Abstract Indirect parental genetic effects may be defined as the influence of parental genotypes on offspring phenotypes over and above that which results from the transmission of genes from parents to children. However, given the relative paucity of large-scale family-based cohorts around the world, it is difficult to demonstrate parental genetic effects on human traits, particularly at individual loci. In this manuscript, we illustrate how parental genetic effects on offspring phenotypes, including late onset diseases, can be estimated at individual loci in principle using large-scale genome-wide association study (GWAS) data, even in the absence of parental genotypes. Our strategy involves creating “virtual” mothers and fathers by estimating the genotypic dosages of parental genotypes using physically genotyped data from relative pairs. We then utilize the expected dosages of the parents, and the actual genotypes of the offspring relative pairs, to perform conditional genetic association analyses to obtain asymptotically unbiased estimates of maternal, paternal and offspring genetic effects. We develop a freely available web application that quantifies the power of our approach using closed form asymptotic solutions. We implement our methods in a user-friendly software package IMPISH ( IM puting P arental genotypes I n S iblings and H alf-Siblings) which allows users to quickly and efficiently impute parental genotypes across the genome in large genome-wide datasets, and then use these estimated dosages in downstream linear mixed model association analyses. We conclude that imputing parental genotypes from relative pairs may provide a useful adjunct to existing large-scale genetic studies of parents and their offspring.

Abstract Maternal genetic effects can be defined as the effect of a mother’s genotype on the phenotype of her offspring, independent of the offspring’s genotype. Maternal genetic effects can act via the intrauterine environment during pregnancy and/or via the postnatal environment. In this manuscript, we present a simple extension to the basic adoption design that uses structural equation modelling (SEM) to partition maternal genetic effects into prenatal and postnatal effects. We assume that in biological families, offspring phenotypes are influenced prenatally by their mother’s genotype and postnatally by both parents’ genotypes, whereas adopted individuals’ phenotypes are influenced prenatally by their biological mother’s genotype and postnatally by their adoptive parents’ genotypes. Our SEM framework allows us to model the (potentially) unobserved genotypes of biological and adoptive parents as latent variables, permitting us in principle to leverage the thousands of adopted singleton individuals in the UK Biobank. We examine the power, utility and type I error rate of our model using simulations and asymptotic power calculations. We apply our model to polygenic scores of educational attainment and birth weight associated variants, in up to 5178 adopted singletons, 983 trios, 3650 mother-offspring pairs, 1665 father-offspring pairs and 350330 singletons from the UK Biobank. Our results show the expected pattern of maternal genetic effects on offspring birth weight, but unexpectedly large prenatal maternal genetic effects on offspring educational attainment. Sensitivity and simulation analyses suggest this result may be at least partially due to adopted individuals in the UK Biobank being raised by their biological relatives. We show that accurate modelling of these sorts of cryptic relationships is sufficient to bring type I error rate under control and produce unbiased estimates of prenatal and postnatal maternal genetic effects. We conclude that there would be considerable value in following up adopted individuals in the UK Biobank to determine whether they were raised by their biological relatives, and if so, to precisely ascertain the nature of these relationships. These adopted individuals could then be incorporated into informative statistical genetics models like the one described in our manuscript to further elucidate the genetic architecture of complex traits and diseases.

