Abstract Gaining insight into the downstream consequences of non-coding variants is an essential step towards the identification of therapeutic targets from genome-wide association study (GWAS) findings. Here we have harmonized and integrated 8,727 RNA-seq samples with accompanying genotype data from multiple brain-regions from 14 datasets. This sample size enabled us to perform both cis - and trans -expression quantitative locus (eQTL) mapping. Upon comparing the brain cortex cis -eQTLs (for 12,307 unique genes at FDR<0.05) with a large blood cis- eQTL analysis (n=31,684 samples), we observed that brain eQTLs are more tissue specific than previously assumed. We inferred the brain cell type for 1,515 cis -eQTLs by using cell type proportion information. We conducted Mendelian Randomization on 31 brain-related traits using cis -eQTLs as instruments and found 159 significant findings that also passed colocalization. Furthermore, two multiple sclerosis (MS) findings had cell type specific signals, a neuron-specific cis- eQTL for CYP24A1 and a macrophage specific cis -eQTL for CLECL1 . To further interpret GWAS hits, we performed trans -eQTL analysis. We identified 2,589 trans -eQTLs (at FDR<0.05) for 373 unique SNPs, affecting 1,263 unique genes, and 21 replicated significantly using single-nucleus RNA-seq data from excitatory neurons. We also generated a brain-specific gene-coregulation network that we used to predict which genes have brain-specific functions, and to perform a novel network analysis of Alzheimer’s disease (AD), amyotrophic lateral sclerosis (ALS), multiple sclerosis (MS) and Parkinson’s disease (PD) GWAS data. This resulted in the identification of distinct sets of genes that show significantly enriched co-regulation with genes inside the associated GWAS loci, and which might reflect drivers of these diseases.

Abstract Combining human genomics with proteomics is becoming a powerful tool for drug discovery. Associations between genetic variants and protein levels can uncover disease mechanisms, clinical biomarkers, and candidate drug targets. To date, most population-level proteogenomic studies have focused on common alleles through genome-wide association studies (GWAS). Here, we studied the contribution of rare protein-coding variants to 1,472 plasma proteins abundances measured via the Olink Explore 1536 assay in 50,829 UK Biobank human exomes. Through a variant-level exome-wide association study (ExWAS), we identified 3,674 rare and significant protein quantitative trait loci (pQTLs), of which 76% were undetected in a prior GWAS performed on the same cohort, and we found that rare pQTLs are less likely to be random in their variant effect annotation. In gene-based collapsing analyses, we identified an additional 166 significant gene-protein pQTL signals that were undetected through single-variant analyses. Of the total 456 protein-truncating variant (PTV)-driven cis -pQTLs in the gene-based collapsing analysis, 99.3% were associated with decreased protein levels. We demonstrate how this resource can identify allelic series and propose biomarkers for several candidate therapeutic targets, including GRN, HSD17B13, NLRC4 , and others. Finally, we introduce a new collapsing analysis framework that combines PTVs with missense cis -pQTLs that are associated with decreased protein abundance to bolster genetic discovery statistical power. Our results collectively highlight a considerable role for rare variation in plasma protein abundance and demonstrate the utility of plasma proteomics in gene discovery and unravelling mechanisms of action.

Abstract Reduced lung function predicts mortality and is key to the diagnosis of COPD. In a genome-wide association study in 400,102 individuals of European ancestry, we define 279 lung function signals, one-half of which are new. In combination these variants strongly predict COPD in deeply-phenotyped patient populations. Furthermore, the combined effect of these variants showed generalisability across smokers and never-smokers, and across ancestral groups. We highlight biological pathways, known and potential drug targets for COPD and, in phenome-wide association studies, autoimmune-related and other pleiotropic effects of lung function associated variants. This new genetic evidence has potential to improve future preventive and therapeutic strategies for COPD.

