记：患者肿瘤 | 1995-01-01 至 2023-12-31 |
| 癌症 | 癌症登记：治疗 | 1995-01-01 至 2025-06-12 |
| 癌症 | 癌症登记：1995 年前 | 1985-01-01 至 1994-12-31（Release 14 首发） |
| 癌症 | 癌症路径（Cancer Pathways） | 2013-01-01 至 2024-07-26 |
| 死亡 | ONS 死亡登记 | 2022-06-01 至 2025-10-31（临时至 2025-11-26） |
| 派生 | Linked Participants | 2025-04-09 前提交问卷者 |
Release 14 页面上，链接健康记录的分表人数只完整给出前两行：配药 1,572,477、HES A&E（至 2020-04）1,175,047；其余各行的人数在本条目可及页面中未完整呈现，按纪律记为"未公开"。
§2.5 地理数据
四张表：国家与区域（英格兰、苏格兰、威尔士、北爱尔兰）、LSOA（英格兰与威尔士）、MSOA（英格兰与威尔士）、Intermediate Zones（苏格兰）。地理底册基于 2021 年英格兰与威尔士普查、2022 年苏格兰普查：英格兰与威尔士共 35,672 个 LSOA、7,264 个 MSOA，苏格兰 1,344 个 Intermediate Zone。
关键细节：只用注册时自报的地址，后续搬家不反映。Release 14 首次纳入北爱尔兰的国家/区域级数据，并调整了去标识协议——抑制（suppression）不再传导到国家/区域层，同时移除了基于"邮编—坐标不匹配"的排除规则。部分撤出者在地理表中被排除，约影响 0.25% 的合格参与者。
§3 队列设计与招募：为什么它是"志愿者队列"
OFH 的正式自称是 non-probability, volunteer-based prospective cohort——非概率、志愿者为基础的前瞻性队列。这句话决定了它所有的统计性质，也决定了使用它时最该警惕什么。
招募三条腿。第一条是 NHS DigiTrials 发出的个性化邀请信；第二条是非个性化信件（NPL，non-personalised letter），通常在新中心开张前投向中心周边约 5 英里内的所有个人与家庭，内含邀请函、二维码与网址；第三条是"无需邀请"——任何英国成年居民都可以自行上网注册并同意。此外还有地方与全国媒体广告、社区利益相关者外联。
应答率约 4.5%。论文以"写信对象中最终同意者"的比例估算得到这一数字。4.5% 的应答率不是 OFH 独有的问题，但它意味着队列是自我选择的结果，而不是随机抽样。
招募时间线。2022 年 10 月在英格兰启动；2024 年初扩展至威尔士与苏格兰；2023 年 11 月达到 100 万志愿者；2026 年 9 月官方口径为注册超过 250 万人。
同意范围覆盖五件事：健康相关数据链接（NHS 记录等）、对捐献血样与生物样本库的广泛分析、可被再次联系（受邀填额外问卷、提供额外生物样本、参与辅助研究）、参与辅助研究与试验、以及未来接收疾病风险反馈（feedback about disease risks）。
招募表述的漂移。关于"500 万何时达成"，公开来源给出过三种口径：Genome UK 2022-2025 实施计划写"在 2025 年底前招募最多 500 万"；2025 年一位项目负责人在媒体访谈中称"目标 2028 年完成招募"；官网首页只写"最多 500 万"而不给期限。三者并存，本条目按"目标 500 万、期限公开口径不一"处理（见 §10 坑 4）。
中心数量与站点分布：未公开。官方文档说明参与者可从"活跃中心（active centres）"按时间与地点偏好预约 15 分钟现场会面，但没有给出中心总数或分国分布，本条目不做估算。
公众共创。2020-2021 年有 120 名公众参与方案设计；截至 2025 年 1 月，超过 1,000 人参与过定性研究与共创；超过 50 万参与者完成过体验问卷。这类"参与者即合作者"的设计在英国大型队列里属较新实践。
§4 人群构成：代表性的一体两面
OFH 的核心卖点是"反映英国人口"。这句话在 Release 14 官网与 2026 年 Nature Medicine 分析里有精确的边界：大体反映，但在若干维度上系统性偏离。
§4.1 Release 14 构成
| 维度 | 分组 | 占比 |
|---|---|---|
| 年龄 | 18-39 岁 | 24.7% |
| 年龄 | 40-59 岁 | 37.3% |
| 年龄 | 60-79 岁 | 35.8% |
| 年龄 | 80+ | 2.2% |
| 出生时登记性别 | 女 | 57.2% |
| 出生时登记性别 | 男 | 42.7% |
| 出生时登记性别 | 其他 | <0.1% |
| 族裔 | 亚裔 | 5.5% |
| 族裔 | 黑人 | 1.6% |
| 族裔 | 白人 | 89.6% |
| 族裔 | 混血 | 1.8% |
| 族裔 | 其他 | 1.4% |
注意两个细节。第一，性别分组的百分比加起来是 99.9%（57.2 + 42.7），"其他"为 <0.1%，官网未给保留一位小数的精确值。第二，基因数据的性别拆分是 417,918 女 + 337,082 男 = 755,000，比例约 55.4% / 44.6%，与全体 57.2% / 42.7% 并不相同——说明基因型子集本身也是一次选择，不可默认对全队列无偏。
§4.2 与全国参照的差距
2026 年 Nature Medicine 的基线表型分析（牛津人口健康 Leverhulme 人口科学中心主导，第一作者 Vincent Straub）给出三处明确差距：
- 性别：队列女性 57%，全国 43%。这与多数志愿者队列的规律一致——女性更倾向于参加健康研究。
- 社会经济剥夺：最剥夺五分位（IMD 1）在队列中占 13%，全国为 20%。
- 族裔与年轻人：部分少数族裔与年轻成人仍然不足。
但"占比不足"不等于"绝对数量不足"。同文给出的关键反驳是：队列中 18-39 岁且自认 Asian British 或其他亚裔背景者超过 40,000 人，超过英国任何现有队列。这正是大规模队列相对小队列的结构性优势——比例可以低，绝对数仍然够用。
§4.3 绝对数优势：罕见病案例
论文与牛津新闻稿用罕见病做了最直观的对照：囊性纤维化 172 人（UK Biobank 25 人）、重症肌无力 668 人（UK Biobank 266 人）。这类"病例数直接翻数倍"的例子，是 OFH 在罕见病与罕见暴露研究上最有力的卖点。
§4.4 患病率的方向一致性
同一分析把 OFH 自报患病率与 UK Biobank 对照，得到方向一致性 r = 0.78；把疾病与已知临床相关因素的关联（如高血压与心血管病、吸烟与呼吸疾病）与 UK Biobank 对照，得到 r = 0.80。这两个数字说明：OFH 的自报表型不是"另一套疾病谱"，而是同一疾病谱的另一批人。
同时有两处系统性偏差必须记住：抑郁与焦虑等精神健康状况的自报率高于全国调查估计；肺癌患病率在各年龄组与两性别中均持续低于全国水平。前者的常见解释是志愿者人群与自报机制共同作用，后者则可能来自健康志愿者效应与确诊依赖的漏报。任何用 OFH 做精神健康或肺癌绝对患病率估计的研究，都必须先处理这两处偏差。
§4.5 加权与推断
论文明确表示提供抽样权重（sampling weights）与统计代码，用于提高对英国人群的推断准确性。这意味着官方立场是："我们是志愿者队列，但你可以加权后做人群推断。"使用者的责任是：做加权、报加权口径、在讨论中写明选择偏倚。
§5 任务谱系：用 OFH 能做什么、不能做什么
OFH 没有"标签"概念——它是观测性队列，不是标注数据集。它的任务谱系由数据结构决定，可以按"输入→输出"分成六类。
§5.1 基因型-表型关联（GWAS 与 PRS）
755,000 人、159,587,100 个插补变异、40 个主成分、亲缘矩阵——这是一套为标准 GWAS 流水线准备的原料。OFH 的芯片是针对多种族插补优化的定制阵列，包含疾病、表型、血型与药物基因组相关变异。芯片 686,416 个变异对 PRS 计算通常不够（多数 PRS 需要百万级变异），因此实际做 PRS 应使用插补数据，芯片数据更多用于 QC 与直接基因分型验证。
禁忌：OFH 是志愿者队列，PRS 的绝对风险校准会受选择偏倚影响；跨族裔 PRS 迁移性必须单独评估，而 OFH 的亚裔 5.5%、黑人 1.6% 在细分到南亚/东亚/非洲/加勒比后样本量会迅速变小。
§5.2 药物流行病学
初级保健配药记录（1,572,477 人，2018-04 起月度更新）是 OFH 最被低估的资产。它记录英格兰社区药房、开方医生与器械供应商发出的所有药品，含药名、数量与费用。配合 HES 住院与 ONS 死亡，可以构建"处方—入院—死亡"的完整链条，做药物安全、依从性、处方级联（prescribing cascade）类研究。
禁忌：配药记录只说明"发出"，不说明"服用"；仅覆盖英格兰；2018 年前的用药史缺失。
§5.3 疾病风险预测与筛查策略
问卷 + 客观测量 + 基因 + 链接记录，构成一个纵向风险预测的标准输入集。OFH 的明确使命之一是"帮助发现并检验更有效的预防、早期检测与治疗方式"，因此它天然适配"风险分层筛查"类研究。
禁忌：当前只有一个时点的客观测量，随访时长取决于链接记录窗口（住院可回溯至 1997 年，死亡至 2025-10），不能用它做短期 incident 事件的密集随访。
§5.4 健康不平等
地理数据精确到 LSOA（英格兰与威尔士共 35,672 个）与 Intermediate Zone（苏格兰），配合族裔、剥夺指数与基因祖源，可以做多层次的不平等分析。OFH 官方明确把"少数族裔与最剥夺社区代表不足"作为要解决的问题，也让这类研究成为它的核心场景。
§5.5 罕见病与罕见暴露
172 例囊性纤维化、668 例重症肌无力——绝对数优势在罕见病上最明显。同理，罕见暴露（特定职业、特定用药组合）也能获得可观样本。
§5.6 方法学研究
OFH 自身就是代表性研究的对象：志愿者偏倚如何影响患病率估计、加权能否修正、自报与链接记录的差异有多大。这类"用 OFH 研究 OFH"的工作，对理解所有大型队列都有价值。
不能做什么：不能做需要原始影像的放射组学（无影像）；不能做需要连续生理信号的研究（只有单次测量）；不能把数据带出 TRE 做本地深度学习训练（算力在 TRE 内）；不能把同一批数据同时用于多个研究项目（官方明确"不能跨研究共享数据"）。
§6 访问机制：四道闸门与一条不能越的线
这是 OFH 与绝大多数公开数据集最根本的差别，也是本条目最该写透的部分。OFH 的访问不是"申请—下载"，而是"认证—审批—签约—付费—进入"。
§6.1 第 0 步：先确认你所在的国家能不能访问
在动手注册之前，官方要求先查"可访问的国家与地区"名单（territories of access）。原文措辞很硬：如果你只计划从被列为 Not accepted 的国家或地区访问数据，请不要申请——官方无法授予访问权限。这一步是硬性前置条件，不满足就不必往下走。
§6.2 第一道闸门：Registered Researcher 认证（2 周）
要成为 OFH 注册研究者，你必须受雇于或作为受督导学生隶属于以下四类机构之一：大学、慈善机构、NHS、参与健康研究的组织。只有计划访问参与者数据的人才需要成为注册研究者；只访问公开数据字典的人不需要。
申请时需要提交四样东西：
- 研究者申请表（官方提供示例表 PDF）；
- 阅读并同意 Registered Researcher Terms and Conditions（v2.5，2025-03 版）；
- 证明你在最近 12 个月内完成过覆盖 UK GDPR 的信息治理培训——你所在机构可能已有现成课程，不确定可邮件询问 access@ourfuturehealth.org.uk；
- 机构符合"eligible organisations policy"（v10，2026-03 版）的伦理、法律与组织标准。
官方承诺 2 周内答复。这一环节失败的高频原因是第 3 条：培训证明必须覆盖 UK GDPR 且在 12 个月有效期内，机构内部的一般性合规章程或过期证书通常不被接受。另一个高频原因是机构类型不符——独立研究者、企业研发部门（非健康研究组织）、非营利智库等若无法归入四类之一，会在这一关被挡。
§6.3 第二道闸门：研究申请与 Access Board（60 天）
通过认证后，才可以在研究者门户里提交研究申请。这一步的材料比第一步多得多：
- 研究申请表：说明研究内容、所需数据、以及一份通俗语言摘要（plain language summary）。官方有通俗语言撰写指南。
- 合作者列名：所有需要访问参与者数据的合作者都必须各自成为 Registered Researcher，并在申请表 4.1 节具名。不需要访问数据的合作者不必列名。
- 机构授权代表签字：申请表须由所属机构的授权代表签署，该人对研究整体负责。
- 每个合作机构的授权代表都要签署 Resource Terms and Conditions（v2.5，2026-04 版）——注意这是机构级签署，不是个人签署。
- IDTA（如适用）：如果你计划从英国或欧洲经济区（EEA）以外访问数据，可能需要签署国际数据传输协议（International Data Transfer Agreement）。以下三种情况免于提交 IDTA：从英国访问、从 EEA 访问、从被英国"充分性认定"（adequacy regulation）覆盖的国家访问。
- Access Board 审核：由专家与公众代表组成，负责监督数据访问。官方承诺 60 天内答复。
- 批准后公示：研究摘要会被发布到 Health Data Research UK Innovation Gateway 网站（OFH 作为 data custodian 的编号为 86）。
- 年度报告：研究期间需每年提交年度研究报告表。
§6.4 第三道闸门：付费
官方原文：“If the Access Board approves your study application, you will need to pay to access the data you’ve requested. This fee will support the long-term sustainability of the Our Future Health programme.”
