Results from genome-wide association studies (GWAS) can be used to infer causal relationships between phenotypes, using a strategy known as 2-sample Mendelian randomization (2SMR) and bypassing the need for individual-level data. However, 2SMR methods are evolving rapidly and GWAS results are often insufficiently curated, undermining efficient implementation of the approach. We therefore developed MR-Base ( http://www.mrbase.org ): a platform that integrates a curated database of complete GWAS results (no restrictions according to statistical significance) with an application programming interface, web app and R packages that automate 2SMR. The software includes several sensitivity analyses for assessing the impact of horizontal pleiotropy and other violations of assumptions. The database currently comprises 11 billion single nucleotide polymorphism-trait associations from 1673 GWAS and is updated on a regular basis. Integrating data with software ensures more rigorous application of hypothesis-driven analyses and allows millions of potential causal relationships to be efficiently evaluated in phenome-wide association studies.

Abstract Motivation LD score regression is a reliable and efficient method of using genome-wide association study (GWAS) summary-level results data to estimate the SNP heritability of complex traits and diseases, partition this heritability into functional categories, and estimate the genetic correlation between different phenotypes. Because the method relies on summary level results data, LD score regression is computationally tractable even for very large sample sizes. However, publicly available GWAS summary-level data are typically stored in different databases and have different formats, making it difficult to apply LD score regression to estimate genetic correlations across many different traits simultaneously. Results In this manuscript, we describe LD Hub - a centralized database of summary-level GWAS results for 173 diseases/traits from different publicly available resources/consortia and a web interface that automates the LD score regression analysis pipeline. To demonstrate functionality and validate our software, we replicated previously reported LD score regression analyses of 49 traits/diseases using LD Hub; and estimated SNP heritability and the genetic correlation across the different phenotypes. We also present new results obtained by uploading a recent atopic dermatitis GWAS meta-analysis to examine the genetic correlation between the condition and other potentially related traits. In response to the growing availability of publicly accessible GWAS summary-level results data, our database and the accompanying web interface will ensure maximal uptake of the LD score regression methodology, provide a useful database for the public dissemination of GWAS results, and provide a method for easily screening hundreds of traits for overlapping genetic aetiologies. Availability and Implementation The web interface and instructions for using LD Hub are available at http://ldsc.broadinstitute.org/ Supplementary information Supplementary data are available at Bioinformatics online.

The human proteome is a major source of therapeutic targets. Recent genetic association analyses of the plasma proteome enable systematic evaluation of the causal consequences of variation in plasma protein levels. Here we estimated the effects of 1,002 proteins on 225 phenotypes using two-sample Mendelian randomization (MR) and colocalization. Of 413 associations supported by evidence from MR, 130 (31.5%) were not supported by results of colocalization analyses, suggesting that genetic confounding due to linkage disequilibrium is widespread in naïve phenome-wide association studies of proteins. Combining MR and colocalization evidence in cis-only analyses, we identified 111 putatively causal effects between 65 proteins and 52 disease-related phenotypes ( https://www.epigraphdb.org/pqtl/ ). Evaluation of data from historic drug development programs showed that target-indication pairs with MR and colocalization support were more likely to be approved, evidencing the value of this approach in identifying and prioritizing potential therapeutic targets. Mendelian randomization (MR) and colocalization analyses are used to estimate causal effects of 1,002 plasma proteins on 225 phenotypes. Evidence from drug developmental programs shows that target-indication pairs with MR and colocalization support were more likely to be approved, highlighting the value of this approach for prioritizing therapeutic targets.

