We conducted a genome-wide meta-analysis of cognitive empathy using the ‘Reading the Mind in the Eyes’ Test (Eyes Test) in 88,056 research volunteers of European Ancestry (44,574 females and 43,482 males) from 23andMe Inc., and an additional 1,497 research volunteers of European Ancestry (891 females and 606 males) from the Brisbane Longitudinal Twin Study (BLTS). We confirmed a female advantage on the Eyes Test (Cohen’s d = 0.21, P < 2.2x10 −16 ), and identified a locus in 3p26.1 that is associated with scores on the Eyes Test in females (rs7641347, P meta = 1.58 x 10 −8 ). Common single nucleotide polymorphisms (SNPs) explained 5.8% (95% CI: 0.45 - 0.72; P = 1.00 x 10 −17 ) of the total trait variance in both sexes, and we identified a twin heritability of 0.28 (95% CI: 0.13-0.42). Finally, we identified significant genetic correlation between the Eyes Test and anorexia nervosa, measures of empathy (the Empathy Quotient), openness (NEO-Five Factor Inventory), and different measures of educational attainment and cognitive aptitude, and show that the genetic determinants of volumes of the dorsal striatum (caudate nucleus and putamen) are positively correlated with the genetic determinants of performance on the Eyes Test.

We assembled and analyzed genetic data of 47,351 multiple sclerosis (MS) subjects and 68,284 control subjects and establish a reference map of the genetic architecture of MS that includes 200 autosomal susceptibility variants outside the major histocompatibility complex (MHC), one chromosome X variant, and 32 independent associations within the extended MHC. We used an ensemble of methods to prioritize up to 551 potentially associated MS susceptibility genes, that implicate multiple innate and adaptive pathways distributed across the cellular components of the immune system. Using expression profiles from purified human microglia, we do find enrichment for MS genes in these brain-resident immune cells. Thus, while MS is most likely initially triggered by perturbation of peripheral immune responses the functional responses of microglia and other brain cells are also altered and may have a role in targeting an autoimmune process to the central nervous system.

Multiple sclerosis is a common, complex neurological disease, where almost 20% of risk heritability can be attributed to common genetic variants, including >230 identified by genome-wide association studies (Patsopoulos et al., 2017). Multiple strands of evidence suggest that the majority of the remaining heritability is also due to the additive effects of individual variants, rather than epistatic interactions between these variants, or mutations exclusive to individual families. Here, we show in 68,379 cases and controls that as much as 5% of this heritability is explained by low-frequency variation in gene coding sequence. We identify four novel genes driving MS risk independently of common variant signals, which highlight a key role for regulatory T cell homeostasis and regulation, IFNγ biology and NFκB signaling in MS pathogenesis. As low-frequency variants do not show substantial linkage disequilibrium with other variants, and as coding variants are more interpretable and experimentally tractable than non-coding variation, our discoveries constitute a rich resource for dissecting the pathobiology of MS.

Throughout history, the life sciences have been revolutionised by technological advances; in our era this is manifested by advances in instrumentation for data generation, and consequently researchers now routinely handle large amounts of heterogeneous data in digital formats. The simultaneous transitions towards biology as a data science and towards a 'life cycle' view of research data pose new challenges. Researchers face a bewildering landscape of data management requirements, recommendations and regulations, without necessarily being able to access data management training or possessing a clear understanding of practical approaches that can assist in data management in their particular research domain. Here we provide an overview of best practice data life cycle approaches for researchers in the life sciences/bioinformatics space with a particular focus on 'omics' datasets and computer-based data processing and analysis. We discuss the different stages of the data life cycle and provide practical suggestions for useful tools and resources to improve data management practices.