这里有三个必须写清的事实：
- 付费发生在批准之后、进入 TRE 之前——不是申请费，是访问费。
- 商业研究机构费用差异化：按所属机构的类型与规模定价，需联系 partnerships@ourfuturehealth.org.uk。
- 具体价目未公开：官网没有公开价目表，学术机构与商业机构的具体金额均未在可及页面给出。本条目按纪律记"未公开"，并建议申请者直接邮件询价。
除了访问费，TRE 内的算力还要另外付费：官方举例，跑一个简单计算实例的笔记本约 £0.10/小时。为降低门槛，OFH 向每位有在研项目的研究者提供 £500 云额度，可用于算力与存储，有效期至 2027-08-31（须在 2027 年 9 月前用完）。额度按研究者而非按项目发放——同一项目两名研究者各得 £500，用完后才需要设置可计费钱包。
§6.5 第四道闸门：在 TRE 内分析
批准后，数据出现在 OFH 的 TRE 中。TRE 建在 DNAnexus 平台上，官方描述为"高度安全的计算环境，受规则、监控与严格管控约束"。
TRE 提供的工具：
| 工具 | 用途 |
|---|---|
| JupyterLab（R / Python / Stata） | 探索、分析、可视化、出图；分单节点与 Spark 集群两种配置 |
| Cohort Browser | 按数据集特征筛选建队列 |
| 命令行接口（CLI） | 程序化上传、浏览、组织数据与启动分析 |
| Airlock | 进出 TRE 的代码与文件闸门（脚本、包、结果） |
| 基因组工具链 | PLINK 1/2、VCFtools、BEDTools、BOLT-LMM 等 |
实体之间用 PID（参与者唯一标识）链接。PID 全局唯一，可做一对一链接；多数链接健康记录实体是一人多行，需要按事件聚合。
§6.6 那条不能越的线：数据不出环境
OFH 的规则是：数据不下载到个人设备。所有分析在 TRE 内完成，所有进出 TRE 的文件（包括你自己写的脚本和要带出的结果）都要走 Airlock，并在 TRE 内提交 transfer request。官方明确两条限制：
- 上传自己的数据用于与 OFH 数据联合分析，需要提交转移申请；
- 下载数据到 TRE 之外使用，需要提交转移申请；
- 所有文件当前必须是人类可读格式（human readable）——这意味着二进制模型权重、压缩包等导出会受限；
- 不能在你的多个研究项目之间共享数据。
第 4 条常被忽略：一个研究者如果同时有两个获批项目，不能把一个项目的数据拿给另一个项目用。
§6.7 项目生命周期：修订、结项与发表
- 修订：首席研究员（PI）可在研究者门户提交在线修订表，可改研究标题与摘要、科学细节与设计、团队成员及其他支撑材料；审核最长 35 天。
- 结项：需提交 End of study declaration form。
- 发表：使用 OFH 数据发表研究，需提交 Publication submission form，并遵守 Publication policy（v1.4）。
- 换环境：如果 OFH 的 TRE 无法满足需求（例如你已开发了难以迁移的复杂软件），可以申请在其他 TRE 中访问数据，需联系 access@ourfuturehealth.org.uk。
§6.8 撤出机制如何影响数据
参与者完全撤出后，其数据在请求后例行删除。Release 14 起，撤出处理按数据集独立进行——因此不同资产之间的参与者计数会出现微小差异，Participant 表可能略少于其他表；受影响者会在下一版从所有资产移除。这部分退出者也会从地理数据中排除，约影响 0.25% 的合格参与者。
§6.9 访问链路的现实成本估算
把四道闸门串起来，一次典型申请的路径是：确认国家可访问 → 注册账号 → 准备研究者申请表 + IG 培训证明 + 机构资格确认 → 等 2 周 → 提交研究申请 + 通俗摘要 + 合作者认证 + 机构签 T&C（+ IDTA）→ 等最多 60 天 → 付费 → 进入 TRE。最短路径约两到三个月，且任何一个合作机构的 T&C 未签都会拖住整条链。这与"下载即用"的数据集在工程节奏上完全不同，任何 AI-Ready 评估都必须把这一点计入可获取性得分。
§7 与 UK Biobank 的关系：两个队列，不是父子
这是本条目必须显式澄清的一点，因为检索时最常见的误解就是把 OFH 当成"UK Biobank 的扩展版"或"UK Biobank 的子集"。
事实层面：两者是完全独立的两个队列，各有独立的伦理批件、独立的招募、独立的参与者、独立的数据访问委员会。
| 维度 | Our Future Health | UK Biobank |
|---|---|---|
| 目标规模 | 最多 500 万 | 约 50 万 |
| 招募起点 | 2022-10（英格兰） | 2006-2010 |
| 招募方式 | 志愿者自选 + NPL 信件 + 可自行注册 | 志愿者自选 + NHS 登记名册邀请 |
| 年龄结构 | 18+ 全覆盖，18-39 岁占 24.7% | 招募时 40-69 岁 |
| 应答率 | 约 4.5% | 约 5.5%（公开文献口径） |
| 基因分型 | Excalibur 定制芯片 + 插补至 1.596 亿变异 | 芯片 + WGS（约 50 万） |
| 影像 | 尚未发布 | 多模态 MRI 等深度影像 |
| 分析环境 | DNAnexus TRE | DNAnexus Research Analysis Platform |
| 访问费 | 批准后付费（价目未公开） | 按项目收费（公开费率表） |
表格最后一行的对照值得注意：两家用的都是 DNAnexus 平台，但这是同一供应商的两个独立部署，账号、审批、数据完全隔离。看到"DNAnexus"就以为"同一套数据"是典型误判。
关系定性：互为外部验证队列。Nature Medicine 2026 的基线分析正是这么用的——把 OFH 的自报患病率与 UK Biobank 对照得 r = 0.78，把疾病-风险因素关联对照得 r = 0.80。这种用法有效，恰恰因为两者独立：如果 OFH 是 UK Biobank 的子集，这个对照就毫无信息量。
使用建议：做 PRS 时，可在 UK Biobank 训练、在 OFH 验证（或反向），因为两者族裔构成与年龄结构不同，能同时检验迁移性与外推性；做罕见病时，用 OFH 的绝对数优势补 UK Biobank 的样本不足；做影像时，目前只能用 UK Biobank。
必须避免的写法：
- ✗ “OFH 是 UK Biobank 的超集”——错，人群完全不同。
- ✗ “OFH 包含 UK Biobank 的 50 万人”——错，没有任何包含关系。
- ✗ “两者可合并成一个 550 万人的队列”——错，合并会造成重复计数风险（志愿者可能同时参加两者），且两套问卷与测量协议不同。
§8 数据质量与已知缺陷：Release 14 自曝清单
OFH 在 Release 14 文档中主动披露了一批数据质量问题。这些披露本身是数据成熟度的正面信号——一个肯把自己缺陷写进版本说明的供数方，比一个只说"完美"的供数方更值得信任。但对使用者而言，每一条都对应一个必须在分析前处理的坑。
| 问题 | 官方描述 | 对分析的影响 |
|---|---|---|
| 问卷技术性丢失 | 2022 年 10 月前疑似系统问题致部分题目数据缺失 | 早期参与者的部分变量缺失非随机，须按参与时间分层检查 |
| 年龄/出生年不一致 | 参与者更新出生日期后，早期回答未重算 | 用问卷内年龄与 Participant 表出生年月比对时会出现矛盾 |
| 动态逻辑残留 | 父问题更新后，性别特异问题出现不一致，影响 <0.1% | 极少数个案的性别与题目跳转不匹配 |
| 表间差额 | 1,004 人仅在 Participant 表 | 以问卷为主表分析会自动排除这 1,004 人 |
| 重复注册 | 无法高置信度识别，可借助链接健康记录发现 | 可能导致个别 PID 重复，需用 NHS 号交叉验证 |
| 测量异常值 | 疑有人为录入错误（英寸/厘米、身高体重互换），<1%，本版未处理 | 必须做生理合理性过滤（如身高 <100cm 或 >220cm） |
| 基因 Y/MT | 约 0.25% 的 Y 染色体调用为非单倍体，应视为缺失 | Y/MT 分析前须过滤非单倍体基因型 |
| 亲缘异常 | 78 个样本三级亲属异常多；129 对 IBS0=0 被归为二级亲属 | 亲缘过滤须用官方 kinship 而非自算 |
| 链接去重 | 移除 12,352 个链接到同一 NHS 号的 PID | 该批 PID 在其他资产中仍存在，跨表合并会漏行 |
| 提供方映射 | 11,844 个提供方代码映射中 349 个（2.9%）未知 | 机构级分析须把"未知"单列，不能丢弃 |
§8.1 基因数据的 QC 要点
官方提供三件套：样本级 QC 文件（.tsv）、亲缘文件（.txt）、40 个主成分载荷（VCF）。加上变异级摘要统计（插补数据）。
实践建议：
- 先跑样本 QC 再跑关联——官方 QC 文件已给出关键指标，不要用自写脚本重算阈值；
- 亲缘用官方文件——129 对 IBS0=0 被归为二级亲属这类边界判定，自算容易出错；
- 主成分用官方 40 个载荷——不要用自己的 PCA，否则与官方 QC 口径不一致，跨研究结果无法对比；
- Y/MT 单独处理——非单倍体调用占 Y 约 0.25%，直接当二倍体分析会引入噪声；
- 祖源分组 142 组——基因祖源比自报族裔细，做族裔分层分析时应两者并用，并说明选哪一个作为主分层变量。
§8.2 链接数据的 QC 要点
- 先做 Linked Participants 表的内连接：只有出现在该表的 PID 才算"链接成功"，不能假定所有参与者都有 NHS 号；
- 事件级表需要聚合口径：住院、门诊、急诊各是一人多行，做"是否有某病"的标签前必须定义时间窗与聚合规则（首次/末次/任一次）；
- HES A&E 止于 2020-03：2020 年后的急诊应改用 ECDS，两者不可简单拼接（字段与覆盖范围不同）；
- 癌症登记有时间差：患者肿瘤表到 2023-12，治疗表到 2025-06，路径表到 2024-07——三张表的时间窗不一致，做癌症结局分析要说明用哪一张；
- 死亡登记起于 2022-06：2022 年前的死亡不在 OFH 的 ONS 数据中，做生存分析会出现"左截断"。
§8.3 POCT 血脂的 QC 要点
分析域外的值已剔除（<0.05%），边界值保留但派生变量为空（约 4.8% 参与者至少一项在边界）。做血脂分析时：
- 直接使用官方派生变量（LDL-C、非 HDL-C）时，边界值个案会是缺失，需说明缺失机制；
- 若自己重算 Friedewald LDL-C，须先剔除 TG > 4.5 mmol/L 的样本（设备分析域上限为 7.34，但 Friedewald 公式在高 TG 下失真）；
- 重复测量一致性仅 8,510 人有数据，不能据此估计全队列的测量误差。
§8.4 代表性带来的统计风险
- 患病率不可直接当全国估计：精神健康偏高、肺癌偏低、最剥夺五分位偏低；
- 加权必须用官方权重：论文明确提供权重与代码，自算权重会引入不可比性；
- 亚组分析要报绝对数：黑人仅 1.6%（约 3.2 万人），细分到具体疾病后单元格可能只有个位数；
- 年龄口径注意：论文口径"<40 岁 23.5%"与官网"18-39 岁 24.7%"不是同一分组（前者含 39 岁边界处理差异），跨文档引用要统一。
§9 生态与库内定位
OFH 在英国乃至全球健康数据生态中处在一个特殊位置：它是最新、最大、但表型深度最浅的那一档。理解这一定位，比记住具体数字更有用。
§9.1 与库内条目的关系
| 库内条目 | rid | 关系 |
|---|---|---|
| UK Biobank | 96（及 569） | 独立队列，互为外部验证；表型更深、有影像、样本量小一个量级；同一 TRE 供应商（DNAnexus）但部署独立 |
| All of Us | 575（及 13） | 同为国家级志愿者队列，美国版对照；族裔构成与数据模型不同；可做跨国 PRS 迁移比较 |
| Genomics England 100k | 179 | 基因组旗舰，偏罕见病与 WGS；OFH 偏常见病与芯片+插补 |
| FinnGen | 189 | 全国注册链接 + 基因，芬兰人群瓶颈效应明显；OFH 为多族裔英国人群 |
| Million Veteran Program | 453 | 美国退伍军人，男性为主；与 OFH 的女性偏多形成对照 |
| BioBank Japan | 195 | 医院型生物银行，病例富集；OFH 为人群志愿者 |
| NHS HES | 474 | OFH 链接健康记录的源数据库之一，是理解 nhse_eng_inpat 等实体的必备参照 |
| CohortX | 939 | 队列定义可计算化挑战赛，可作为"把 OFH 转成可计算表型"的方法学参照 |
§9.2 关键区分（必须显式写）
与 uk-biobank(96) 的区分是本条目最容易出错的地方，三条硬结论：
- 不是子集关系。OFH 不包含 UK Biobank 的任何参与者，UK Biobank 也不包含 OFH 的。两个队列的参与者是两批不同的人。
- 可互为外部验证。正因为独立，用 OFH 验证在 UK Biobank 上训练的模型才有意义。Nature Medicine 2026 报告的 r = 0.78（患病率方向一致性）与 r = 0.80（疾病-风险因素关联）就是这种验证的实证。
- 不可合并计数。把 500 万与 50 万相加得到"550 万英国队列"是错误陈述；志愿者可能同时参加两者，合并还会因问卷协议不同而不可比。
§9.3 数据生态的其他节点
