Abstract Biological ageing estimators derived from DNA methylation (DNAm) data are heritable and correlate with morbidity and mortality. Leveraging DNAm and SNP data from >41,000 individuals, we identify 137 genome-wide significant loci (113 novel) from meta-analyses of four epigenetic clocks and epigenetic surrogate markers for granulocyte proportions and plasminogen activator inhibitor 1 levels, respectively. We report strong genetic correlations with longevity and lifestyle factors such as smoking, education, and obesity. Significant associations are observed in polygenic risk score analysis and to a lesser extent in Mendelian randomization analyses. This study illuminates the genetic architecture underlying epigenetic ageing and its shared genetic contributions with lifestyle factors and longevity.

Abstract Pedigree-based analyses of intelligence have reported that genetic differences account for 50-80% of the phenotypic variation. For personality traits these effects are smaller, with 34-48% of the variance being explained by genetic differences. However, molecular genetic studies using unrelated individuals typically report a heritability estimate of around 30% for intelligence and between 0% and 15% for personality variables. Pedigree-based estimates and molecular genetic estimates may differ because current genotyping platforms are poor at tagging causal variants, variants with low minor allele frequency, copy number variants, and structural variants. Using ∼20 000 individuals in the Generation Scotland family cohort genotyped for ∼700 000 single nucleotide polymorphisms (SNPs), we exploit the high levels of linkage disequilibrium (LD) found in members of the same family to quantify the total effect of genetic variants that are not tagged in GWASs of unrelated individuals. In our models, genetic variants in low LD with genotyped SNPs explain over half of the genetic variance in intelligence, education, and neuroticism. By capturing these additional genetic effects our models closely approximate the heritability estimates from twin studies for intelligence and education, but not for neuroticism and extraversion. We then replicated our finding using imputed molecular genetic data from unrelated individuals to show that ∼50% of differences in intelligence, and ∼40% of the differences in education, can be explained by genetic effects when a larger number of rare SNPs are included. From an evolutionary genetic perspective, a substantial contribution of rare genetic variants to individual differences in intelligence and education is consistent with mutation-selection balance.

Abstract Alcohol consumption has been linked to over 200 diseases and is responsible for over 5% of the global disease burden. Well known genetic variants in alcohol metabolizing genes, e.g. ALDH2, ADH1B, are strongly associated with alcohol consumption but have limited impact in European populations where they are found at low frequency. We performed a genome-wide association study (GWAS) of self-reported alcohol consumption in 112,117 individuals in the UK Biobank (UKB) sample of white British individuals. We report significant genome-wide associations at 8 independent loci. These include SNPs in alcohol metabolizing genes ( ADH1B/ADH1C/ADH5 ) and 2 loci in KLB, a gene recently associated with alcohol consumption. We also identify SNPs at novel loci including GCKR, PXDN, CADM2 and TNFRSF11A. Gene-based analyses found significant associations with genes implicated in the neurobiology of substance use ( CRHR1, DRD2 ), and genes previously associated with alcohol consumption ( AUTS2 ). GCTA-GREML analyses found a significant SNP-based heritability of self-reported alcohol consumption of 13% (S.E.=0.01). Sex-specific analyses found largely overlapping GWAS loci and the genetic correlation between male and female alcohol consumption was 0.73 (S.E.=0.09, p-value = 1.37 x 10 −16 ). Using LD score regression, genetic overlap was found between alcohol consumption and schizophrenia (rG=0.13, S.E=0.04), HDL cholesterol (rG=0.21, S.E=0.05), smoking (rG=0.49, S.E=0.06) and various anthropometric traits (e.g. Overweight, rG=-0.19, S.E.=0.05). This study replicates the association between alcohol consumption and alcohol metabolizing genes and KLB , and identifies 4 novel gene associations that should be the focus of future studies investigating the neurobiology of alcohol consumption.

