Abstract Psychiatric disorders show phenotypic as well as genetic overlaps. There are however also marked developmental changes throughout childhood. We investigated the extent to which, for a full range of early childhood psychopathology, a general “p” factor was explained by genetic liability, as indexed by multiple different psychiatric polygenic risk scores (PRS) and whether these relationships altered with age. The sample was a UK, prospective, population-based cohort with psychopathology data at age 7 (N=8161) and age 13 (N=7017). PRS were generated from large published genome-wide association studies. At both ages, we found evidence for a childhood “p” factor as well as for specific factors. Schizophrenia and attention-deficit/hyperactivity disorder (ADHD) PRS were associated with this general “p” factor at both ages but depression and autism spectrum disorder (ASD) PRS were not. Schizophrenia, ADHD and depression PRS were also associated with specific factors but there was evidence for developmental changes. Funding This work was supported by the Wellcome Trust (204895/Z/16/Z).

Importance Epigenetic age acceleration is associated with exposure to social and economic adversity and may increase the risk of premature morbidity and mortality. However, no studies have included measures of structural racism, and few have compared estimates within or across the first and second generation of epigenetic clocks. Objective To determine whether epigenetic age acceleration is positively associated with exposures to diverse measures of racialized, economic, and environmental injustice measured at different levels and time periods. Design, Setting, and Participants This cross-sectional study used data from the My Body My Story (MBMS) study between August 8, 2008, and December 31, 2010, and examination 5 of the Multi-Ethnic Atherosclerosis Study (MESA) from April 1, 2010, to February 29, 2012. In the MBMS, DNA extraction was performed in 2021; linkage of structural measures to the MBMS and MESA, in 2022. US-born individuals were randomly selected from 4 community health centers in Boston, Massachusetts (MBMS), and 4 field sites in Baltimore, Maryland; Forsyth County, North Carolina; New York City, New York; and St Paul, Minnesota (MESA). Data were analyzed from November 13, 2021, to August 31, 2023. Main Outcomes and Measures Ten epigenetic clocks (6 first-generation and 4 second-generation), computed using DNA methylation data (DNAm) from blood spots (MBMS) and purified monocytes (MESA). Results The US-born study population included 293 MBMS participants (109 men [37.2%], 184 women [62.8%]; mean [SD] age, 49.0 [8.0] years) with 224 Black non-Hispanic and 69 White non-Hispanic participants and 975 MESA participants (492 men [50.5%], 483 women [49.5%]; mean [SD] age, 70.0 [9.3] years) with 229 Black non-Hispanic, 191 Hispanic, and 555 White non-Hispanic participants. Of these, 140 (11.0%) exhibited accelerated aging for all 5 clocks whose estimates are interpretable on the age (years) scale. Among Black non-Hispanic MBMS participants, epigenetic age acceleration was associated with being born in a Jim Crow state by 0.14 (95% CI, 0.003-0.27) SDs and with birth state conservatism by 0.06 (95% CI, 0.01-0.12) SDs, pooling across all clocks. Low parental educational level was associated with epigenetic age acceleration, pooling across all clocks, for both Black non-Hispanic (0.24 [95% CI, 0.08-0.39] SDs) and White non-Hispanic (0.27 [95% CI, 0.03-0.51] SDs) MBMS participants. Adult impoverishment was positively associated with the pooled second-generation clocks among the MESA participants (Black non-Hispanic, 0.06 [95% CI, 0.01-0.12] SDs; Hispanic, 0.07 [95% CI, 0.01-0.14] SDs; White non-Hispanic, 0.05 [95% CI, 0.01-0.08] SDs). Conclusions and Relevance The findings of this cross-sectional study of MBMS and MESA participants suggest that epigenetic age acceleration was associated with racialized and economic injustice, potentially contributing to well-documented inequities in premature mortality. Future research should test the hypothesis that epigenetic accelerated aging may be one of the biological mechanisms underlying the well-documented elevated risk of premature morbidity and mortality among social groups subjected to racialized and economic injustice.

Abstract Background Depression is a common mental health disorder that often starts during adolescence, with potentially important future consequences including ‘Not in Education, Employment or Training’ (NEET) status. Methods We took a structured life course modeling approach to examine how depressive symptoms during adolescence might be associated with later NEET status, using a high-quality longitudinal data resource. We considered four plausible life course models: (1) an early adolescent sensitive period model where depressive symptoms in early adolescence are more associated with later NEET status relative to exposure at other stages; (2) a mid adolescent sensitive period model where depressive symptoms during the transition from compulsory education to adult life might be more deleterious regarding NEET status; (3) a late adolescent sensitive period model , meaning that depressive symptoms around the time when most adults have completed their education and started their careers are the most strongly associated with NEET status; and (4) an accumulation of risk model which highlights the importance of chronicity of symptoms. Results Our analysis sample included participants with full information on NEET status ( N = 3951), and the results supported the accumulation of risk model , showing that the odds of NEET increase by 1.015 (95% CI 1.012–1.019) for an increase of 1 unit in depression at any age between 11 and 24 years. Conclusions Given the adverse implications of NEET status, our results emphasize the importance of supporting mental health during adolescence and early adulthood, as well as considering specific needs of young people with re-occurring depressed mood.