- HDR UK Innovation Gateway：OFH 作为 data custodian 登记于此（编号 86），获批研究的摘要也发布在此，是发现"谁在用 OFH 做什么"的入口。
- NHS DigiTrials：招募信发放渠道。
- SAIL Databank（威尔士）与 NHS Scotland：论文描述为正在建立链接的伙伴，当前 Release 14 的链接记录仍以英格兰为主。
- UK Biobank 的插补服务：Genome UK 计划提到 UK Biobank 将开发可扩展的基因变异插补服务，“用于丰富 OFH 等使用低成本分型的资源”。这解释了为什么 OFH 的插补使用 UK Biobank 20 万人参考面板——技术上是借用，人群上仍是两个队列。
- Genomics plc：Genome UK 计划提到与 OFH 合作计算 PRS 并向参与者反馈健康洞察。这是"研究队列反哺参与者"的罕见案例，也意味着部分 PRS 已被项目自身使用，外部研究者做 PRS 研究时需注意这一点。
§9.4 OFH 在 AI-Ready 光谱上的位置
按"可发现—可获取—可互操作—元数据—可持续"五维看，OFH 呈现一种极不均衡的剖面：可发现性与元数据质量很高（公开数据字典、编码表、版本说明、Quality 自曝清单），可获取性极低（TRE + 审批 + 付费 + 不得带出），互操作性中等（TRE 内是标准表格与 VCF/BGEN，但导出受限使下游复用困难）。详见附录 B。
§10 避坑清单：十个已踩过的坑
坑 1：把五个分母合并成一个总数
最常见的错误是把 2,021,810 当作"OFH 总样本量"然后默认所有人都有基因与链接记录。实际是五层嵌套但不完全嵌套的分母：问卷 2,021,810 与地理 1,983,038、NHS 链接 1,690,704 是一层层缩小（每层都是上一层子集），但基因 755,000 与临床测量 1,518,202 之间没有包含关系（有人有基因无测量，反之亦然）。任何分析都必须先声明「我的分析样本是哪几个集合的交集」。
坑 2：以为可以下载数据
OFH 没有下载包。连"获批后给你一个 tar.gz"都没有。所有分析在 TRE 内完成，结果导出走 Airlock 且须人类可读格式。把 OFH 当成"申请制数据集"来做本地训练管线设计，会在第一步就崩。
坑 3：问卷数与 Participant 表数对不上
官网首页写 2,021,810（问卷），Release 14 页写 Participant 表 2,022,814。差的 1,004 人是官方披露的建表同步问题。引用时写清用的是哪张表，不要以为是检索错误。
坑 4：500 万的期限有三种说法
Genome UK 计划说"2025 年底前最多 500 万"；2025 年媒体访谈说"2028 年完成"；官网只写"最多 500 万"不给期限。三种口径并存，引用时必须指明来源，不要自行合并成"2028 年达成 500 万"。
坑 5：把 OFH 当成 UK Biobank 的扩展
见 §7。两者独立，无包含关系，唯一正确关系是"互为外部验证"。
坑 6：以为 IDTA 人人要签
IDTA 只在从英国/EEA 以外、且不在英国充分性认定名单的国家访问时需要。从英国本土或 EEA 访问不需要。误以为"所有人都要 IDTA"会白白增加申请复杂度；反过来，忽略 IDTA 会在 Access Board 批准后卡在签约环节。
坑 7：把"付费"理解成申请费
付费发生在 Access Board 批准之后，是数据访问费，不是申请费。而且批准后还有 TRE 内的算力费（约 £0.10/小时/简单实例），虽然有 £500 额度但有效期到 2027-08-31。预算要按"访问费 + 算力费"两笔算。
坑 8：忽略"不能跨研究共享"
同一研究者有两个获批项目时，不能把一个项目的数据给另一个项目用。这在多人协作、机构内部复用场景下极易踩线。团队要提前规划：是合并成一个项目申请，还是各自独立申请。
坑 9：把 HES A&E 与 ECDS 直接拼接
HES A&E 止于 2020-03，ECDS 始于 2020-04，两者字段与覆盖范围不同。直接 concat 会造成 2020 年前后的急诊记录口径断裂。正确做法是分段分析或统一到 ECDS 字段模型。
坑 10：用自报族裔比例推断基因祖源比例
自报族裔（白人 89.6%）与基因祖源（142 组）是两套变量。两者在个体层面会不一致——自报"白人"者可能有非欧祖源成分，自报"亚裔"者可能祖源混合。做遗传分层时必须用基因祖源或主成分，不能用自报族裔替代；反之做社会流行病学分析时，自报族裔才是正确的社会变量。
§11 总结
Our Future Health 是英国在 UK Biobank 之后下的一次"规模赌注"：不追求表型最深，而追求人数最多、族裔最广、年龄最年轻、与 NHS 日常诊疗贴得最近。到 Release 14，它已经交出了 202 万份问卷、169 万条 NHS 链接、151 万份临床测量、75.5 万份基因型的成绩单，并在 2026 年 9 月用一篇 Nature Medicine 基线分析证明"这份数据在疾病谱上与 UK Biobank 对得上"。
但它同时是一个治理实验。数据不出 TRE、研究者要认证、要过 Access Board、要签机构级条款、要付费、要每年报告、发表要报备——这套设计的代价是可获取性极低，收益是参与者信任与数据安全的可持续。对 AI-Ready 评估来说，OFH 是一个典型样本：元数据可以做得极好，可获取性可以做得极差，而这两件事并不矛盾。
对使用者的三条结论：
- 把它当基础设施而非数据集。设计研究时先问"我的分析能不能在 TRE 内完成"，而不是"我要下载多少 GB"。
- 把它当验证队列而非发现队列的主角。它的绝对数优势在罕见病与亚组分析，它的代表性缺陷要求你永远配一个加权口径或一个外部对照。
- 把它和 UK Biobank 并列写，不要嵌套写。两个独立队列、互为验证，是对两者都最准确也最有用的表述。
FAQ（高频问答 24 问）
Q1：OFH 的数据能下载吗？
不能。所有个体级数据只在 Trusted Research Environment 内可访问，导出需 Airlock 审批且须人类可读格式。公开可下载的只有数据字典、编码文件与变异清单。
Q2：TRE 是谁提供的？
DNAnexus。OFH 官方文档原文：“The Our Future Health Trusted Research Environment (TRE) is built on the DNAnexus Platform.”
Q3：注册研究者认证要多久？
官方承诺 2 周内答复。前提是材料齐全：申请表、T&C 同意、12 个月内覆盖 UK GDPR 的 IG 培训证明、机构符合 eligible organisations policy。
Q4：Access Board 审核要多久？
60 天内答复。批准后研究摘要会发布到 HDR UK Innovation Gateway。
Q5：从中国申请需要什么额外文件？
需要 IDTA（国际数据传输协议），因为中国不在英国/EEA 内，也不在英国充分性认定名单中。此外必须先确认中国不在"Not accepted"地区名单里——若在，官方明确表示无法授予访问。
Q6：访问费多少？
未公开。官网只说明"批准后需付费"，商业机构按类型与规模差异化定价，需联系 partnerships@ourfuturehealth.org.uk 询价。
Q7：TRE 内算力怎么收费？
约 £0.10/小时（简单计算实例）。每位有在研项目的研究者获 £500 云额度，有效期至 2027-08-31，按人发放而非按项目。
Q8：能把自己写的代码带进 TRE 吗？
能，走 Airlock 上传。所有进出文件都需在 TRE 内提交 transfer request。
Q9：能用 OFH 数据训练深度学习模型吗？
可以在 TRE 内训练（有 Spark 集群配置），但模型权重等二进制文件导出会受限（要求人类可读），且算力按小时计费。
Q10：有多少人有基因数据？
755,000 人（女 417,918 / 男 337,082），同时有芯片与插补数据，约相当于问卷参与者的 37.4%。
Q11：芯片有多少变异？
686,416 个（Illumina Infinium Excalibur 定制阵列），GRCh38，覆盖 22 常染色体与 X/Y/MT。
Q12：插补后多少变异？
159,587,100 个，用 UK Biobank 20 万人参考面板，覆盖 22 常染色体与 X（非 PAR）。
Q13：有全基因组测序吗？
截至 Release 14 未公开有 WGS 数据。当前基因数据为芯片 + 插补。
Q14：有影像数据吗？
没有。当前可用数据为问卷、地理、基因、链接健康记录、临床测量五类，影像未在发布清单中。
Q15：NHS 链接覆盖哪些地区？
英格兰 NHS 机构的诊疗记录（住院、门诊、急诊、初级保健配药、癌症登记）；ONS 死亡登记覆盖英格兰与威尔士。威尔士与苏格兰的链接在建立中。
Q16：为什么 HES A&E 只到 2020 年 4 月？
这是 NHS 数据本身的分界：2020-04 起急诊记录转入 ECDS（Emergency Care Data Set）。OFH 两者都提供，2020 年后用 ECDS。
Q17：队列里女性为什么这么多？
志愿者队列的普遍规律，女性更倾向参加健康研究。队列 57.2% vs 全国 43%。加权可部分修正。
Q18：最剥夺人群代表不足多严重？
最剥夺五分位占 13%，全国 20%。这是 OFH 明确承认的缺口之一，Nature Medicine 2026 也把它列为局限。
Q19：能用来估计英国某病的患病率吗？
可以做，但必须加权（官方提供 sampling weights 与代码），并在讨论中写明选择偏倚。精神健康会偏高、肺癌会偏低，这是已知系统性偏差。
Q20：OFH 和 UK Biobank 能合并吗？
不建议。两者独立队列，问卷与测量协议不同，且志愿者可能同时参加两者，合并有重复计数风险。
Q21：能只申请一部分参与者吗？
可以。研究申请需说明所需数据，Access Board 按申请范围审批。但获批后数据仍以 TRE 内实体形式提供，不能只导出子集。
Q22：研究期间能改方案吗？
能。PI 在研究者门户提交在线修订表，审核最长 35 天。可改标题摘要、科学细节、团队成员等。
Q23：发表有什么要求？
需提交 Publication submission form，遵守 Publication policy v1.4；研究期间每年提交年度报告。
Q24：参与者撤出后数据会怎样？
完全撤出者的数据在请求后例行删除。Release 14 起按数据集独立处理，跨资产计数会有微小差异，受影响者在下一版从所有资产移除。
事实清单（硬事实 42 条）
| # | 事实 | 来源 |
|---|---|---|
| 1 | 目标招募最多 500 万英国成年居民（18+） | research.ourfuturehealth.org.uk 首页 |
| 2 | 队列性质为非概率、志愿者为基础的前瞻性队列 | Int J Epidemiol 2025;54(6):dyaf171 |
| 3 | 招募于 2022 年 10 月在英格兰开启，2024 年初扩展至威尔士与苏格兰 | IJE dyaf171 |
| 4 | 2023 年 11 月达到 100 万志愿者 | 2026-05 发布新闻稿 |
| 5 | Release 14 发布于 2026-05-28，数据纳入截止 2026-03-24 | Release 14 文档页 |
| 6 | 同意并完成基线问卷 2,021,810 人 | 官网 Data and cohort |
| 7 | Participant 表 2,022,814 人（差 1,004 人） | Release 14 文档页 |
| 8 | 有地理数据 1,983,038 人 | 官网 Data and cohort |
| 9 | LSOA 与 MSOA 各 1,914,754 人（英格兰与威尔士） | Release 14 文档页 |
| 10 | 苏格兰 Intermediate Zones 40,031 人 | Release 14 文档页 |
| 11 | 链接 NHS 号 1,690,704 人 | 官网 Data and cohort |
| 12 | 其中 1,666,336 人至少一条二级保健/配药/死亡记录 | 官网 Data and cohort |
| 13 | 有临床测量 1,518,202 人 | 官网 Data and cohort |
| 14 | 其中 POCT 血脂 1,159,273 人 | 官网 Data and cohort |
| 15 | 有芯片与插补基因型 755,000 人（女 417,918 / 男 337,082） | 官网 Genetic data 段 |
| 16 | 芯片变异 686,416 个（Illumina Infinium Excalibur） | Release 14 文档页 |
| 17 | 插补变异 159,587,100 个（UK Biobank 200k 参考面板） | Release 14 文档页 |
| 18 | 芯片 pVCF/BGEN 各 160 片；插补各 809 片；GRCh38 | 官方数据文档 Overview of data in the TRE |
| 19 | 40 个主成分、kinship 文件、祖源 142 组 | 官方数据文档 |
| 20 | 问卷 v1 202 题，v2 286 题，v2 于 2022-11 上线 | 官网 Data and cohort |
| 21 | 问卷版本分布 52,871 / 739,323 / 370,407 / 859,209 | Release 14 文档页 |
| 22 | 年龄构成 18-39 24.7%、40-59 37.3%、60-79 35.8%、80+ 2.2% | 官网 Data and cohort |