Abstract Background Higher birth weight is associated with higher adult body mass index (BMI). If genetic variants can be identified with alleles that predispose to both greater fetal growth and to greater adult adiposity, such shared genetic effects might indicate biological processes important in the early patterning of adiposity. However, variants identified in genome-wide association studies of adult BMI have overall been only weakly associated with birth weight. Genetic variants have recently been identified where one allele is associated with higher adult body fat percentage, but lower risk of metabolic disease, likely due to a favourable body fat distribution. The effect of these adult metabolically favourable adiposity alleles on an individual’s own birth weight is unknown. Aim We aimed to test the effect on birth weight of a fetal genetic predisposition to higher metabolically favourable adult adiposity and to compare this with the effects of a fetal genetic predisposition to higher adult BMI. We also aimed to examine the effects of a genetic predisposition to higher metabolically favourable adult adiposity or BMI on other birth anthropometric traits (length, ponderal index, head circumference and skinfold thickness) and on cord-blood insulin, leptin and adiponectin. Methods We used published GWAS data from up to 406,063 individuals to estimate the fetal effects on birth weight of alleles that are robustly associated with higher metabolically favourable adult adiposity or BMI. We additionally used 9,350 mother-child pairs from four cohorts to test the effects of the same alleles on other birth anthropometric traits and cord-blood markers. In all analyses, we adjusted for potential confounding due to the maternal genotype. We used inverse-variance weighted meta-analyses to combine summary data across SNPs. Results Fetal genetic predisposition to higher metabolically favourable adult adiposity was associated with higher birth weight (10 grams (95% CI: 7 to 13) higher mean birth weight per 1 SD pooled “genetic score”). Fetal genetic predisposition to higher adult BMI was also associated with higher birth weight, but with a smaller magnitude of effect (4 grams (95% CI: 0 to 8) higher mean birth weight per 1 SD pooled “genetic score”) and with higher heterogeneity across SNPs. Effects on other birth anthropometric outcomes were consistent with the effect on birth weight but with wider confidence intervals. There was no strong evidence for an effect on cord-blood markers. Conclusions Some genetic variants previously linked to adult adiposity influence birth weight. Alleles that predispose to higher metabolically favourable adult adiposity collectively have a stronger effect on birth weight than those predisposing to higher BMI. This suggests that the early accumulation of a metabolically favourable fat distribution might underlie part of the observed association between higher birth weight and higher adult BMI. Larger samples are needed to clarify the effects on other birth anthropometric measures and cord-blood markers.

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/

Abstract Indirect genetic effects from relatives may result in misleading quantifications of heritability, but can also be of interest in their own right. In this paper we propose Trio-GCTA, a model for separating direct and indirect genetic effects when genome-wide single nucleotide polymorphism data have been collected from parent-offspring trios. The model is applicable to phenotypes obtained from any of the family members. We discuss appropriate parameter interpretations and apply the method to four exemplar phenotypes; offspring birth weight, offspring temperament, maternal relationship satisfaction, and paternal body-mass index, using real data from the Norwegian Mother, Father and Child Cohort Study (MoBa).

Abstract Estimates from genome-wide association studies (GWAS) represent a combination of the effect of inherited genetic variation (direct effects), demography (population stratification, assortative mating) and genetic nurture from relatives (indirect genetic effects). GWAS using family-based designs can control for demography and indirect genetic effects, but large-scale family datasets have been lacking. We combined data on 159,701 siblings from 17 cohorts to generate population (between-family) and within-sibship (within-family) estimates of genome-wide genetic associations for 25 phenotypes. We demonstrate that existing GWAS associations for height, educational attainment, smoking, depressive symptoms, age at first birth and cognitive ability overestimate direct effects. We show that estimates of SNP-heritability, genetic correlations and Mendelian randomization involving these phenotypes substantially differ when calculated using within-sibship estimates. For example, genetic correlations between educational attainment and height largely disappear. In contrast, analyses of most clinical phenotypes (e.g. LDL-cholesterol) were generally consistent between population and within-sibship models. We also report compelling evidence of polygenic adaptation on taller human height using within-sibship data. Large-scale family datasets provide new opportunities to quantify direct effects of genetic variation on human traits and diseases.