Abstract Epigenetic clocks can track both chronological age (cAge) and biological age (bAge). The latter is typically defined by physiological biomarkers and risk of adverse health outcomes, including all-cause mortality. As cohort sample sizes increase, estimates of cAge and bAge become more precise. Here, we aim to refine predictors and improve understanding of the epigenomic architecture of cAge and bAge. First, we perform large-scale (N = 18,413) epigenome-wide association studies (EWAS) of chronological age and all-cause mortality. Next, to improve cAge prediction, we use methylation data from 24,673 participants from the Generation Scotland (GS) study, the Lothian Birth Cohorts (LBC) of 1921 and 1936 and 8 publicly available datasets. Through the inclusion of linear and non-linear age-CpG associations from the EWAS, feature pre-selection/dimensionality reduction in advance of elastic net regression, and a leave-one-cohort-out (LOCO) cross validation framework, we arrive at an improved cAge predictor (median absolute error = 2.3 years across 10 cohorts). In addition, we train a predictor of bAge on 1,214 all-cause mortality events in GS, based on epigenetic surrogates for 109 plasma proteins and the 8 component parts of GrimAge, the current best epigenetic predictor of all-cause mortality. We test this predictor in four external cohorts (LBC1921, LBC1936, the Framingham Heart Study and the Women’s Health Initiative study) where it outperforms GrimAge in its association to survival (HR GrimAge = 1.47 [1.40, 1.54] with p = 1.08 × 10 −52 , and HR bAge = 1.52 [1.44, 1.59] with p = 2.20 × 10 −60 ). Finally, we introduce MethylBrowsR, an online tool to visualize epigenome-wide CpG-age associations.

Abstract Protein biomarkers have been identified across many age-related morbidities. However, characterising epigenetic influences could further inform disease predictions. Here, we leverage epigenome-wide data to study links between the DNAm signatures of the circulating proteome and incident diseases. Using data from four cohorts, we trained and tested epigenetic scores (EpiScores) for 953 plasma proteins, identifying 109 scores that explained between 1% and 58% of the variance in protein levels after adjusting for known protein quantitative trait loci (pQTL) genetic effects. By projecting these EpiScores into an independent sample, (Generation Scotland; n=9,537) and relating them to incident morbidities over a follow-up of 14 years, we uncovered 137 EpiScore – disease associations. These associations were largely independent of immune cell proportions, common lifestyle and health factors and biological aging. Notably, we found that our diabetes-associated EpiScores highlighted previous top biomarker associations from proteome-wide assessments of diabetes. These EpiScores for protein levels can therefore be a valuable resource for disease prediction and risk stratification.

Major depressive disorder (MDD) and cardiovascular disease (CVD) are often comorbid, resulting in excess morbidity and mortality. Here we show that CVDs share most of their genetic risk factors with MDD. Multivariate genome-wide association analysis of shared genetic liability between MDD and atherosclerotic CVD revealed seven loci and distinct patterns of tissue and brain cell-type enrichments, suggesting the involvement of the thalamus. Part of the genetic overlap was explained by shared inflammatory, metabolic and psychosocial or lifestyle risk factors. Our data indicated causal effects of genetic liability to MDD on CVD risk, but not from most CVDs to MDD, and showed that the causal effects were partly explained by metabolic and psychosocial or lifestyle factors. The distinct signature of MDD-atherosclerotic CVD comorbidity suggests an immunometabolic subtype of MDD that is more strongly associated with CVD than overall MDD. In summary, we identified biological mechanisms underlying MDD-CVD comorbidity and modifiable risk factors for prevention of CVD in individuals with MDD.

Abstract The Trail Making Test is a widely used test of executive function and has been thought to be strongly associated with general cognitive function. We examined the genetic architecture of the trail making test and its shared genetic aetiology with other tests of cognitive function in 23 821 participants from UK Biobank. The SNP-based heritability estimates for trail-making measures were 7.9 % (part A), 22.4 % (part B), and 17.6 % (part B – part A). Significant genetic correlations were identified between trail-making measures and verbal-numerical reasoning (r g > 0.6), general cognitive function (r g > 0.6), processing speed (r g > 0.7), and memory (r g > 0.3). Polygenic profile analysis indicated considerable shared genetic aetiology between trail making, general cognitive function, processing speed, and memory (standardized β between 0.03 and 0.08). These results suggest that trail making is both phenotypically and genetically strongly associated with general cognitive function and processing speed.