| 23 | 出生性别 女 57.2% / 男 42.7% / 其他 <0.1% | 官网 Data and cohort |
| 24 | 族裔 亚裔 5.5% / 黑人 1.6% / 白人 89.6% / 混血 1.8% / 其他 1.4% | 官网 Data and cohort |
| 25 | TRE 建在 DNAnexus 平台 | OFH gitbook 首页 + DNAnexus 官网 |
| 26 | Registered Researcher 认证 2 周内答复 | apply-to-access 页 |
| 27 | 须隶属大学/慈善/NHS/健康研究组织，或为其受督导学生 | apply-to-access 页 |
| 28 | 须提供 12 个月内覆盖 UK GDPR 的 IG 培训证明 | apply-to-access 页 |
| 29 | Access Board 审核 60 天内答复 | apply-to-access 页 |
| 30 | 批准后须付费；商业机构按类型与规模差异化 | apply-to-access 页 |
| 31 | 英国/EEA 及 adequacy 覆盖国以外需 IDTA | apply-to-access 页 |
| 32 | 各合作机构授权代表须签署 Resource T&Cs（v2.5，2026-04） | apply-to-access 页 |
| 33 | TRE 简单实例算力约 £0.10/小时 | analysing-the-data 页 |
| 34 | 每位研究者 £500 云额度，至 2027-08-31 | analysing-the-data 页 |
| 35 | 导出数据须在 TRE 内提交 transfer request，文件须人类可读，不能跨研究共享 | analysing-the-data 页 |
| 36 | 研究修订审核最长 35 天 | apply-to-access 页 |
| 37 | 初级保健配药 1,572,477 人；HES A&E 1,175,047 人 | 官网链接健康记录表 |
| 38 | 链接去重移除 12,352 个 PID；提供方映射 349 个（2.9%）未知 | Release 14 文档页 |
| 39 | 癌症记录覆盖英格兰 190,000 人，登记跨度 1985-2023（38 年） | 2026-05 发布新闻稿 / 官网首页 |
| 40 | POCT 采集期 2022-07 至 2024-12（2024-12-23 停采），Mission® 设备 | Release 14 文档页 |
| 41 | 与 UK Biobank 疾病患病率方向一致性 r = 0.78，疾病-风险因素关联 r = 0.80 | Nature Medicine 2026 / 牛津 Nuffield 人口健康系新闻页（NDPH） |
| 42 | 队列应答率约 4.5%（写信对象中最终同意者比例） | IJE dyaf171 |
术语表（28 条）
| 术语 | 释义 |
|---|---|
| Trusted Research Environment（TRE，可信研究环境） | 数据不落地、分析在受控计算环境内完成的数据访问模式 |
| DNAnexus | 提供 TRE 平台的商业云基因组数据公司，OFH 与 UK Biobank 均采用 |
| PID（Participant ID） | OFH 参与者唯一标识，全局唯一，用于跨实体链接 |
| Airlock | TRE 的进出闸门，所有文件上传下载须经其审批 |
| Registered Researcher | OFH 认证研究者，是申请数据的先决身份 |
| Access Board | OFH 的数据访问审查委员会，由专家与公众代表组成 |
| IDTA（International Data Transfer Agreement） | 英国信息专员办公室认可的跨境数据传输协议 |
| UK GDPR | 英国版通用数据保护条例 |
| adequacy regulation（充分性认定） | 英国认定某国数据保护水平等效的决定，被覆盖国免于 IDTA |
| Resource Terms and Conditions | 机构级数据使用条款，每个合作机构授权代表须签署 |
| POCT（Point-of-Care Testing，即时检验） | 诊所现场即时完成的检测，OFH 用于血脂 |
| HES（Hospital Episode Statistics） | 英格兰医院事件统计，含住院、门诊、急诊 |
| ECDS（Emergency Care Data Set） | 2020-04 起替代 HES A&E 的急诊数据集 |
| NDRS（National Disease Registration Service） | 英格兰国家疾病登记服务，提供癌症登记 |
| ONS（Office for National Statistics） | 英国国家统计局，提供死亡登记 |
| LSOA / MSOA | 英格兰与威尔士的下层/中层超级输出区，小地理统计单元 |
| Intermediate Zone | 苏格兰的小地理统计单元 |
| IMD（Index of Multiple Deprivation） | 多重剥夺指数，衡量社会经济剥夺程度 |
| NPL（non-personalised letter） | 非个性化邀请信，投向中心周边地区所有住户 |
| 应答率（response rate） | 写信对象中最终同意参加的比例，OFH 约 4.5% |
| 插补（imputation） | 用参考面板推断未直接分型位点的基因型 |
| 参考面板（reference panel） | 插补所用的高密度全基因组样本集，OFH 用 UK Biobank 200k |
| 亲缘（kinship） | 参与者间血缘关系估计，用于剔除相关样本 |
| 主成分（principal components） | 群体结构校正变量，OFH 提供 40 个 |
| 基因祖源（genetic ancestry） | 由基因型推断的祖源分组，OFH 分 142 组 |
| PRS（polygenic risk score，多基因风险评分） | 由多个变异效应加权求和得到的个体遗传风险 |
| sampling weights（抽样权重） | 使志愿者队列可对目标人群做推断的统计权重 |
| 健康志愿者效应（healthy volunteer effect） | 自愿参加者系统性比一般人群更健康的偏倚 |
附录
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| 条目名 | Our Future Health |
| url_name | our-future-health |
| 类型 | 前瞻性志愿者队列（受控访问，TRE 内分析） |
| 论文 | Int J Epidemiol 2025;54(6):dyaf171（CC BY 4.0）；Nature Medicine 2026-09-10 |
| 运营主体 | Our Future Health（英国伦敦），CEO Raghib Ali |
| 当前版本 | Release 14（2026-05-28） |
| 问卷参与者 | 2,021,810 |
| 基因型参与者 | 755,000 |
| 分析环境 | DNAnexus TRE |
| 许可 | 非开放许可：认证 + 审批 + 签约 + 付费 |
| 抓取时点 | 2026-10-17 |
| 库内互链 | uk-biobank(96)/all-of-us(575)/genomics-england-100k(179)/finngen(189)/nhs-hes(474)/million-veteran-program(453) |
附录 B：DAIMS 评估全表
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 8 | 官网 Data and cohort 页 + 公开数据字典 + 编码文件 + 变异清单可直接下载；HDR UK Gateway 登记（custodian 86）；版本说明透明 |
| A 可获取性 | 2 | 四道闸门（认证 2 周 / Access Board 60 天 / 机构签 T&C + IDTA / 付费）；数据不出 TRE；导出须审批且人类可读；不能跨研究共享——本维度为全条目最大失分项 |
| I 可互操作 | 5 | TRE 内为标准表格实体 + PID 主键 + pVCF/BGEN 国际标准格式；但导出受限、无官方开放 API、无法与外部数据本地联合，实际互操作半径小 |
| M 元数据质量 | 9 | 数据字典 + 编码表 + 变异清单 + Release 14 逐项变更说明 + 主动自曝十项数据质量缺陷；问卷跨四版本需自行映射，微降 |
| S 可持续性 | 8 | 政府（Industrial Strategy Challenge Fund）+ 产业 + 慈善三方资助；半年一次发版节奏稳定；参与者可撤出且有删除机制；依赖单一 TRE 供应商为主要风险 |
| 综合评级 | 6.4/10（中等） | 元数据与规模一流，可获取性严重拖累；这与 UK Biobank 类资源一致——治理强度越高，AI-Ready 流水线的直接可用性越低 |
附录 C：逐项证据链自证
| 关键数字 | 来源 | 位置 |
|---|---|---|
| 2,021,810 / 1,983,038 / 1,690,704 / 1,666,336 / 1,518,202 / 1,159,273 / 755,000 | research.ourfuturehealth.org.uk/data-and-cohort/ | “The Our Future Health cohort” 段 |
| 2,022,814 / 52,871 / 739,323 / 370,407 / 859,209 | ourfuturehealth.gitbook.io/.../release-14 | 各数据集段落 |
| 1,914,754 / 40,031 | 同上 | 地理数据段 |
| 686,416 / 159,587,100 / 160 片 / 809 片 | 同上 + 官方 Overview of data in the TRE | 基因数据段 |
| 417,918 / 337,082 | data-and-cohort Genetic data 段 | 芯片与插补两段重复出现 |
| 24.7% / 37.3% / 35.8% / 2.2%；57.2% / 42.7%；5.5% / 1.6% / 89.6% / 1.8% / 1.4% | data-and-cohort | 三张构成表 |
| TRE 建在 DNAnexus | ourfuturehealth.gitbook.io 首页 + dnanexus.com/biobanks | 首段 / 末段 |
| 2 周 / 60 天 / 35 天 / IDTA 豁免 | research.ourfuturehealth.org.uk/apply-to-access-the-data/ | 第 2、3、5 步 |
| £0.10/小时 / £500 / 2027-08-31 / 人类可读 / 不能跨研究共享 | research.ourfuturehealth.org.uk/analysing-the-data/ | 算力费与转移两段 |
| 12,352 PID / 349 提供方 / 4.8% 边界值 / 8,510 重复测量 | gitbook Release 14 | 链接数据与 POCT 段 |
| 1,572,477 / 1,175,047 | data-and-cohort 链接健康记录表 | 前两行 |
| 2,461,601 / 1,859,888 / 1,418,749 / 4.5% / 96.1% / 43 项研究 | PMC12527338 | Key Features 与招募、链接段 |
| r=0.78 / r=0.80 / 172 vs 25 / 668 vs 266 / 57% vs 43% / 13% vs 20% | Nature Medicine 2026（经牛津 Nuffield 人口健康系新闻页（NDPH）） | 主要发现段 |
| 190,000 / 1985-2023 | 2026-05 发布新闻稿 + 官网首页 | “new for this data release” |
附录 D：数据获取决策树
你的所在国家是否在 Not accepted 名单？
├── 是 → 停止，官方明确不授访问
└── 否
├── 你在英国 / EEA / 英国 adequacy 覆盖国？
│ ├── 是 → 无需 IDTA
│ └── 否 → 需签 IDTA
├── 所属机构属于 大学 / 慈善 / NHS / 健康研究组织？
│ ├── 否 → 无法成为 Registered Researcher，停止
│ └── 是 → 准备：申请表 + 12 个月内 UK GDPR 培训证明 + T&C 同意
│ → 提交（2 周）→ 通过
├── 研究申请：申请表 + 通俗摘要 + 合作者逐一认证 + 机构授权代表签字
│ + 各合作机构签 Resource T&C（+ IDTA）→ Access Board（60 天）
├── 批准 → 付费（学术/商业差异化，需询价）→ 进入 DNAnexus TRE
└── 分析期：算力约 £0.10/小时（每人 £500 额度至 2027-08-31）
导出走 Airlock；每年报年度报告；修订最长 35 天；结项交声明
附录 E：Release 14 数据资产一览
| 资产 | 实体/文件 | 规模 | 首次可用 |