Statin treatment increases bone mineral density (BMD) and reduces fracture risk, but the underlying mechanism is unclear. We used Mendelian randomization (MR) to assess whether this relation is explained by a specific effect in response to statin use, or by a general effect of lipid-lowering. We utilized 400 single nucleotide polymorphisms (SNPs) robustly associated with plasma lipid levels and results from a heel BMD GWAS (derived from quantitative ultrasound) in 426,824 individuals from the UK Biobank. We performed univariate and multivariable MR analyses of low-density lipoprotein cholesterol (LDL-C), high density lipoprotein cholesterol (HDL-C) and triglyceride levels on BMD. To test whether the effect of statins on BMD was mediated by lowering lipid levels, MR was repeated with and without SNPs in the HMGCR region, the gene targeted by statins. Univariate MR analyses provided evidence for a causal effect of LDL-C on BMD (β = -0.060; -0.084 to -0.036; P = 4x10-6; standard deviation change in BMD per standard deviation change in LDL-C, with 95% CI), but not HDL or triglycerides. Multivariable MR analysis suggested that the effect of LDL-C on BMD was independent of HDL-C and triglycerides, and sensitivity analyses involving MR Egger and weighted median MR approaches suggested that the LDL-C results were robust to pleiotropy. MR analyses of LDL-C restricted to SNPs in the HMGCR region showed similar effects on BMD (β = -0.083; -0.132 to -0.034; P = 0.001) to those excluding these SNPs (β= -0.063; -0.090 to -0.036; P = 8x10-6). Bidirectional MR analyses provided some evidence for a causal effect of BMD on plasma LDL-C levels. Our results suggest that effects of statins on BMD are at least partly due to their LDL-C lowering effect. Further studies are required to examine the potential role of modifying plasma lipid levels in treating osteoporosis.

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.

Mendelian randomization (MR) is a widely-used method for causal inference using genetic data. Mendelian randomization studies of unrelated individuals may be susceptible to bias from family structure, for example, through dynastic effects which occur when parental genotypes directly affect offspring phenotypes. Here we describe methods for within-family Mendelian randomization and through simulations show that family-based methods can overcome bias due to dynastic effects. We illustrate these issues empirically using data from 61,008 siblings from the UK Biobank and Nord-Trøndelag Health Study. Both within-family and population-based Mendelian randomization analyses reproduced established effects of lower BMI reducing risk of diabetes and high blood pressure. However, while MR estimates from population-based samples of unrelated individuals suggested that taller height and lower BMI increase educational attainment, these effects largely disappeared in within-family MR analyses. We found differences between population-based and within-family based estimates, indicating the importance of controlling for family effects and population structure in Mendelian randomization studies.

Background: Mendelian randomization (MR) uses genetic variants as instrumental variables to assess whether observational associations between exposures and disease reflect causal relationships. MR requires genetic variants to be independent of factors that confound observational associations. Methods: Using data from the Avon Longitudinal Study of Parents and Children, associations within and between 121 phenotypes and 13,720 genetic variants (from the NHGRI-EBI GWAS catalog) were examined to assess the validity of MR assumptions. Results: Amongst 7,260 pairwise comparisons between the 121 phenotypes, 2,188 (30%) provided evidence of association, where 363 were expected at the 5% level (observed:expected ratio=6.03; 95% CI: 5.42, 6.70; chi2=9682.29; d.f. =1, P<1x10-50). Amongst 1,660,120 pairwise associations between phenotypes and genotypes, 86,748 (5.2%) gave evidence of association at the same threshold, where 83,006 were expected (observed:expected ratio=1.05; 95% CI: 1.04, 1.05; chi2=117.57; d.f. =1, P=2.15x10-27). Amongst 1,171,764 pairwise associations between the phenotypes and LD pruned independent genetic variants, 60,136 (5.1%) gave evidence of association, where 58,588 were expected (observed:expected ratio=1.03; 95% CI: 1.03, 1.08; chi2=43.05; d.f. = 1, P=5.33x10-11). Conclusion: These results confirm previously observed patterns of phenotypic correlation. They also provide evidence of a substantially lower level of association between genetic variants and phenotypes, with residual inflation the likely product of indistinguishable real genetic association, multiple variables measuring the same biological phenomena, or pleiotropy. These results reflect the favorable properties of genetic instruments for estimating causal relationships, but confirm the need for functional information or robust methods to account for pleiotropic events.