Abstract Phenome-wide association studies (PheWAS), which assess whether a genetic variant is associated with multiple phenotypes across a phenotypic spectrum, have been proposed as a possible aid to drug development through elucidating mechanisms of action, identifying alternative indications, or predicting adverse drug events (ADEs). Here, we evaluate whether PheWAS can inform target validation during drug development. We selected 25 single nucleotide polymorphisms (SNPs) linked through genome-wide association studies (GWAS) to 19 candidate drug targets for common disease therapeutic indications. We independently interrogated these SNPs through PheWAS in four large “real-world data” cohorts (23andMe, UK Biobank, FINRISK, CHOP) for association with a total of 1,892 binary endpoints. We then conducted meta-analyses for 145 harmonized disease endpoints in up to 697,815 individuals and joined results with summary statistics from 57 published GWAS. Our analyses replicate 70% of known GWAS associations and identify 10 novel associations with study-wide significance after multiple test correction (P<1.8x10 -6 ; out of 72 novel associations with FDR<0.1). By leveraging directionality and point estimate of the effect sizes, we describe new associations that may predict ADEs, e.g., acne, high cholesterol, gout and gallstones for rs738409 (p.I148M) in PNPLA3 ; or asthma for rs1990760 (p.T946A) in IFIH1 . We further propose how quantitative estimates of genetic safety/efficacy profiles can be used to help prioritize candidate targets for a specific indication. Our results demonstrate PheWAS as a powerful addition to the toolkit for drug discovery. One Sentence Summary Matching genetics with phenotypes in 800,000 individuals predicts efficacy and on-target safety of future drugs.

Abstract Functional characterization of the noncoding genome is essential for the biological understanding of gene regulation and disease. Here, we introduce the computational framework PINES (Phenotype-Informed Noncoding Element Scoring) which predicts the functional impact of noncoding variants by integrating epigenetic annotations in a phenotype-dependent manner. A unique feature of PINES is that analyses may be customized towards genomic annotations from cell types of the highest relevance given the phenotype of interest. We illustrate that PINES identifies functional noncoding variation more accurately than methods that do not use phenotype-weighted knowledge, while at the same time being flexible and easy to use via a dedicated web portal.

Abstract Expression quantitative trait loci (eQTL) can reveal the regulatory mechanisms of trait associated variants. eQTLs are highly cell-type and context-specific, but often these contexts are unknown or not measured. Here, we introduce PICALO (Principal Interaction Component Analysis through Likelihood Optimization), an unbiased method to identify known and hidden contexts that influence eQTLs. PICALO uses expectation maximization to identify latent components, referred to as Principal Interaction Components (PIC), that interact with genotypes to maximize explained eQTL effect-sizes. We applied PICALO to bulk RNA-seq eQTL datasets in blood (n=2,932) and brain (n=2,440). We identify 31 PICs in blood, interacting with 4,169 (32%) unique cis-eQTLs (BH-FDR≤0.05). In brain, we identified 21 PICs, interacting with 4,058 (39%) unique cis-eQTLs (BH-FDR≤0.05). These PICs are associated with RNA quality, cell type composition or environmental influences. Furthermore, PICs clearly disentangle distinct eQTL contexts, for example technical from non-technical factors. Combined, 3,065 unique genes showed a cis-eQTL effect that is dependent on a cell type or other non-technical context, emphasizing the value of methods like PICALO. PICALO is robust, works well with heterogeneous datasets, yields reproducible interaction components, and identifies eQTL interactions and contexts that would have been missed when using cell counts or expression based principal components. Since PICALO allows for the identification of many context-dependent eQTLs without any prior knowledge of such contexts, this method can help to reveal and quantify the influence of previously unknown environmental factors that play a role in common diseases.

Abstract Genetic predisposition is believed to contribute substantially to the age at which we die. Genome-wide association studies (GWAS) have implicated more than 20 genetic loci to phenotypes related to human lifespan 1 . However, little is known about how lifespan is impacted by gene loss-of-function. Through whole-exome sequencing of 238,239 UK Biobank participants, we assessed the relevance of protein-truncating variant (PTV) gene burden on individual and parental survival. We identified exome-wide (P<2.5e-6) significant associations between BRCA2, BRCA1, TET2, PPM1D, LDLR, EML2 and DEDD2 PTV-burden with human lifespan. Gene and gene-set PTV-burden phenome-wide association studies (PheWAS) further highlighted the roles of these genes in cancer and cardiovascular disease as relevant for overall survival. The overlap between PTV-burden and prior GWAS results was modest, underscoring the value of sequencing in well-powered cohorts to complement GWAS for identifying loci associated with complex traits and disease.