|---|---|---|---|
| 参与者 | participant |
2,022,814 | 早期 |
| 问卷 | questionnaire |
2,021,810 | 早期 |
| 地理（国家/区域） | country_region |
1,983,038 | 早期 |
| 地理（LSOA） | lsoa |
1,914,754 | 早期 |
| 地理（MSOA） | msoa |
1,914,754 | 早期 |
| 地理（苏格兰 IZ） | intermediate_zones |
40,031 | 早期 |
| 临床测量 | clinic_measurements |
1,518,202 | 2024-12-12 |
| POCT 血脂 | poct_lipid_profile |
1,159,273 | 2026-05-28 |
| 芯片基因型 | snv_pvcf / snv_bgen |
755,000 × 686,416 | 2023-12-12 |
| 插补基因型 | imputed_pvcf / imputed_bgen |
755,000 × 159,587,100 | 2025-12-12 |
| 遗传祖源 | ancestry 文件（142 组） | 755,000 | 2026-05-28 |
| 链接：配药 | nhse_eng_primcare_meds |
1,572,477 | 早期 |
| 链接：急诊 A&E | nhse_eng_ed |
1,175,047 | 早期 |
| 链接：住院 | nhse_eng_inpat |
未公开 | 早期 |
| 链接：门诊 | nhse_eng_outpat |
未公开 | 早期 |
| 链接：ECDS | nhse_eng_ecds |
未公开 | 早期 |
| 链接：癌症（肿瘤/治疗/路径/1995 前） | nhse_eng_can* |
190,000（有任一癌症记录） | 早期；1995 前为 R14 首发 |
| 链接：死亡 | nhse_engwal_deaths |
未公开 | 早期 |
| 链接：参与者汇总 | participant_nhs_linked |
1,690,704 | 早期 |
附录 F：与 UK Biobank 对照速查
| 对照点 | Our Future Health | UK Biobank |
|---|---|---|
| 目标人数 | 最多 500 万 | 约 50 万 |
| 当前问卷/表型人数 | 2,021,810 | 约 50 万（基线） |
| 招募期 | 2022-10 起，持续中 | 2006-2010 |
| 年龄 | 18+，18-39 占 24.7% | 招募时 40-69 |
| 女性占比 | 57.2% | 未在本档案核证（不引未核实数字） |
| 白人占比 | 89.6% | 未在本档案核证（不引未核实数字） |
| 基因分型 | 755,000（芯片 + 插补） | 约 50 万（芯片 + WGS） |
| 影像 | 未发布 | 多模态 MRI 等 |
| 链接记录 | NHS England 多源 + ONS | HES、死亡、癌症等 |
| 分析平台 | DNAnexus TRE | DNAnexus RAP |
| 访问模式 | 认证 + Access Board + 付费 | 申请 + 付费 |
| 关系 | 独立队列，互为外部验证，非子集 | 同左 |
尾注
尾注 1：版本沿革与发版节奏
OFH 每半年向 TRE 投放一次新数据。与条目相关的历次节点如下（时间以官方文档与新闻稿为准）：
| 时间 | 事件 |
|---|---|
| 2022-10 | 英格兰招募开启，基线问卷 v2 上线（2022-11） |
| 2023-11 | 志愿者达 100 万 |
| 2023-12-12 | 芯片基因型数据首次进 TRE |
| 2023-12-21 | 问卷 v2.1 启用 |
| 2024 初 | 招募扩展至威尔士与苏格兰 |
| 2024-06-13 | 问卷 v2.2 启用 |
| 2024-12-12 | 诊所临床测量数据首次进 TRE |
| 2024-12-23 | POCT 血脂停止采集 |
| 2025-06-03 | 第 11 次数据发布（论文口径），同意 2,461,601 人 |
| 2025-12 | 上一版数据发布；插补基因型首次进 TRE（2025-12-12） |
| 2026-05-28 | Release 14 发布；遗传祖源数据首次进 TRE |
| 2026-09-10 | Nature Medicine 基线表型分析在线 |
尾注 2：本条目不覆盖的内容
为避免检索者误读条目范围，明确列出未覆盖项：
- 影像数据：截至 Release 14 未发布，条目中凡涉及影像均按"未发布"处理，不做推测性描述。
- 生物样本的再分发：论文提到参与者同意血样用于广泛分析，但样本的对外申请路径未在可及页面给出，记为未公开。
- 逐表链接人数：Release 14 页仅完整给出配药与 HES A&E 两行人数，其余未完整呈现，记为未公开。
- 访问费具体金额：官网不公开价目，仅说明按机构类型与规模差异化，记为未公开。
- TRE 内数据实体的字段级字典细节：公开数据字典可下载，但字段级解读不在本条目范围。
尾注 3：如何引用本条目
学术写作中引用 OFH 时，建议同时引用三件材料：Cohort Profile 论文（设计依据）、Release 14 页面（数字依据）、以及具体使用的数据集文档（字段与 QC 依据）。三者缺一，都会让读者无法判断你的数字属于哪个时点。
尾注 4：与 UK Biobank 条目的关系定位
本条目与库内 uk-biobank(96) 条目应作为并列条目互链，而非上下游条目。两者在方法论上有可比性（同为英国志愿者队列、同用 DNAnexus 平台、同受严格访问治理），但在数据本体上完全独立。任何"OFH 是 UK Biobank 扩充""OFH 包含 UK Biobank"的表述都与事实不符，已在 §7 与 §9.2 两处显式澄清。
建议互链点（供主会话串接）
| 库内条目 | rid | 互链理由 |
|---|---|---|
| uk-biobank | 96 | 独立队列，互为外部验证；同供应商 TRE；表型深度对照 |
| all-of-us | 575 | 美国国家级志愿者队列对照，PRS 跨人群迁移研究 |
| genomics-england-100k | 179 | 同为英国基因组旗舰，WGS vs 芯片+插补的路线对照 |
| finngen | 189 | 注册链接 + 基因的全国队列范式对照 |
| nhs-hes | 474 | OFH 链接健康记录中 HES 部分的源数据库 |
| million-veteran-program | 453 | 美国退伍军人队列，性别与年龄结构对照 |
| cohortx | 939 | 队列定义可计算化方法学参照 |
| biobank-japan | 195 | 医院型生物银行 vs 人群志愿者队列的抽样框架对照 |
存照：三处双口径与两处未公开
双口径 1：问卷人数。 官网 Data and cohort 页写 2,021,810（Questionnaire），Release 14 页写 Participant 表 2,022,814。差 1,004 人，官方解释为两表建立时的同步时点差，受影响者将在下一版补齐。本条目主口径采用 2,021,810（与官方首页一致），并在正文标明 Participant 表数值。
双口径 2：POCT 人数。 官网与 Release 14 页写 1,159,273；2026-05 的发布新闻稿写"约 120 万（1.2 million）"。前者为精确口径，后者为四舍五入。本条目采用 1,159,273。
双口径 3：族裔构成。 官网 Release 14 前后写白人 89.6%、非白人合计 10.4%；论文（数据截至 2025-06-03）写白人 90.0%、非白人 10%。差别源于时点不同，并非矛盾。本条目采用官网最新口径 89.6%。
未公开 1：访问费金额。 官方仅说明"Access Board 批准后需付费"，商业机构按类型与规模差异化定价，需联系 partnerships@ourfuturehealth.org.uk。学术与商业的具体金额均未公开。
未公开 2：链接健康记录逐表人数。 Release 14 页完整给出配药 1,572,477 与 HES A&E 1,175,047 两行，其余表（住院、门诊、ECDS、癌症、死亡）的人数在本条目可及页面中未完整呈现，按纪律记"未公开"，不做估算。
另附存照：招募期限。 Genome UK 2022-2025 实施计划写"2025 年底前招募最多 500 万"，2025 年媒体访谈引项目负责人称"目标 2028 年完成招募"，官网仅写"最多 500 万"不给期限。三口径并存，本条目不做取舍，正文 §3 与 §10 坑 4 并存照。
写作说明
本条目所有事实来自三类一手来源：Our Future Health 官方研究门户（Data and cohort 页，Updated 2026-09-04；Apply to access the data 页，Updated 2026-10-14；Analysing the data 页）、Our Future Health 官方技术文档（gitbook，含 Release 14 页与 TRE 数据结构页）、以及同行评议文献（Int J Epidemiol 2025;54(6):dyaf171 的 Cohort Profile 与 Nature Medicine 2026 基线表型分析）。
凡上述来源未覆盖的字段——包括访问费金额、链接记录逐表人数、影像数据发布时间、Nature Medicine 论文 DOI——一律按"未公开"处理，未做任何推测性补写。核验过程中记录的双口径冲突逐条在"存照"一节列出，供后续版本对照。
本条目与 uk-biobank(96) 的关系在 §7 与 §9.2 两处显式澄清：两者是不同队列，可互为外部验证，但不是子集关系。
附录 G：研究者操作 SOP（从零到第一篇结果）
这一节把 §6 的流程图展开成可执行清单，面向第一次申请 OFH 的团队。每一步都标注了官方承诺的时限与常见失败点。
阶段 A：资格自查（1-3 天）
- 查 territories of access 名单，确认所在国不在 Not accepted 列表。
- 查 eligible organisations policy（v10，2026-03），确认所属机构属于大学/慈善/NHS/健康研究组织四类之一。
- 确认机构内是否已有覆盖 UK GDPR 的信息治理培训——必须在最近 12 个月内完成，过期需重训。这一步常被低估，重训往往需要一周以上。
- 确认拟合作的全部机构都愿意签署 Resource T&C。机构法务流程慢的团队，应在阶段 A 就启动法务预审。
阶段 B：注册与认证（官方 2 周）
- 在访问研究门户创建研究者账号。
- 填写研究者申请表（官方有示例 PDF，可先对照准备材料）。
- 阅读并同意 Registered Researcher T&C（v2.5）。
- 上传 IG 培训证明。
- 提交，等待 2 周答复。
- 若被拒，常见原因是机构类型不符或培训证明不合规；补正后重新提交。
阶段 C：研究申请（官方 60 天）
- 在研究门户内填写研究申请表：研究目的、所需数据、通俗语言摘要。
- 撰写通俗语言摘要——官方有专门指南，要求用非专业读者能懂的语言说明研究价值与方法。这段摘要会被公开，写不好会影响 Access Board 印象。
- 列名所有需要访问参与者数据的合作者，并确认他们各自已成为 Registered Researcher。
- 机构授权代表签署申请表。
- 每个合作机构的授权代表签署 Resource T&C（v2.5，2026-04）。
- 若从英国/EEA/adequacy 覆盖国以外访问，签署 IDTA。
- 提交，等待 Access Board 审核（最长 60 天）。
- 批准后，研究摘要发布到 HDR UK Innovation Gateway。
阶段 D：付费与开通
- 联系 access@ 或 partnerships@ 确认费用并完成支付。
- 进入 DNAnexus TRE，确认项目空间、数据集可见性。
- 检查 £500 云额度是否已挂到个人钱包（按研究者而非按项目）。
阶段 E：TRE 内分析
- 用 Cohort Browser 先做一次样本量探查，确认申请的数据集与预期一致。
- 通过 Airlock 上传分析代码（脚本、包）。
- 在 JupyterLab 内跑 QC：样本 QC 文件、亲缘、主成分。
- 按 PID 链接实体；事件级表先定义聚合规则。
- 结果导出前，在 TRE 内提交 transfer request，确保输出为人类可读格式。
阶段 F：项目维护与结项
- 每年提交年度研究报告。
- 方案变更走在线修订表（最长 35 天）。
- 发表前提交 Publication submission form，遵守 Publication policy v1.4。
- 结项提交 End of study declaration。
常见失败点汇总：
| 环节 | 失败表现 | 根因 |
|---|---|---|
| 阶段 A | 白做一轮 | 所在国在 Not accepted 名单 |
| 阶段 B | 2 周后被拒 | IG 培训超 12 个月，或机构类型不符 |
| 阶段 C | 反复补件 | 合作者未各自认证；某机构未签 T&C |
| 阶段 C | 60 天后被拒 | 通俗摘要不清、数据需求与研究目的不匹配 |
| 阶段 D | 开通延迟 | 未完成付费；IDTA 未签 |
| 阶段 E | 导出被拒 | 输出为二进制或含个体级明细 |