Abstract The human proteome is a major source of therapeutic targets. Recent genetic association analyses of the plasma proteome enable systematic evaluation of the causal consequences of variation in plasma protein levels. Here, we estimated the effects of 1002 proteins on 225 phenotypes using two-sample Mendelian randomization (MR) and colocalization. Of 413 associations supported by evidence from MR, 130 (31.5%) were not supported by results of colocalization analyses, suggesting that genetic confounding due to linkage disequilibrium (LD) is widespread in naive phenome-wide association studies of proteins. Combining MR and colocalization evidence in cis-only analyses, we identified 111 putatively causal effects between 65 proteins and 52 disease-related phenotypes ( www.epigraphdb.org/pqtl/ ). Evaluation of data from historic drug development programmes showed that target-indication pairs with MR and colocalization support were more likely to be approved, evidencing the value of our approach in identifying and prioritising potential therapeutic targets.

Genomic imprinting is an epigenetic mechanism leading to parent-of-origin dependent gene expression. So far, the precise number of imprinted genes in humans is uncertain. In this study, we leveraged genome-wide DNA methylation in whole blood measured longitudinally at 3 time points (birth, childhood and adolescence) and GWAS data in 740 Mother-Child duos from the Avon Longitudinal Study of Parents and Children (ALSPAC) to systematically identify imprinted loci. We reasoned that cis-meQTLs at genomic regions that were imprinted would show strong evidence of parent-of-origin associations with DNA methylation, enabling the detection of imprinted regions. Using this approach, we identified genome-wide significant cis-meQTLs that exhibited parent-of-origin effects (POEs) at 35 novel and 50 known imprinted regions (10-10 < P < 10-300). Among the novel loci, we observed signals near genes implicated in cardiovascular disease (PCSK9), and Alzheimer's disease (CR1), amongst others. Most of the significant regions exhibited imprinting patterns consistent with uniparental expression, with the exception of twelve loci (including the IGF2, IGF1R, and IGF2R genes), where we observed a bipolar-dominance pattern. POEs were remarkably consistent across time points and were so strong at some loci that methylation levels enabled good discrimination of parental transmissions at these and surrounding genomic regions. The implication is that parental allelic transmissions could be modelled at many imprinted (and linked) loci and hence POEs detected in GWAS of unrelated individuals given a combination of genetic and methylation data. Our results indicate that modelling POEs on DNA methylation is effective to identify loci that may be affected by imprinting.

Published genetic associations can be used to infer causal relationships between phenotypes, bypassing the need for individual-level genotype or phenotype data. We have curated complete summary data from 1094 genome-wide association studies (GWAS) on diseases and other complex traits into a centralised database, and developed an analytical platform that uses these data to perform Mendelian randomization (MR) tests and sensitivity analyses (MR-Base, http://www.mrbase.org). Combined with curated data of published GWAS hits for phenomic measures, the MR-Base platform enables millions of potential causal relationships to be evaluated. We use the platform to predict the impact of lipid lowering on human health. While our analysis provides evidence that reducing LDL-cholesterol, lipoprotein(a) or triglyceride levels reduce coronary disease risk, it also suggests causal effects on a number of other non-vascular outcomes, indicating potential for adverse-effects or drug repositioning of lipid-lowering therapies.

We propose a method, G-REMLadp, to estimate phenotypic variance attributable to parent-of-origin effects (POEs) across the genome. G-REMLadp uses restricted maximum likelihood analysis of genome-wide genotypic relatedness matrices from phased genotypes. Genome-wide SNP data from parent-child duos/trios are required for relatedness matrices indexing parental origin of offspring alleles. Offspring phenotypes are required to partition trait variation into variance components. We approximated the power of G-REMLadp to detect POEs with Haseman-Elston regression but also used simulations to quantify power, Type I Error rates, and sensitivity to assumptions. We applied G-REMLadp to 38 phenotypes (including body size, obesity, metabolic traits, and IQ) from Avon Longitudinal Study of Parents and Children. Power analyses suggest samples over 10000 unrelated parent-offspring duos are necessary to detect POEs explaining >10% of phenotypic variance. Empirically, it's unlikely that POEs tagged by our genetic relationship matrices explain >15% of variance in any of the 38 traits.

