Abstract Educational inequalities in all-cause mortality have been observed for decades. However, the underlying biological mechanisms are not well known. We aimed to assess the role of DNA methylation changes in blood captured by epigenetic clocks in explaining these inequalities. Data were from 8 prospective population-based cohort studies, representing 13 021 participants. First, educational inequalities and their portion explained by Horvath DNAmAge, Hannum DNAmAge, DNAmPhenoAge, and DNAmGrimAge epigenetic clocks were assessed in each cohort via counterfactual-based mediation models, on both absolute (hazard difference) and relative (hazard ratio) scales, and by sex. Second, estimates from each cohort were pooled through a random effect meta-analysis model. Men with low education had excess mortality from all causes of 57 deaths per 10 000 person-years (95% confidence interval [CI]: 38, 76) compared with their more advantaged counterparts. For women, the excess mortality was 4 deaths per 10 000 person-years (95% CI: −11, 19). On the relative scale, educational inequalities corresponded to hazard ratios of 1.33 (95% CI: 1.12, 1.57) for men and 1.15 (95% CI: 0.96, 1.37) for women. DNAmGrimAge accounted for the largest proportion, approximately 50%, of the educational inequalities for men, while the proportion was negligible for women. Most of this mediation was explained by differential effects of unhealthy lifestyles and morbidities of the World Health Organization (WHO) risk factors for premature mortality. These results support DNA methylation-based epigenetic aging as a signature of educational inequalities in life expectancy emphasizing the need for policies to address the unequal social distribution of these WHO risk factors.

Abstract In this study, we introduce PIGEON—a novel statistical framework for quantifying and estimating polygenic gene-environment interaction (GxE) using a variance component analytical approach. Based on PIGEON, we outline the main objectives in GxE studies, demonstrate the flaws in existing GxE approaches, and introduce an innovative estimation procedure which only requires summary statistics as input. We demonstrate the statistical superiority of PIGEON through extensive theoretical and empirical analyses and showcase its performance in multiple analytic settings, including a quasi-experimental GxE study of health outcomes, gene-by-sex interaction for 530 traits, and gene-by-treatment interaction in a randomized clinical trial. Our results show that PIGEON provides an innovative solution to many long-standing challenges in GxE inference and may fundamentally reshape analytical strategies in future GxE studies.

Abstract Detecting genetic variants associated with the variance of complex traits, i.e. variance quantitative trait loci (vQTL), can provide crucial insights into the interplay between genes and environments and how they jointly shape human phenotypes in the population. We propose a quantile integral linear model (QUAIL) to estimate genetic effects on trait variability. Through extensive simulations and analyses of real data, we demonstrate that QUAIL provides computationally efficient and statistically powerful vQTL mapping that is robust to non-Gaussian phenotypes and confounding effects on phenotypic variability. Applied to UK Biobank (N=375,791), QUAIL identified 11 novel vQTL for body mass index (BMI). Top vQTL findings showed substantial enrichment for interactions with physical activities and sedentary behavior. Further, variance polygenic scores (vPGS) based on QUAIL effect estimates showed superior predictive performance on both population-level and within-individual BMI variability compared to existing approaches. Overall, QUAIL is a unified framework to quantify genetic effects on the phenotypic variability at both single-variant and vPGS levels. It addresses critical limitations in existing approaches and may have broad applications in future gene-environment interaction studies.

Abstract Although psychiatric phenotypes are hypothesized to organize into a two-factor internalizing – externalizing structure, few studies have evaluated the structure of psychopathology in older adults, nor explored whether genome-wide polygenic scores (PGSs) are associated with psychopathology in a domain-specific manner. We used data from 6,216 individuals of European ancestry from the Health and Retirement Study, a large population-based sample of older adults in the United States. Confirmatory factor analyses were applied to validated measures of psychopathology and PGSs were derived from well-powered GWAS. Genomic SEM was implemented to construct latent PGSs for internalizing, externalizing, and general psychopathology. Phenotypically, the data were best characterized by a single general factor of psychopathology, a factor structure that was replicated across genders and age groups. Although externalizing PGSs (cannabis use, antisocial behavior, alcohol dependence, ADHD) were not associated with any phenotypes, PGSs for MDD, neuroticism, and anxiety disorders were associated with both internalizing and externalizing phenotypes. Moreover, the latent internalizing PGS and the latent one-factor PGS, derived using weights from Genomic SEM, explained 1% more variance in the general factor of psychopathology than any of the individual PGSs. Results support the following conclusions: genetic risk factors for and phenotypic markers of psychiatric disorders are transdiagnostic in European ancestries, GWAS-derived PGSs fail to capture genetic variation associated with disease specificity in European ancestries, and blunt phenotypic measurement in GWAS may preclude our ability to evaluate the structure and specificity of genetic contributions to psychiatric disorders.

This study investigates the creation of polygenic scores (PGS)s for human population research. PGSs are a linear, usually weighted, combination of risk alleles that estimate the cumulative genetic risk of an individual for a particular trait. While conceptually simple, there are numerous ways to estimate PGSs, not all achieving the same end goals. In this paper, we systematically investigate the impact of four key decisions in the building of PGSs from published genome-wide association meta-analysis results: 1) whether to use single nucleotide polymorphisms (SNPs) assessed by imputation, 2) criteria for selecting which SNPs to include in the score, 3) whether to account for linkage disequilibrium (LD), and 4) if accounting for LD, which type of method best captures the correlation structure among SNPs (i.e. clumping vs. pruning). Using the Health and Retirement Study (HRS), a nationally representative, population-based longitudinal panel study of Americans over the age of 50, we examine the predictive ability as well as the variability and co-variability in PGSs arising from these different estimation approaches. We examine four traits with large published and replicated genome-wide association studies (height, body mass index, educational attainment, and depression). Our central finding demonstrates PGSs that include all available SNPs either explain the most amount of variation in an outcome or are not significantly different than the PGSs that does. Thus, for reproducibility through rigor and transparency, we recommend that researchers include a PGS with all available SNPs as a reference, and provide substantial justification for using alternative methods.