附录 H：典型研究场景的样本量估算
以下估算基于 Release 14 的公开人数与比例，仅作规划参考，实际分析前须在 Cohort Browser 内核实。
| 研究场景 | 可用分母 | 粗略样本 | 注意 |
|---|---|---|---|
| 全队列 GWAS（常见病） | 755,000 有基因型者 | ~75 万 | 表型来自问卷需先映射四版本题目 |
| 亚裔 GWAS | 亚裔 5.5% | ~4.2 万（全队列外推）；基因子集更少 | 细分南亚/东亚后每格可能不足万 |
| 黑人 GWAS | 黑人 1.6% | ~3.2 万（全队列外推） | 基因子集比例可能不同 |
| 80+ 老年表型 | 80+ 2.2% | ~4.4 万（全队列外推） | 该组死亡率高，链接记录随访价值大 |
| 处方-入院链条 | 配药 1,572,477 | ~157 万 | 仅英格兰 |
| POCT 血脂横断面 | 1,159,273 | ~116 万 | 采集止于 2024-12 |
| 罕见病病例 | 全队列 | 囊性纤维化 172、重症肌无力 668 | 官方对照 UK Biobank 的公开数字 |
| 地理小单元分析 | LSOA 表 1,914,754 | 35,672 个 LSOA | 部分 LSOA 样本量极小，须做小样本抑制 |
估算纪律：表中"全队列外推"的样本是比例乘以 2,021,810 的结果，不是官方公布的绝对数，且比例来自问卷完成者而非基因子集——基因子集的性别比已知与全体不同（55.4% vs 57.2%），族裔比也可能偏移。任何写进论文的样本量，都应来自 TRE 内的实际计数，而不是本表外推。
附录 I：四个问卷版本的题目映射策略
OFH 的问卷跨越 v1（202 题）、v2（286 题）、v2.1、v2.2 四个版本，Release 14 中四版本人数分别为 52,871 / 739,323 / 370,407 / 859,209。做跨版本分析时，有三种策略可选。
策略一：只用全版本共有的稳定题目。 优点是样本最大（可用全部 202 万），缺点是可分析的表型集被大幅压缩。适合做需要最大样本的常见病分析。
策略二：按版本分层分析再合并。 每版内部做完整分析，最后用 meta 分析合并。优点是保留全部题目，缺点是需要每版至少数万人才能稳定估计——v1 只有 52,871 人，某些题目在 v1 内可能样本不足。
策略三：映射到 v2 题目集，早期版本缺失处标记为缺失。 这是最常用的折中：以当前活跃版本 v2.2 为标准，把 v1/v2/v2.1 的题目映射过去，无法映射的记缺失。缺点是缺失机制与参与时间相关（早期参与者集中在特定地区与招募批次），须在敏感性分析中处理。
实践建议：
- 先查公开数据字典，确认目标题目在四个版本中的存在情况；
- 对关键暴露变量，报告"四版本可得率"，而不是只报总体缺失率；
- 对 v1 独有的题目（如果存在），单独说明只覆盖 2.6% 的样本；
- 题目映射表建议作为论文附件公开，便于复现。
附录 J：TRE 内文件组织与命名规范
Release 14 的基因文件采用固定命名规则：ofh_ 前缀 + 内容标识（snv 表示芯片，imputed 表示插补）+ 版本号（如 .v6）+ 染色体（如 .chrZ）+ 区域标识（如 -bXXXX）+ 扩展名。
分片逻辑：芯片 160 片、插补 809 片，按染色体与区域切分。做全基因组分析时，常见做法是先按染色体合并再分析，或按片并行后合并结果。
配套元数据文件：
| 文件 | 内容 | 用途 |
|---|---|---|
Sample QC（.tsv） |
样本级 QC 指标 | 剔除低质量样本 |
| Regions BED | 区域坐标 | 分片定位与合并 |
Kinship（.txt） |
亲缘对 | 剔除相关样本 |
| PCA Loadings（VCF） | 40 个主成分 | 群体结构校正 |
| Variant summary stats（VCF） | 变异级统计 | 插补质量控制 |
| Ancestry | 祖源分组（142 组） | 族裔分层 |
命名陷阱：芯片用"25 条染色体"（22 常染色体 + X + Y + MT）描述，插补用"23 条"（22 常染色体 + X 非 PAR）描述。做全基因组合并时不能假定两者染色体集合相同——Y 与 MT 只在芯片数据中。
附录 K：OFH 与 UK Biobank 的互补使用方案
既然两者独立且互补，最有价值的用法不是二选一，而是设计"训练—验证—迁移"三段式。
方案一：UK Biobank 训练，OFH 验证。 适用于 UK Biobank 已有的深度表型（如影像衍生表型、加速计、生化指标）。OFH 提供独立人群的外部验证，能检验模型是否过拟合 UK Biobank 的特定招募批次。
方案二：OFH 发现，UK Biobank 复现。 适用于罕见病与年轻人群疾病——OFH 的绝对数优势在这里最明显，UK Biobank 的深度表型与长期随访可做机制性复现。
方案三：双队列 PRS 迁移测试。 在 UK Biobank 的欧洲祖源样本训练 PRS，在 OFH 的亚裔、黑人、混血子集测试迁移性。OFH 的 142 组基因祖源比自报族裔更细，能把"亚裔"拆到更细的分组，这是它相对多数队列的独特优势。
三方案共同的前提：两边的表型定义必须逐字对齐。同一个"高血压"，在 OFH 的问卷自报、OFH 的诊所测量、UK Biobank 的基线测量、两边的 HES 链接记录里是四个不同的操作化定义。跨队列研究失败的最常见原因不是模型，而是表型定义没对齐。
附录 L：条目维护提示
OFH 每半年发一版数据，本条目中的数字会在下一次发版后过期。维护时优先更新以下字段：
- INFOBOX 六行规模数字（对应官网 Data and cohort 页）；
- §2 表格的资产规模列（对应 Release 14 之后的 Release 15 页面）；
- §2.4 链接健康记录的覆盖窗口（每次发版都会延长）；
- §4 人群构成表（比例会随招募缓慢变化）；
- §6.3/§6.4 的时限与费用（条款版本号会更新，如 Resource T&Cs 从 2026-04 版向后滚动）；
- §10 坑点中涉及"当前版本"的表述。
不建议轻易改动的内容：§7 与 §9.2 关于"与 UK Biobank 关系"的定性——这是结构性事实，不随发版变化；§6 关于 TRE 的定性——除非 OFH 更换平台供应商，否则不变。
附录 M：Release 14 变更逐项解读
Release 14 相对上一版（2025 年 12 月那版）的主要变化，官方与新闻稿共列出七项。逐项解读其研究含义：
变更一：POCT 血脂首次独立成表。 此前血脂数据可能混在临床测量表中，R14 单独建表并入 TRE。研究含义：可以直接用 poct_lipid_profile 做横断面血脂分布分析，不必再从 clinic_measurements 里挑字段。注意该表只覆盖 2022-07 至 2024-12 的采集，2025 年后无新增。
变更二：1995 年前癌症登记数据首次纳入。 覆盖 1985-01-01 至 1994-12-31 诊断的可登记肿瘤。研究含义：老年参与者的既往癌症史更完整，癌症随访窗口从 1995 年向前延伸十年，总跨度达 38 年（1985-2023）。对研究长期生存者、第二原发癌尤其有价值。
变更三：撤出按数据集独立处理。 此前撤出可能统一从所有资产移除，R14 起各资产独立处理，导致跨资产计数出现微小差异（Participant 表可能略少）。研究含义：跨表按 PID 合并时，会遇到"某人在问卷表有、在 Participant 表无"的极端个案，须做外连接而非内连接，并说明损失。
变更四：地理位置数据新增北爱尔兰（国家/区域级），更新去标识协议。 抑制不再传导到国家/区域层；移除基于邮编—坐标不匹配的排除规则。研究含义：北爱尔兰参与者现在可以进入国家级分析；同时因为移除了一类排除，R14 的国家/区域计数可能比 R13 略高，跨版本比较须注意口径变化。
变更五：诊所数据新增三个诊所级变量。 CLINIC_SITE_REF（诊所标识）、CLINIC_PROVIDER（提供方）、IS_MOBILE_CLINIC（是否移动诊所），均伪编码去标识。研究含义：可以做诊所层面的聚类校正与移动诊所效应分析——此前测量值只能归到参与者，无法归到采集地点。
变更六：链接数据去重与提供方代码更新。 移除 12,352 个链接到同一 NHS 号的 PID（这批 PID 仍存在于其他产品中）；提供方代码映射 11,844 个，其中 349 个（2.9%）未知。研究含义：做机构级分析时，必须把这批被去重的 PID 与"未知提供方"单列，否则会低估某些机构的量。
变更七：基因数据清理与祖源扩容。 移除多等位基因位点数据、移除误报变异；祖源更新至 755,000 人、142 组。研究含义：多等位位点被移除意味着某些特定变异（如部分 HLA 区域、部分 CNV 邻近位点）在 R14 中不可用，做免疫遗传学或药物基因组学的团队须核对目标位点是否保留。
附录 N：常见方法学问题与建议答案
问题一：OFH 的样本能代表英国人口吗？
部分能。人口学与社会经济构成大体接近，但女性偏高（57.2% vs 全国约 43%）、最剥夺五分位偏低（13% vs 20%）、部分少数族裔与年轻人不足。官方提供抽样权重，加权后可用于人群推断，但须在局限性中写明。
问题二：为什么不能直接算患病率？
因为分母不是随机样本。自报患病率还受回答意愿影响——精神健康类偏高、肺癌偏低就是证据。正确做法：加权 + 与全国调查或 UK Biobank 对照 + 报告敏感性分析。
问题三：基因数据的样本量与问卷样本量差这么多，会不会有偏？
会。基因子集只占问卷参与者的 37.4%，且性别比（55.4% 女）与全体（57.2% 女）不同。做基因分析时，应报告基因子集的人口学构成，而不是引用全队列构成。
问题四：能用 OFH 做纵向随访吗？
可以，但"纵向"主要来自链接记录（住院回溯至 1997，死亡至 2025-10），而不是重复测量。OFH 目前只有一次基线客观测量。随访研究的核心假设是"链接记录完整"，而链接只覆盖英格兰 NHS，威尔士与苏格兰仍在建立。
问题五：缺失数据怎么处理？
分三类：结构性缺失（某版本没有某题）、机制性缺失（早期系统问题）、个体缺失（未答）。三者处理方式不同。建议先做缺失模式图，再决定用完整案例分析、多重插补还是加权。
问题六：为什么 Access Board 会拒？
常见原因：研究目的与数据需求不匹配（要了全量基因但只做问卷分析）、通俗摘要不清、合作者未各自认证、机构未签 T&C。也有价值观层面的拒绝——研究问题被认为不符合公共利益。
问题七：能在 TRE 里用 GPU 吗？
官方工具清单列的是 JupyterLab（含 Spark 集群）与命令行，未在可及页面明确列出 GPU 规格。做大模型训练前应向 access@ 确认算力类型与计费。
问题八：能把 TRE 里的结果图直接用于发表吗？
可以，但要遵守 Publication policy v1.4，并在发表前提交 Publication submission form。图表中不得出现可识别个体的信息；小样本单元格（如某 LSOA 只有 1 人）通常需要抑制。
附录 O：与 All of Us 的简要对照
同为国家级志愿者队列，All of Us（美国，库内 rid 575）与 OFH 有可比性也有根本差异。
| 对照点 | Our Future Health | All of Us |
|---|---|---|
| 国家 | 英国 | 美国 |
| 目标规模 | 最多 500 万 | 未在本档案核证（不引未核实数字） |
| 基因数据 | 芯片 + 插补（755,000） | 未在本档案核证 |
| 健康记录 | NHS England 链接 | EHR 链接 + 问卷 |
| 族裔策略 | 目标提高少数族裔比例 | 未在本档案核证 |
| 访问模式 | TRE 内分析 + 付费 + 认证 | 研究者工作台（Researcher Workbench） |
| 参与者反馈 | 计划反馈疾病风险 | 返还部分遗传结果 |
两者的核心差异在"反馈"与"族裔超额招募"两处：All of Us 更早、更系统地向参与者返还遗传结果，OFH 的反馈仍在推进中（Genome UK 计划提到与 Genomics plc 合作计算 PRS 并反馈）。做跨国比较研究时，这两点会直接影响参与者的组成与依从性。
附录 P：条目自检清单
本条目成稿前逐项核对：
| 检查项 | 状态 |
|---|---|
| 五个规模分母分列、不合并 | 已核对（INFOBOX 与 §2 表格） |
| 访问链路四道闸门逐条写清 | 已核对（§6.2-§6.6） |
| 时限（2 周 / 60 天 / 35 天） | 已核对（§6 与 FAQ） |
| IDTA 适用与豁免条件 | 已核对（§6.3、坑 6） |
| 付费时点与算力费分离 | 已核对（§6.4、坑 7） |
| 数据不得带出与 Airlock | 已核对（§6.6） |
| 与 UK Biobank 非子集关系 | 已核对（§7、§9.2、尾注 4） |
| 双口径存照 | 已核对（存照节） |
| 未公开字段标注 | 已核对（存照节、尾注 2） |
| 库内互链与 rid | 已核对（建议互链点表） |
| DAIMS 表 | 已核对（附录 B） |
| 坑点编号 ≥ 5 | 已核对（§10 共 10 坑） |
附录 Q：逐维度数据字典摘要
公开数据字典（Release 14，XLSX 128KB）给出全部字段名与取值。本附录只摘录与常见研究最相关的字段族，完整清单请下载原文件。
§Q.1 字段族总览
| 表 | 代表字段族 | 用于 |
|---|---|---|
participant |
PID、出生年月、自报性别/社会性别、族裔、同意版本、注册年月 | 链接键与人口学 |
