Abstract Health risk factors such as body mass index (BMI) and serum cholesterol are associated with many common diseases. It often remains unclear whether the risk factors are cause or consequence of disease, or whether the associations are the result of confounding. We develop and apply a method (called GSMR) that performs a multi-SNP Mendelian randomization analysis using summary-level data from genome-wide association studies to test the causal associations of BMI, waist-to-hip ratio, serum cholesterols, blood pressures, height, and years of schooling (EduYears) with common diseases (sample sizes of up to 405,072). We identify a number of causal associations including a protective effect of LDL-cholesterol against type-2 diabetes (T2D) that might explain the side effects of statins on T2D, a protective effect of EduYears against Alzheimer’s disease, and bidirectional associations with opposite effects (e.g., higher BMI increases the risk of T2D but the effect of T2D on BMI is negative).

Background The environment can moderate the effect of genes - a phenomenon called gene-environment (GxE) interaction. Several studies have found that socioeconomic status (SES) modifies the heritability of children's intelligence. Among low-SES families, genetic factors have been reported to explain less of the variance in intelligence; the reverse is found for high-SES families. The evidence however is inconsistent. Other studies have reported an effect in the opposite direction (higher heritability in lower SES), or no moderation of the genetic effect on intelligence. Methods Using 8716 twin pairs from the Twins Early Development Study (TEDS), we attempted to replicate the reported moderating effect of SES on children's intelligence at ages 2, 3, 4, 7, 9, 10, 12 and 14: i.e., lower heritability in lower-SES families. We used a twin model that allowed for a main effect of SES on intelligence, as well as a moderating effect of SES on the genetic and environmental components of intelligence. Results We found greater variance in intelligence in low-SES families, but minimal evidence of GxE interaction across the eight ages. A power calculation indicated that a sample size of about 5000 twin pairs is required to detect moderation of the genetic component of intelligence as small as 0.25, with about 80% power - a difference of 11% to 53% in heritability, in low- (−2 standard deviations, SD) and high-SES (+2 SD) families. With samples at each age of about this size, the present study found no moderation of the genetic effect on intelligence. However, we found the greater variance in low-SES families is due to moderation of the environmental effect – an environment-environment interaction. Conclusions In a UK-representative sample, the genetic effect on intelligence is similar in low- and high-SES families. Children's shared experiences appear to explain the greater variation in intelligence in lower SES.

Significance Differences among children in educational achievement are highly heritable from the early school years until the end of compulsory education at age 16, when UK students are assessed nationwide with standard achievement tests [General Certificate of Secondary Education (GCSE)]. Genetic research has shown that intelligence makes a major contribution to the heritability of educational achievement. However, we show that other broad domains of behavior such as personality and psychopathology also account for genetic influence on GCSE scores beyond that predicted by intelligence. Together with intelligence, these domains account for 75% of the heritability of GCSE scores. These results underline the importance of genetics in educational achievement and its correlates. The results also support the trend in education toward personalized learning.

Major depressive disorder (MDD) is a notably complex illness with a lifetime prevalence of 14%. 1 It is often chronic or recurrent and is thus accompanied by considerable morbidity, excess mortality, substantial costs, and heightened risk of suicide. 2-7 MDD is a major cause of disability worldwide. 8 We conducted a genome-wide association (GWA) meta-analysis in 130,664 MDD cases and 330,470 controls, and identified 44 independent loci that met criteria for statistical significance. We present extensive analyses of these results which provide new insights into the nature of MDD. The genetic findings were associated with clinical features of MDD, and implicated prefrontal and anterior cingulate cortex in the pathophysiology of MDD (regions exhibiting anatomical differences between MDD cases and controls). Genes that are targets of antidepressant medications were strongly enriched for MDD association signals (P=8.5×10 −10 ), suggesting the relevance of these findings for improved pharmacotherapy of MDD. Sets of genes involved in gene splicing and in creating isoforms were also enriched for smaller MDD GWA P-values, and these gene sets have also been implicated in schizophrenia and autism. Genetic risk for MDD was correlated with that for many adult and childhood onset psychiatric disorders. Our analyses suggested important relations of genetic risk for MDD with educational attainment, body mass, and schizophrenia: the genetic basis of lower educational attainment and higher body mass were putatively causal for MDD whereas MDD and schizophrenia reflected a partly shared biological etiology. All humans carry lesser or greater numbers of genetic risk factors for MDD, and a continuous measure of risk underlies the observed clinical phenotype. MDD is not a distinct entity that neatly demarcates normalcy from pathology but rather a useful clinical construct associated with a range of adverse outcomes and the end result of a complex process of intertwined genetic and environmental effects. These findings help refine and define the fundamental basis of MDD.

Abstract Health risk factors such as body mass index (BMI), serum cholesterol and blood pressure are associated with many common diseases. It often remains unclear whether the risk factors are cause or consequence of disease, or whether the associations are the result of confounding. Genetic methods are useful to infer causality because genetic variants are present from birth and therefore unlikely to be confounded with environmental factors. We develop and apply a method (GSMR) that performs a multi-SNP Mendelian Randomization analysis using summary-level data from large genome-wide association studies (sample sizes of up to 405,072) to test the causal associations of BMI, waist-to-hip ratio, serum cholesterols, blood pressures, height and years of schooling (EduYears) with a range of common diseases. We identify a number of causal associations including a protective effect of LDL-cholesterol against type-2 diabetes (T2D) that might explain the side effects of statins on T2D, a protective effect of EduYears against Alzheimer’s disease, and bidirectional associations with opposite effects (e.g. higher BMI increases the risk of T2D but the effect T2D of BMI is negative). HDL-cholesterol has a significant risk effect on age-related macular degeneration, and the effect size remains significant accounting for the other risk factors. Our study develops powerful tools to integrate summary data from large studies to infer causality, and provides important candidates to be prioritized for further studies in medical research and for drug discovery.