Background: Studying genetic associations with prognosis (e.g. survival, disability, subsequent disease events) is problematic due to selection bias - also termed index event bias or collider bias - whereby selection on disease status can induce associations between causes of incidence with prognosis. A current method for adjusting genetic associations for this bias assumes there is no genetic correlation between incidence and prognosis, which may not be a plausible assumption. Methods: We propose an alternative, the 'Slope-Hunter' approach, which is unbiased even when there is genetic correlation between incidence and prognosis. Our approach has two stages. First, we use cluster-based techniques to identify: variants affecting neither incidence nor prognosis (these should not suffer bias and only a random sub-sample of them are retained in the analysis); variants affecting prognosis only (excluded from the analysis). Second, we fit a cluster-based model to identify the class of variants only affecting incidence, and use this class to estimate the adjustment factor. Results: Simulation studies showed that the Slope-Hunter method reduces type-1 error by between 49%-85%, increases power by 1%-36%, reduces bias by 17%-47% compared to other methods in the presence of genetic correlation and performs as well as previous methods when there is no genetic correlation. Slope-Hunter and the previous methods perform less well as the proportion of variation in incidence explained by genetic variants affecting only incidence decreases. Conclusions: The key assumption of Slope-Hunter is that the contribution of the set of genetic variants affecting incidence only to the heritability of incidence is at least as large as the contribution of those affecting both incidence and prognosis. When this assumption holds, our approach is unbiased in the presence of genetic correlation between incidence and progression, and performs no worse than alternative approaches even when there is no correlation. Bias-adjusting methods should be used to carry out causal analyses when conditioning on incidence.

Participants in epidemiological and genetic studies are rarely truly random samples of the populations they are intended to represent, and both known and unknown factors can influence participation in a study (also known as selection into a study). The circumstances in which selection causes bias in an instrumental variable (IV) analysis are not well understood. We use directed acyclic graphs (DAGs) to depict assumptions about the selection mechanism (i.e., the factors affecting selection into the study), and show how DAGs can be used to determine when a two stage least squares (2SLS) IV analysis is biased by selection. For a range of selection mechanisms we explain the structure of the selection bias and, via simulations, we illustrate the potential bias caused by selection in an IV analysis. We show that selection can result in a biased 2SLS estimate of the causal exposure effect, substantial undercoverage of its confidence interval, and the chance of reaching an incorrect conclusion about the causal exposure effect. We consider whether the bias caused by selection differ according to different instrument strengths, between a linear and nonlinear exposure-instrument association, and for a causal and non-causal exposure effect. In addition, we present the results of a real data example where nonrandom selection into the study was suspected. We conclude that selection bias can have a major effect on an IV analysis and that statistical methods for estimating causal effects using data from nonrandom samples are needed.

Two-sample Mendelian randomization (MR) is increasingly used to strengthen causal inference using observational data. This method allows the use of freely accessible summary association results from genome-wide association studies (GWAS) for a range of traits. Some GWAS studies adjust for heritable covariables in an attempt to estimate direct effects of genetic variants on the trait of interest. One, both or neither of the genetic instrumental variables (IVs)-exposure association or genetic IVs-outcome association may have been adjusted for heritable covariables (referred to as GWAS covariables). However, it is unclear how this may affect two-sample MR analysis. We evaluated this in a simulation study comprising different scenarios that could motivate covariable adjustment in a GWAS. Our results indicate that the impact of covariable adjustment is highly dependent on the underlying causal structure. In the absence of residual confounding between exposure and covariable, between exposure and outcome, and between covariable and outcome, using covariable-adjusted summary associations for two-sample MR may eliminate bias due to horizontal pleiotropy. However, the presence of residual confounding (especially between the covariable and the outcome) leads to bias upon covariable adjustment, even in the absence of horizontal pleiotropy. Bias was lower when the true causal effect of the exposure on the outcome was zero compared to a non-zero causal effect. In an analysis using real data from the Genetic Investigation of ANthropometric Traits (GIANT) consortium and UK Biobank, the direction of the causal effect estimate of waist circumference on blood pressure changed upon adjustment of waist circumference for body mass index. Our findings indicate that using covariable-adjusted summary associations in MR should generally be avoided. When that is not possible, careful consideration of the causal relationships underlying the data (including potentially unmeasured confounders) is required to direct sensitivity analyses and interpret results with appropriate caution.

Large studies (e.g. UK Biobank) are increasingly used for GWAS and Mendelian randomization (MR) studies. Selection into and dropout from studies may bias genetic and phenotypic associations. We examine genetic factors affecting participation in four optional components in up to 451,306 UK Biobank participants. We used GWAS to identify genetic variants associated with participation, MR to estimate effects of phenotypes on participation, and genetic correlations to compare participation bias across different studies. 32 variants were associated with participation in one of the optional components (P<6x10-9), including loci with known links to intelligence and Alzheimers disease. Genetic correlations demonstrated that participation bias was common across studies. MR showed that longer educational duration, older menarche and taller stature increased participation, whilst higher levels of adiposity, dyslipidaemia, neuroticism, Alzheimers and schizophrenia reduced participation. Our effect estimates can be used for sensitivity analysis to account for selective participation biases in genetic or non-genetic analyses.