questionnaire |
问卷版本、人口学、社会经济、生活方式、家族史、个人健康史 | 自报表型 |
clinic_measurements |
身高、体重、腰围、血压、心率、心律、诊所标识/提供方/移动诊所 | 客观表型 |
poct_lipid_profile |
TC、HDL-C、TG、LDL-C、非 HDL-C、TC:HDL-C、边界标志 | 血脂表型 |
nhse_eng_* |
事件日期、诊断/手术码、提供方、药名与数量、肿瘤部位、死因 | 结局与用药 |
lsoa / msoa / intermediate_zones |
地理代码 | 小地理分析 |
完整字段名与取值域以公开数据字典（XLSX 128KB）与编码文件（XLSX 15.3MB）为准；本条目不复述字典全文。
附录 R：申请材料的三个最常见卡点
按官方流程，一次申请要交的材料包括研究者申请表、T&C 同意、IG 培训证明、研究申请表、通俗语言摘要、合作者逐一认证、机构授权代表签字、各合作机构的 Resource T&C、以及（境外适用时）IDTA。材料清单本身以 apply-to-access 页为准，本附录只记录实操中最容易卡住的三处。
卡点一：IG 培训证明的时间窗。 必须是最近 12 个月内完成、且覆盖 UK GDPR 的培训。机构内部的一般合规培训、不合规的行业课程、或已过期的证书都会被退。若机构无现成课程，官方建议直接邮件询问 access@。
卡点二：合作者认证的连带效应。 只有需要访问参与者数据的人才必须认证，但只要名单上有一个人没认证，整个申请 4.1 节就不完整。多方合作项目应在提交前做一次"认证状态核对表"。
卡点三：机构级 T&C 的法务周期。 Resource T&C 是机构签署，不是个人签署。大型机构法务审阅常需数周，而这一步与 Access Board 的 60 天可以部分并行——建议在提交申请的同时启动法务审阅，而不是等批准后再签。
附录 S：条目与官方文档的对应索引
| 本条目章节 | 对应官方页面 |
|---|---|
| §2 数据构成 | Data and cohort 页；gitbook Overview of data in the TRE |
| §2.4 链接记录 | Data and cohort 链接表；gitbook Release 14 |
| §4 人群构成 | Data and cohort 三张构成表；Nature Medicine 2026 |
| §5 任务谱系 | 官网首页"研究资源"段；Cohort Profile 论文 |
| §6 访问机制 | Apply to access the data 页；Analysing the data 页 |
| §7 UK Biobank 关系 | 两站对照；DNAnexus 官网 biobanks 页 |
| §8 质量缺陷 | gitbook Release 14"数据质量"段 |
| §9 生态 | 官网首页；HDR UK Gateway（custodian 86） |
| 附录 B DAIMS | 综合上述各页 |
本条目到此结束。再次强调三条使用底线：五个分母不可合并、数据不出 TRE、OFH 与 UK Biobank 是并列而非嵌套。凡与这三条冲突的写法，都应回到 §7 与 §9.2 重新核对。
附录 T：Release 14 与论文口径的逐项对账
《Cohort Profile: Our Future Health》（数据截至 2025-06-03，第 11 次数据发布）与 Release 14（2026-05-28）之间约相差一年，两套数字不能混用。下表逐项对账，便于跨文档引用时判断。
| 指标 | 论文口径（2025-06-03） | Release 14（2026-05-28） | 差异说明 |
|---|---|---|---|
| 已同意 | 2,461,601 | 未单列（Participant 表 2,022,814） | 论文的"同意"含未完成问卷者；R14 表按问卷完成加入库 |
| 完成问卷 | 1,859,888 | 2,021,810 | 一年增长约 16.2 万 |
| 链接 EHR | 约 130 万 | 1,690,704 | 一年增长约 39 万 |
| 完成现场预约 | 约 140 万 | 近 160 万 | 官方 R14 页描述为"近 160 万" |
| 问卷+可用血样 | 1,418,749 | 未单列 | 论文特有交叉口径 |
| 有基因数据 | 论文称"截至发文 >65 万" | 755,000 | 增长约 10 万 |
| 白人占比 | 90.0% | 89.6% | 随招募略降 |
| 非白人占比 | 10% | 10.4% | 同上 |
| 亚裔 | 5.4% | 5.5% | 微升 |
| 黑人 | 1.5% | 1.6% | 微升 |
| 混血 | 1.7% | 1.8% | 微升 |
| 其他 | 1.4% | 1.4% | 持平 |
对账结论：论文的已同意数（246 万）大于 R14 的问卷完成数（202 万），这不是矛盾，而是两个不同概念的差别——“同意"不等于"完成基线问卷”。引用时务必区分：同意数用于描述项目规模，问卷完成数用于描述可用数据规模。
附录 U：被链接数据的时间窗如何影响研究设计
链接记录不是"全时段覆盖"，每一张表都有自己的起止时间。这个细节决定了哪些研究问题在 OFH 上可行、哪些不可行。
住院（HES APC）回溯至 1997-04。 这意味着 1997 年之后发生的住院事件都可能被捕捉到——即使参与者 2023 年才加入 OFH。这是 OFH 相对"从加入才开始随访"的队列的最大优势：回顾性随访。做既往病史、术前合并症、长期结局研究时，这一点决定性。
死亡登记仅从 2022-06 起。 这是一处容易踩的坑：如果参与者 2019 年去世，其死亡记录不在 OFH 的 ONS 数据中。做生存分析时，2022 年前的死亡会被误判为"删失"，从而高估生存率。正确做法是把研究起点设在 2022-06 之后，或明确说明左截断。
癌症登记分四张表、四个窗口。 患者肿瘤表到 2023-12、治疗表到 2025-06、路径表到 2024-07、1995 前表覆盖 1985-1994。做癌症发病率分析要用患者肿瘤表（有诊断日期），做治疗模式分析才用治疗表。混用会导致分子分母时间不一致。
急诊分两段。 HES A&E 到 2020-03，ECDS 从 2020-04 起。两段字段不同，做长期趋势分析要么分段报告，要么统一到 ECDS 字段模型后再合并。
配药从 2018-04 起。 这是所有链接表里回溯最短的一张（除死亡）。做长期用药史研究，2018 年前的暴露无法从配药记录获得，只能靠问卷自报。
每张表都有"临时数据"段。 R14 页对部分表标注了"临时（provisional）“窗口，如住院、门诊、ECDS 的 2025-04 至 2025-10。临时数据可能在下版修订，做近期事件分析时应标注"含临时数据”。
附录 V：四条失败案例复盘（虚构但典型）
以下四类失败模式在大型受控访问队列上反复出现，列出以便规避。案例为方法学归纳，不对应任何具体团队。
案例一：把 TRE 当下载站。 团队按"下载 700GB 基因数据后在本地集群训练"设计管线，申请获批进入 TRE 后才发现导出受限、算力按小时计费、模型权重二进制不可导出。返工代价：整条管线重写为 TRE 内执行。规避：在写申请前的方案设计阶段就假定"数据不出环境"。
案例二：表型定义跨队列不一致。 团队用 UK Biobank 训练的"2 型糖尿病"模型在 OFH 验证，AUC 从 0.82 掉到 0.66，起初归因于人群差异。复核发现两边的糖尿病定义不同：UK Biobank 用基线 HbA1c + 自报 + 用药，OFH 侧只用了自报。规避：跨队列研究先做表型对齐表，逐字段核对。
案例三：忽略基因子集的选择性。 团队把基因子集的族裔构成当作全队列构成写进论文，审稿人指出基因子集女性占 55.4%，而全队列 57.2%，说明子集本身有选择。规避：凡涉及基因子集的分析，单独报告该子集的人口学构成。
案例四：生存分析的左截断。 团队用 ONS 死亡登记做 2015 年起的研究期生存分析，结果生存率显著高于全国。原因是 2022-06 前的死亡不在数据中，被错误删失。规避：先画死亡日期分布，确认研究期起点在数据窗口内。
附录 W：TRE 内分析的性能与成本经验
基于官方公开信息可推出的几条成本规律（非实测，具体以 TRE rates card 为准）：
- 简单笔记本约 £0.10/小时——做探索性分析、画图、小样本统计，成本可忽略；£500 额度足够数千小时。
- Spark 集群为高容量设计——处理 159,587,100 个变异 × 755,000 样本的矩阵时必须用集群，成本按节点小时累计，是主要开销来源。
- 存储也计费——官方明确额度可用于"算力与存储"，长期驻留中间文件会持续消耗额度。
- £500 按人发放——同一项目的两名研究者各得 £500，合计 £1,000；用完需设置可计费钱包。
- 额度到期日 2027-08-31，须在 2027 年 9 月前用完——跨年度项目要规划额度消耗节奏，避免到期浪费。
实践建议：把"重计算、轻存储"作为 TRE 内的工作原则——中间结果及时聚合为小表，原始矩阵用后释放，避免长期驻留大文件消耗额度。
附录 X：数据申请被拒后的可能路径
Access Board 拒绝研究申请并不等于永久关门。可考虑的四条路径：
路径一：修订后重提。 针对拒绝理由修改研究设计、缩小数据需求范围、或补充通俗摘要，重新提交。官方未公布"重提次数限制"，但每次都重新走 60 天审核。
路径二：缩小数据范围。 常见拒绝原因是"申请的数据远超研究所需"。把全量基因改为特定区域、把全量链接记录改为特定表，通过率通常提升。
路径三：改用其他 TRE。 官方明确允许在 OFH 的 TRE 无法满足需求时，申请在其他 TRE 中访问数据，需联系 access@。这条路径适合已有成熟分析环境的大型团队。
路径四：先做公开数据研究。 数据字典、编码文件、变异清单是公开的，可先做"基于字典的研究设计"或"变异清单的方法学研究"，为正式申请积累材料。
注意：官方对研究目的的审查包含公共利益维度，纯商业目的或与健康研究无关的申请通过率低。商业机构在申请前应先联系 partnerships@ 讨论合作模式。
附录 Y：若要把 OFH 接入 AI 就绪流水线
对想做"AI-Ready 数据集"封装的团队，OFH 是一个特殊对象：它的原始数据无法离开 TRE，因此"数据集卡片"只能描述可访问性契约，而不能附带样本文件。可行的封装方式有三种：
方式一：元数据卡 + 访问契约。 发布一份描述数据结构、样本量、字段族、许可与访问流程的卡片，不附数据。用户按卡片去申请。这是本条目采用的方式。
方式二：TRE 内工具包。 若团队本身已获 OFH 访问权，可在 TRE 内维护一套标准化的加载、QC、表型定义脚本（Python/R），随项目分发。这实际上是把"数据产品"变成了"代码产品"。
方式三：合成数据。 用公开的分布统计生成结构相同的合成表，供管线开发与单元测试，真实数据只在 TRE 内跑最终验证。这是绕开"数据不出环境"限制的常见工程解法，但须明确标注"合成数据不可用于科学结论"。
三种方式的共同约束：任何封装都不得暗示"可以下载 OFH 数据"。一旦出现"下载链接"，即违反 Resource T&C。
结语：给三类读者的三句话
给流行病学家：OFH 是英国目前最大的志愿者队列，绝对数优势在罕见病、年轻人群与少数族裔亚组；把它当发现队列用之前，先做加权与外部对照。
给机器学习研究者：它的价值在"训练集之外的独立测试集"，而不在"更大的训练集"；进 TRE 之前，先想清楚你的管线能不能在无本地数据、无 GPU 承诺、导出受限的条件下跑通。
给数据治理研究者：OFH 是一个把"可发现性"与"可获取性"彻底分离的样本——元数据几乎全公开，数据一行不出。研究这种分离如何影响科研产出，OFH 是极好的案例。
附录 Z：OFH 数据治理的五个设计抉择
OFH 的治理形态不是天然如此，而是五个明确抉择的结果。理解这些抉择，能帮助使用者预判未来版本可能的变化。
抉择一：集中式 TRE，而非联邦式查询。 OFH 选择把数据集中放在一个 TRE 里，让研究者进来分析；另一种路线是联邦式——数据留在各机构，只交换查询结果（如欧洲的若干联邦网络）。集中式的优点是分析能力强、数据一致；缺点是单点风险与"人有门槛"。OFH 选了前者，这与它作为单一国家项目的定位一致。
抉择二：行政链接优先于自报。 OFH 大量依赖 NHS 与 ONS 的行政记录，而不是让参与者反复自报。这让慢性病、用药、死亡的测量更客观，代价是"仅英格兰覆盖"与"链接失败即缺失"。
抉择三：付费，而非免费。 访问费被明确表述为"支撑项目长期可持续"。这与其他一些公共资助队列（免费开放给学术研究者）不同。付费的商业含义是：OFH 不单纯依赖拨款，而是把数据访问本身当作收入来源之一。
抉择四：认证门槛，而非形式承诺。 Registered Researcher 要求机构类型、IG 培训、机构级 T&C——三层都是实体性要求，不是点击"我同意"。这让访问链更慢，但把责任落到了机构而非个人。
抉择五：每半年发版，而非实时。 数据以半年度版本投放，而不是实时流入。这让版本可追溯、变更可记录，代价是研究结果总有"版本时点"标签。
五个抉择的组合效果：高信任、低速度、强可追溯。这与"快速迭代的 AI 研究"节奏天然冲突，也是 OFH 在 AI-Ready 光谱上"元数据高分、可获取性低分"的根源。
附录 AA：十条可直接引用的原句（附出处）
以下英文原句来自官方页面，可直接用于论文方法与局限性段落（引用时请注明抓取日期 2026-10-17 与对应页面）。
- “The Our Future Health programme is open to all adults (18 years and older) living in the UK.”（Data and cohort）