Abstract Major depressive disorder and neuroticism share a large genetic basis. We sought to determine whether this shared basis could be decomposed to identify genetic factors that are specific to depression. We analysed two sets of summary statistics from genome-wide association studies of depression (from the Psychiatric Genomics Consortium and 23andMe) and compared them to GWAS of neuroticism (from UK Biobank). First, we used a pairwise GWAS analysis to classify variants as associated with only depression, with only neuroticism, or with both. Second, we estimated partial genetic correlations to test whether the depression’s genetic link with other phenotypes was explained by shared overlap with neuroticism. We found evidence that most genetic variants associated with depression are likely to be shared with neuroticism. The overlapping common genetic variance of depression and neuroticism was negatively genetically correlated with cognitive function and positively genetically correlated with several psychiatric disorders. We found that the genetic contributions unique to depression, and not shared with neuroticism, were correlated with inflammation, cardiovascular disease, and sleep patterns. Our findings demonstrate that, while genetic risk factors for depression are largely shared with neuroticism, there are also non-neuroticism related features of depression that may be useful for further patient or phenotypic stratification.

Genome-Wide Association Studies (GWAS) over-represent European ancestries, neglecting all other ancestry groups and low-income nations. Consequently, polygenic risk scores (PRS) more accurately predict complex traits in Europeans than African Ancestries groups. Very few studies have looked at the transferability of European-derived PRS for behavioural and mental health phenotypes to Africans. We assessed the comparative accuracy of depression PRS trained on European and African Ancestries GWAS studies to predict major depressive disorder (MDD) and related traits in African ancestry participants from the UK Biobank. UK Biobank participants were selected based on Principal component analysis clustering with an African genetic similarity reference population, MDD was assessed with the Composite International Diagnostic Interview (CIDI). PRS were computed using PRSice2 software using either European or African Ancestries GWAS summary statistics. PRS trained on European ancestry samples (246,363 cases) predicted case control status in Africans of the UK Biobank with similar accuracies (R2 = 2%, β = 0.32, empirical p-value = 0.002) to PRS trained on far much smaller samples of African Ancestries participants from 23andMe, Inc. (5045 cases, R² = 1.8%, β = 0.28, empirical p-value = 0.008). This suggests that prediction of MDD status from Africans to Africans had greater efficiency relative to discovery sample size than prediction of MDD from Europeans to Africans. Prediction of MDD status in African UK Biobank participants using GWAS findings of likely causal risk factors from European ancestries was non-significant. GWAS of MDD in European ancestries are inefficient for improving polygenic prediction in African samples; urgent MDD studies in Africa are needed.

Abstract Accessible and non-invasive biomarkers that measure human ageing processes and the risk of developing age-related disease are paramount in preventative healthcare. In this study, we describe a novel framework to train saliva-based DNA methylation (DNAm) biomarkers that are reproducible and biologically interpretable. By leveraging a reliability dataset with replicates across tissues, we demonstrate that it is possible to transfer knowledge from blood DNAm data to saliva DNAm data using DNAm proxies of blood proteins (EpiScores). We then apply these methods to create a new saliva-based epigenetic clock (InflammAge) that quantifies systemic chronic inflammation (SCI) in humans. Using a large blood DNAm human cohort with linked electronic health records and over 18,000 individuals (Generation Scotland), we demonstrate that InflammAge significantly associates with all-cause mortality, disease outcomes, lifestyle factors and immunosenescence; in many cases outperforming the widely used SCI biomarker C-reactive protein (CRP). We propose that our biomarker discovery framework and InflammAge will be useful to improve our understanding of the molecular mechanisms underpinning human ageing and to assess the impact of gero-protective interventions.