Abstract Humans vary substantially in their willingness to take risks. In a combined sample of over one million individuals, we conducted genome-wide association studies (GWAS) of general risk tolerance, adventurousness, and risky behaviors in the driving, drinking, smoking, and sexual domains. We identified 611 approximately independent genetic loci associated with at least one of our phenotypes, including 124 with general risk tolerance. We report evidence of substantial shared genetic influences across general risk tolerance and risky behaviors: 72 of the 124 general risk tolerance loci contain a lead SNP for at least one of our other GWAS, and general risk tolerance is moderately to strongly genetically correlated ( to 0.50) with a range of risky behaviors. Bioinformatics analyses imply that genes near general-risk-tolerance-associated SNPs are highly expressed in brain tissues and point to a role for glutamatergic and GABAergic neurotransmission. We find no evidence of enrichment for genes previously hypothesized to relate to risk tolerance.

Abstract Cupping of the optic nerve head, a highly heritable trait, is a hallmark of glaucomatous optic neuropathy. Two key parameters are vertical cup-to-disc ratio (VCDR) and vertical disc diameter (VDD). However, manual assessment often suffers from poor accuracy and is time-intensive. Here, we show convolutional neural network models can accurately estimate VCDR and VDD for 282,100 images from both UK Biobank and an independent study (Canadian Longitudinal Study on Aging), enabling cross-ancestry epidemiological studies and new genetic discovery for these optic nerve head parameters. Using the AI approach we perform a systematic comparison of the distribution of VCDR and VDD, and compare these with intraocular pressure and glaucoma diagnoses across various genetically determined ancestries, which provides an explanation for the high rates of normal tension glaucoma in East Asia. We then used the large number of AI gradings to conduct a more powerful genome-wide association study (GWAS) of optic nerve head parameters. Using the AI based gradings increased estimates of heritability by ~50% for VCDR and VDD. Our GWAS identified more than 200 loci for both VCDR and VDD (double the number of loci from previous studies), uncovers dozens of novel biological pathways, with many of the novel loci also conferring risk for glaucoma.

Abstract Spatial transcriptomic (ST) data enables us to link tissue morphological features with thousands of unseen gene expression values, opening a horizon for breakthroughs in digital pathology. Models to predict the presence/absence, high/low, or continuous expression of a gene using images as the only input have a huge potential clinical applications, but such models require improvements in accuracy, interpretability, and robustness. We developed STimage models to estimate parameters of gene expression as distributions rather than fixed data points, thereby allowing for the essential quantification of uncertainty in the predicted results. We assessed aleatoric and epistemic uncertainty of the models across a diverse range of test cases and proposed an ensemble approach to improve the model performance and trust. STimage can train prediction models for one gene marker or a panel of markers and provides important interpretability analyses at a single-cell level, and in the histopathological annotation context. Through a comprehensive benchmarking with existing models, we found that STimage is more robust to technical variation in platforms, data types, and sample types. Using images from the cancer genome atlas, we showed that STimage can be applied to non-spatial omics data. STimage also performs better than other models when only a small training dataset is available. Overall, STimage contributes an important methodological advance needed for the potential application of spatial technology in cancer digital pathology.

Bipolar disorder is a highly heritable psychiatric disorder that features episodes of mania and depression. We performed the largest genome-wide association study to date, including 20,352 cases and 31,358 controls of European descent, with follow-up analysis of 822 sentinel variants at loci with P<1x10-4 in an independent sample of 9,412 cases and 137,760 controls. In the combined analysis, 30 loci reached genome-wide significant evidence for association, of which 20 were novel. These significant loci contain genes encoding ion channels and neurotransmitter transporters (CACNA1C, GRIN2A, SCN2A, SLC4A1), synaptic components (RIMS1, ANK3), immune and energy metabolism components. Bipolar disorder type I (depressive and manic episodes; ~73% of our cases) is strongly genetically correlated with schizophrenia whereas bipolar disorder type II (depressive and hypomanic episodes; ~17% of our cases) is more strongly correlated with major depressive disorder. These findings address key clinical questions and provide potential new biological mechanisms for bipolar disorder.

Non-random mate-choice with respect to complex traits is widely observed in humans, but whether this reflects true phenotypic assortment, environment (social homogamy) or convergence after choosing a partner is not known. Understanding the causes of mate choice is important, because assortative mating (AM) if based upon heritable traits, has genetic and evolutionary consequences. AM is predicted under Fisher's classical theory1 to induce a signature in the genome at trait-associated loci that can be detected and quantified. Here, we develop and apply a method to quantify AM on a specific trait by estimating the correlation (θ) between genetic predictors of the trait from SNPs on odd versus even chromosomes. We show by theory and simulation that the effect of AM can be distinguished from population stratification. We applied this approach to 32 complex traits and diseases using SNP data from ~400,000 unrelated individuals of European ancestry. We found significant evidence of AM for height (θ=3.2%) and educational attainment (θ=2.7%), both consistent with theoretical predictions. Overall, our results imply that AM involves multiple traits, affects the genomic architecture of loci that are associated with these traits and that the consequence of mate choice can be detected from a random sample of genomes.