Birth weight (BW) variation is influenced by fetal and maternal genetic and non-genetic factors, and has been reproducibly associated with future cardio-metabolic health outcomes. These associations have been proposed to reflect the lifelong consequences of an adverse intrauterine environment. In earlier work, we demonstrated that much of the negative correlation between BW and adult cardio-metabolic traits could instead be attributable to shared genetic effects. However, that work and other previous studies did not systematically distinguish the direct effects of an individual's own genotype on BW and subsequent disease risk from indirect effects of their mother's correlated genotype, mediated by the intrauterine environment. Here, we describe expanded genome-wide association analyses of own BW (n=321,223) and offspring BW (n=230,069 mothers), which identified 278 independent association signals influencing BW (214 novel). We used structural equation modelling to decompose the contributions of direct fetal and indirect maternal genetic influences on BW, implicating fetal- and maternal-specific mechanisms. We used Mendelian randomization to explore the causal relationships between factors influencing BW through fetal or maternal routes, for example, glycemic traits and blood pressure. Direct fetal genotype effects dominate the shared genetic contribution to the association between lower BW and higher type 2 diabetes risk, whereas the relationship between lower BW and higher later blood pressure (BP) is driven by a combination of indirect maternal and direct fetal genetic effects: indirect effects of maternal BP-raising genotypes act to reduce offspring BW, but only direct fetal genotype effects (once inherited) increase the offspring's later BP. Instrumental variable analysis using maternal BW-lowering genotypes to proxy for an adverse intrauterine environment provided no evidence that it causally raises offspring BP. In successfully separating fetal from maternal genetic effects, this work represents an important advance in genetic studies of perinatal outcomes, and shows that the association between lower BW and higher adult BP is attributable to genetic effects, and not to intrauterine programming.

Motivation: LD score regression is a reliable and efficient method of using genome-wide association study (GWAS) summary-level results data to estimate the SNP heritability of complex traits and diseases, partition this heritability into functional categories, and estimate the genetic correlation between different phenotypes. Because the method relies on summary level results data, LD score regression is computationally tractable even for very large sample sizes. However, publicly available GWAS summary-level data are typically stored in different databases and have different formats, making it difficult to apply LD score regression to estimate genetic correlations across many different traits simultaneously. Results: In this manuscript, we describe LD Hub - a centralized database of summary-level GWAS results for 177 diseases/traits from different publicly available resources/consortia and a web interface that automates the LD score regression analysis pipeline. To demonstrate functionality and validate our software, we replicated previously reported LD score regression analyses of 49 traits/diseases using LD Hub; and estimated SNP heritability and the genetic correlation across the different phenotypes. We also present new results obtained by uploading a recent atopic dermatitis GWAS meta-analysis to examine the genetic correlation between the condition and other potentially related traits. In response to the growing availability of publicly accessible GWAS summary-level results data, our database and the accompanying web interface will ensure maximal uptake of the LD score regression methodology, provide a useful database for the public dissemination of GWAS results, and provide a method for easily screening hundreds of traits for overlapping genetic aetiologies. Availability and implementation: The web interface and instructions for using LD Hub are available at http://ldsc.broadinstitute.org/

Published genetic associations can be used to infer causal relationships between phenotypes, bypassing the need for individual-level genotype or phenotype data. We have curated complete summary data from 1094 genome-wide association studies (GWAS) on diseases and other complex traits into a centralised database, and developed an analytical platform that uses these data to perform Mendelian randomization (MR) tests and sensitivity analyses (MR-Base, http://www.mrbase.org). Combined with curated data of published GWAS hits for phenomic measures, the MR-Base platform enables millions of potential causal relationships to be evaluated. We use the platform to predict the impact of lipid lowering on human health. While our analysis provides evidence that reducing LDL-cholesterol, lipoprotein(a) or triglyceride levels reduce coronary disease risk, it also suggests causal effects on a number of other non-vascular outcomes, indicating potential for adverse-effects or drug repositioning of lipid-lowering therapies.