Abstract Genome-wide association studies (GWAS) have proven a powerful tool for human geneticists to generate biological insights or hypotheses for drug discovery. Nevertheless, a dependency on sensitive individual-level data together with ever-increasing cohort sample sizes, numbers of variants and phenotypes studied put a strain on existing algorithms, limiting the GWAS approach from maximising potential. Here we present in-silico GWAS (isGWAS), a uniquely scalable algorithm to infer regression parameters in case-control GWAS from cohort-level summary data. For any sample size, isGWAS computes a variant-disease association parameter in ∼1 millisecond, or ∼11m variants in UK-Biobank within ∼4 minutes (∼1500-fold faster than state-of-the-art). Extensive simulations and empirical tests demonstrate that isGWAS results are highly comparable to traditional regression-based approaches. We further introduce a heuristic re-sampling algorithm, leapfrog re-sampler (LRS), to extrapolate association results to semi-virtually enlarged cohorts. Owing to significant computational gains we anticipate a broad use of isGWAS and LRS which are customizable on a web interface.

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/][1]). 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. [1]: http://www.epigraphdb.org/pqtl/

It has long been observed that complex traits, including migraine, often aggregate in families, but the underlying genetic architecture behind this is not well understood. Two competing hypotheses exist, emphasizing either rare or common genetic variation. More specifically, familial aggregation could be predominantly explained by rare, penetrant variants that segregate according to Mendelian inheritance or rather by the sufficient polygenic accumulation of many common variants, each with an individually small effect. Some combination of both common and rare variation could also contribute towards a spectrum of disease risk. We investigated this in a collection of 8,319 individuals across 1,589 migraine families from Finland. Family members were individually diagnosed by a migraine-specific questionnaire with either migraine without aura (MO, ICHD-3 code 1.1, n=2,357), migraine with typical aura (ICHD-3 code 1.2.1, n=2,420), hemiplegic migraine (HM, ICHD-3 code 1.2.3, n=540), or no migraine (n=3,002). For comparison, we used population-based migraine cases (n=1,101) and controls (n=13,369) from the FINRISK study. The disease status of FINRISK individuals was assigned based on health registry data from outpatient clinics and/or prescription medication. All individuals were genotyped on the Illumina CoreExome or PsychArray chip platforms and imputed to a Finnish reference panel of 6,962 haplotypes. Polygenic risk scores (PRS), representing the common variant burden in each individual, were calculated using weights from the most recent large-scale genome-wide association study of migraine. To account for family structure in our analyses, we used a mixed-model approach, adjusting for the genetic relationship matrix as a random effect. We found a significantly higher common variant burden in familial cases of migraine (for all subtypes, measured by the odds ratio [OR] per standard deviation [SD] increase in PRS; OR = 1.76, 95% CI = 1.71-1.81, P = 1.7×10-109) compared to cases from a population cohort (OR = 1.32, 95% CI = 1.25-1.38, P = 7.2×10-17) when using the population controls as a reference group. The highest enrichment was observed for HM (OR = 1.96, 95% CI = 1.86-2.07, P = 8.7×10-36) and migraine with typical aura (OR = 1.85, 95% CI = 1.79-1.91, P = 1.4×10-86) but enrichment was also present for MO (OR = 1.57, 95% CI = 1.51-1.63, P = 1.1×10-48). Comparing within cases, there was no significant difference in common variant burden between the migraine with aura subtypes, HM and migraine with typical aura (OR = 1.09, 95% CI = 0.99-1.19, P = 0.09), but both showed significantly higher enrichment compared to MO (OR = 1.28, 95% CI = 1.17-1.38, P = 7.3×10-7, and OR = 1.17, 95% CI = 1.11-1.23, P = 4.62×10-5, respectively). Additionally, we found that higher common variant burden corresponded to earlier age of headache onset (OR per SD increase in PRS for 3,631 cases with onset before 20 years old compared to 1,686 cases with onset later than 20 years old; OR = 1.11, 95% CI = 1.05-1.18, P = 8.3×10-4). FINRISK population cases identified from national health registry data were found to have lower common variant burden in comparison to the familial migraine cases (OR = 1.32, 95% CI = 1.25-1.38, P = 6.8×10-17), unless the individuals had attended both a specialist clinic and also received prophylactic migraine treatment (OR = 1.70, 95% CI = 1.53-1.88, P = 3.9×10-9). Finally, although rare variants have been suggested as the primary cause for familial hemiplegic migraine (FHM), we found only four out of 45 sequenced FHM families (8.9%) with a pathogenic mutation in one of the known risk genes. In summary, our results demonstrate a substantial contribution of common polygenic variation to familial aggregation in migraine, comparable to both controls and that observed in migraine cases from a population cohort. The findings also suggest that individuals with migraine aura symptoms (either typical aura, which is mostly visual, or rare motor aura) tend to have higher common variant burden on average supporting the polygenic model also in these migraine subtypes.