The past decade has been proclaimed as a hugely successful era of gene discovery through the high yields of many genome-wide association studies (GWAS). However, much of the perceived benefit of such discoveries lies in the promise that the identification of genes that influence disease would directly translate into the identification of potential therapeutic targets, but this has yet to be realised at a level reflecting expectation. One reason for this, we suggest, is that GWAS to date have generally not focused on phenotypes that directly relate to the progression of disease, and thus speak to disease treatment.

Background: It is often assumed that selection (including participation and dropout) does not represent an important source of bias in genetic studies. However, there is little evidence to date on the effect of genetic factors on participation. Methods: Using data on mothers (N=7,486) and children (N=7,508) from the Avon Longitudinal Study of Parents and Children, we 1) examined the association of polygenic risk scores for a range of socio-demographic, lifestyle characteristics and health conditions related to continued participation, 2) investigated whether associations of polygenic scores with body mass index (BMI; derived from self-reported weight and height) and self-reported smoking differed in the largest sample with genetic data and a sub-sample who participated in a recent follow-up and 3) determined the proportion of variation in participation explained by common genetic variants using genome-wide data. Results: We found evidence that polygenic scores for higher education, agreeableness and openness were associated with higher participation and polygenic scores for smoking initiation, higher BMI, neuroticism, schizophrenia, ADHD and depression were associated with lower participation. Associations between the polygenic score for education and self-reported smoking differed between the largest sample with genetic data (OR for ever smoking per SD increase in polygenic score:0.85, 95% CI:0.81,0.89) and sub-sample (OR:0.95, 95% CI:0.88,1.02). In genome-wide analysis, single nucleotide polymorphism based heritability explained 17-31% of variability in participation. Conclusions: Genetic association studies, including Mendelian randomization, can be biased by selection, including loss to follow-up. Genetic risk for dropout should be considered in all analyses of studies with selective participation.

Background: Individuals with Attention Deficit Hyperactivity Disorder (ADHD) or Autism Spectrum Disorder (ASD) are at risk of poor educational outcomes. Parental educational attainment has also been associated with risk of ADHD/ASD in the offspring. Despite evidence that ADHD and ASD show genetic links to educational attainment, less is known on the causal nature of the associations and the possible role of IQ. Methods: We assessed the total causal effects of genetic liability to ADHD/ASD on educational attainment using two-sample Mendelian randomization (MR). We assessed the possible contribution of IQ to the identified causal effects by estimating the direct effects of ADHD/ASD on educational attainment, independent of IQ, using Multivariable MR (MVMR). Reverse direction analyses were performed. The latest GWAS meta-analyses of ADHD, ASD, educational attainment and IQ were used. Causal effect estimates were generated using inverse variance weighted models (IVW). Sensitivity analyses were performed to assess the robustness of the estimates and the presence of pleiotropy. Results: Genetic liability to ADHD had a total (MRIVW:-3.3 months per doubling of liability to ADHD; 95%CI: -4.8 to -1.9; pval= 5*10-6) and direct negative causal effect on educational attainment (MVMRIVW:-1.6 months per doubling of liability to ADHD; 95%CI: -2.5 to -0.6; pval= 4*10-4). There was little evidence of a total causal effect of genetic liability to ASD on educational attainment (MRIVW: 4 days, per doubling of liability to ASD; 95%CI: -4.9 months to 5.6 months; pval= 0.9) but some evidence of a direct effect not via IQ (MVMRIVW:29 days per doubling the genetic liability to ASD; 95%CI: 2 to 48; pval= 0.03). Reverse direction analyses suggested that genetic liability to higher educational attainment was associated with lower risk of ADHD (MRIVWOR: 0.3 per standard deviation (SD) increase; 95%CI: 0.26 to 0.36; pval= 6*10-51), even after IQ was entered in the models (MVMRIVWOR: 0.33 per SD increase; 95%CI: 0.26 to 0.43; pval= 6*10-17). On the contrary, there was evidence consistent with a positive causal effect of genetic liability to higher educational attainment on risk of ASD (MRIVWOR: 1.51 per SD increase; 95%CI: 1.29 to 1.77; pval= 4*10-7), which was found to be largely explained by IQ (MVMRIVWOR per SD increase: 1.24; 95%CI: 0.96 to 1.60; pval= 0.09). Conclusions: Our findings suggest that despite the genetic and phenotypic overlap between ADHD and ASD, they present highly differentiated causal associations with educational attainment. This highlights the necessity for specialized educational interventions for children with ADHD and ASD. Further research is needed in order to decipher whether the identified causal effects reflect parentally transmitted effects, diagnostic masking, or selection bias.