- “2,021,810 participants who have consented to take part and completed our baseline health questionnaire”（Data and cohort）
- “a subset of 1,690,704 participants successfully linked to an NHS number”（Data and cohort）
- “a subset of 755,000 participants who have been successfully genotyped and have imputed genetic data”（Data and cohort）
- “Data sets are stored and accessed in the Our Future Health Trusted Research Environment (TRE).”（Data and cohort）
- “The Our Future Health Trusted Research Environment (TRE) is built on the DNAnexus Platform.”（官方 gitbook 首页）
- “You’ll get a response within 2 weeks.”（Apply to access the data，指 Registered Researcher 认证）
- “Our Access Board will review your study application… You will get a response within 60 days.”（Apply to access the data）
- “If the Access Board approves your study application, you will need to pay to access the data you’ve requested.”（Apply to access the data）
- “All files must currently be human readable. You will not be able to share data across multiple studies that you might have.”（Analysing the data）
第 10 条的实务含义：出站文件既不能是压缩包也不能是二进制，因此导出的分析结果通常只能是 CSV、TSV、纯文本或图片。需要带出模型权重的团队应提前与 access@ 讨论可行方案。
原句的忠实度说明：第 10 条是两句话合并引用——前半句与后半句在官方页面同段相邻，但并非同一句。引用时建议分行标注，避免被误认为一句连续原文。
第 6 条的出处补充：该句出自 OFH 官方 gitbook 首页"About the Our Future Health Trusted Research Environment (TRE)"段；同一事实在 DNAnexus 官网 biobanks 页以"DNAnexus has been selected as the platform provider of the Trusted Research Environment for Our Future Health"表述，两源互证。
第 9 条的版本锚点：该句所在段落还写明"商业研究机构费用按机构类型与规模差异化，需联系 partnerships@"，本条只引前半句时不应省略后半句的语境，否则会误导读者以为费用统一。
几条不宜单独引用的句子：官网的"2,021,810 participants"单独引用会丢失"这只是问卷层"的语境；"up to 5 million"单独引用会丢失"期限口径不一"的事实。引用数字时务必带上下文。
给非英语母语研究者的提示：官方条款中的"registered researcher"“study application”"Resource Terms and Conditions"都是专有名词（指向特定表单与特定文件），意译会丢失指向性。论文中应保留英文原名，中文解释放括号内。
引用注意：第 7、8、9 条的时限与费用是与版本绑定的——条款版本会滚动（如 Resource T&Cs 已到 2026-04 版 v2.5），引用时应同时写明"据 2026-10-17 页面"。
附录 AB：与 UK Biobank 的"能不能合并"技术论证
常被问到的问题：既然两者都是英国志愿者队列，能不能合并成一个更大的样本？
支持合并的表面理由：都是英国成年人、都有基因型、都有 NHS 链接记录、都用 DNAnexus。
反对合并的四条实质理由：
- 重复个体风险。两边的志愿者可能同时参加两个项目。OFH 与 UK Biobank 都不公开参与者名单，无法在队列层去重。合并后的"N=550 万"是一个上界，不是真实人数。
- 测量协议不同。OFH 的血压用 Omron、体重用 SECA 875；UK Biobank 的测量设备与流程不同。同一个"收缩压"在两个队列里有不同的测量误差结构。
- 问卷题目不同。OFH 问卷 v1 202 题、v2 286 题；UK Biobank 的触摸屏问卷是完全不同的题目集。跨队列合并需要做题目映射，而映射本身会引入测量不等价。
- 链接记录口径不同。两者都用 HES，但链接时点、去重规则、覆盖窗口不同。同一个住院事件在两边可能出现在不同的表里。
正确的替代方案：不做样本合并，做结果合并——在两个队列上独立跑同一分析，用 meta 分析合并效应量。这正是 Nature Medicine 2026 基线分析的做法（比较而非合并）。
附录 AC：缩写全表
| 缩写 | 全称 | 中文 |
|---|---|---|
| OFH | Our Future Health | （项目名，无标准中译） |
| TRE | Trusted Research Environment | 可信研究环境 |
| PID | Participant ID | 参与者标识 |
| IDTA | International Data Transfer Agreement | 国际数据传输协议 |
| EEA | European Economic Area | 欧洲经济区 |
| UK GDPR | UK General Data Protection Regulation | 英国通用数据保护条例 |
| IG | Information Governance | 信息治理 |
| HES | Hospital Episode Statistics | 医院事件统计 |
| APC | Admitted Patient Care | 住院诊疗 |
| OP | Outpatient | 门诊 |
| A&E | Accident and Emergency | 急诊 |
| ECDS | Emergency Care Data Set | 急诊数据集 |
| NDRS | National Disease Registration Service | 国家疾病登记服务 |
| ONS | Office for National Statistics | 国家统计局 |
| LSOA | Lower Layer Super Output Area | 下层超级输出区 |
| MSOA | Middle Layer Super Output Area | 中层超级输出区 |
| IMD | Index of Multiple Deprivation | 多重剥夺指数 |
| NPL | non-personalised letter | 非个性化信件 |
| POCT | Point-of-Care Testing | 即时检验 |
| PRS | Polygenic Risk Score | 多基因风险评分 |
| PCA | Principal Component Analysis | 主成分分析 |
| QC | Quality Control | 质量控制 |
| GWAS | Genome-Wide Association Study | 全基因组关联研究 |
| VCF / pVCF | Variant Call Format / pseudo-VCF | 变异调用格式 |
| BGEN | Binary GEN | 二进制基因型格式 |
| GRCh38 | Genome Reference Consortium Human Build 38 | 人类参考基因组第 38 版 |
| PAR | Pseudoautosomal Region | 拟常染色体区 |
| HDR UK | Health Data Research UK | 英国健康数据研究组织 |
| RAP | Research Analysis Platform | 研究分析平台（UK Biobank） |
| PI | Principal Investigator | 首席研究员 |
附录 AD：十项最常见的研究设计错误（附修正）
面向已经拿到访问权、正在写分析方案的团队。这十条按出现频率排序，每条给出错误写法与修正写法。
错误 1：用"同意人数"作分母。
错误：以论文的 2,461,601 同意者作分母算患病率。
修正：以问卷表 2,021,810 为分母，并声明该分母非随机样本。
错误 2：把基因子集当全队列。
错误：报告"参与者中女性占 55.4%“。
修正：报告"有基因数据的 755,000 人中女性占 55.4%”，另附全队列 57.2% 作对照。
错误 3：内连接所有表。
错误：把 participant、questionnaire、genotype、HES 直接内连接，得到"无缺失"的分析集。
修正：先声明主分析集（如问卷+基因），其余表左连接，报告各表可得率，做完整案例与多重插补两版敏感性分析。
错误 4：用自报族裔做遗传分层。
错误：按问卷族裔分组算 PRS 效应量。
修正：按基因祖源分组（142 组中选取样本足够的组），自报族裔用于社会流行病学分析。
错误 5：忽略链接的时间窗。
错误：以 2015 年为研究起点做死亡率分析。
修正：研究起点不早于 2022-06（ONS 死亡登记起始），或明确标注左截断。
错误 6：把 HES A&E 与 ECDS 直接拼接。
错误：concat 两表做 2015-2024 急诊趋势。
修正：分段分析（2015-2020 用 A&E，2020-2024 用 ECDS），或统一字段后合并并报告口径差异。
错误 7：不做生理合理性过滤。
错误：直接使用身高体重计算 BMI。
修正：剔除身高 <100cm 或 >220cm、体重 <25kg 或 >300kg、BMI 极值等，官方称异常值 <1% 但未处理。
错误 8：用自算 PCA 替代官方主成分。
错误：自己跑 PCA 做群体结构校正。
修正：用官方 40 个主成分载荷，保证与官方 QC 及他研究可比。
错误 9：忽略问卷版本。
错误：把所有 202 万人的某题直接合并分析。
修正：先查该题在四个版本的可得性，报告分版本可得率，必要时分层。
错误 10：把"研究结果"直接外推到全英。
错误：结论写"英国 X% 的成年人患有 Y"。
修正：结论写"在本志愿者队列中 X%，加权后估计为 Z%，与全国调查的差异为……"。
附录 AE：一句话记住 OFH
如果把整条目压缩成一句：OFH 是一个把 200 万英国人的问卷、160 万人的体检、170 万人的 NHS 记录与 75.5 万人的基因型锁在 DNAnexus 可信环境里的志愿者队列，你得先证明自己是谁、机构是谁、要研究什么，付了钱才能进去算。
这句话包含三个必须记住的要素：规模（分层数字）、治理（认证审批付费）、环境（不出 TRE）。
附录 AF：条目版本记录
| 日期 | 变更 | 依据 |
|---|---|---|
| 2026-10-17 | 初稿成稿；数据基线为 Release 14（2026-05-28）；访问规则基线为 apply-to-access 页（Updated 2026-10-14） | 官方页面抓取 |
下次更新提示：官方每半年发一版，下一版（Release 15）预计在 2026 年 11-12 月。届时需更新 INFOBOX 六行数字、§2 资产表、§2.4 链接窗口、§4 构成表、附录 E，并核对 §6 的条款版本号。
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：
- addhealth — 共享标签：公共卫生与流行病学 / 队列研究 / 基因组学与多组学 / 电子健康记录 / 调查数据
- charls — 共享标签：公共卫生与流行病学 / 队列研究 / 电子健康记录 / 调查数据
- sex-differences-hearing-loss — 共享标签：公共卫生与流行病学 / 队列研究 / 电子健康记录 / 调查数据
- share — 共享标签：公共卫生与流行病学 / 队列研究 / 电子健康记录 / 调查数据
- ckb — 共享标签：公共卫生与流行病学 / 队列研究 / 基因组学与多组学
- all-of-us — 共享标签：公共卫生与流行病学 / 队列研究 / 基因组学与多组学
- ohhr-hearing — 共享标签：公共卫生与流行病学 / 队列研究 / 电子健康记录 / 调查数据
- all-of-us-nih-legacy — 共享标签：队列研究 / 基因组学与多组学 / 电子健康记录
- hrs — 共享标签：公共卫生与流行病学 / 队列研究 / 电子健康记录
- metabric — 共享标签：队列研究 / 基因组学与多组学 / 电子健康记录
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。
