Intelligence is highly heritable1 and a major determinant of human health and well-being2. Recent genome-wide meta-analyses have identified 24 genomic loci linked to variation in intelligence3-7, but much about its genetic underpinnings remains to be discovered. Here, we present a large-scale genetic association study of intelligence (n = 269,867), identifying 205 associated genomic loci (190 new) and 1,016 genes (939 new) via positional mapping, expression quantitative trait locus (eQTL) mapping, chromatin interaction mapping, and gene-based association analysis. We find enrichment of genetic effects in conserved and coding regions and associations with 146 nonsynonymous exonic variants. Associated genes are strongly expressed in the brain, specifically in striatal medium spiny neurons and hippocampal pyramidal neurons. Gene set analyses implicate pathways related to nervous system development and synaptic structure. We confirm previous strong genetic correlations with multiple health-related outcomes, and Mendelian randomization analysis results suggest protective effects of intelligence for Alzheimer's disease and ADHD and bidirectional causation with pleiotropic effects for schizophrenia. These results are a major step forward in understanding the neurobiology of cognitive function as well as genetically related neurological and psychiatric disorders.

Danielle Posthuma and colleagues perform a large meta-analysis for intelligence and determine genetic overlap with several neuropsychiatric and metabolic traits. They find 15 new significant loci and implicate 40 new genes, most of which are predominantly expressed in the brain. Intelligence is associated with important economic and health-related life outcomes1. Despite intelligence having substantial heritability2 (0.54) and a confirmed polygenic nature, initial genetic studies were mostly underpowered3,4,5. Here we report a meta-analysis for intelligence of 78,308 individuals. We identify 336 associated SNPs (METAL P < 5 × 10−8) in 18 genomic loci, of which 15 are new. Around half of the SNPs are located inside a gene, implicating 22 genes, of which 11 are new findings. Gene-based analyses identified an additional 30 genes (MAGMA P < 2.73 × 10−6), of which all but one had not been implicated previously. We show that the identified genes are predominantly expressed in brain tissue, and pathway analysis indicates the involvement of genes regulating cell development (MAGMA competitive P = 3.5 × 10−6). Despite the well-known difference in twin-based heritability2 for intelligence in childhood (0.45) and adulthood (0.80), we show substantial genetic correlation (rg = 0.89, LD score regression P = 5.4 × 10−29). These findings provide new insight into the genetic architecture of intelligence.

Genetic discoveries of Alzheimer's disease are the drivers of our understanding, and together with polygenetic risk stratification can contribute towards planning of feasible and efficient preventive and curative clinical trials. We first perform a large genetic association study by merging all available case-control datasets and by-proxy study results (discovery n = 409,435 and validation size n = 58,190). Here, we add six variants associated with Alzheimer's disease risk (near APP, CHRNE, PRKD3/NDUFAF7, PLCG2 and two exonic variants in the SHARPIN gene). Assessment of the polygenic risk score and stratifying by APOE reveal a 4 to 5.5 years difference in median age at onset of Alzheimer's disease patients in APOE ɛ4 carriers. Because of this study, the underlying mechanisms of APP can be studied to refine the amyloid cascade and the polygenic risk score provides a tool to select individuals at high risk of Alzheimer's disease.

ABSTRACT BACKGROUND Disentangling the genetic constellation underlying Alzheimer’s disease (AD) is important. Doing so allows us to identify biological pathways underlying AD, point towards novel drug targets and use the variants for individualised risk predictions in disease modifying or prevention trials. In the present work we report on the largest genome-wide association study (GWAS) for AD risk to date and show the combined utility of proven AD loci for precision medicine using polygenic risk scores (PRS). METHODS Three sets of summary statistics were included in our meta-GWAS of AD: an Spanish case-control study (GR@ACE/DEGESCO study, n = 12,386), the case-control study of International Genomics of Alzheimer project (IGAP, n = 82,771) and the UK Biobank (UKB) AD-by-proxy case-control study (n=314,278). Using these resources, we performed a fixed-effects inverse-variance-weighted meta-analysis. Detected loci were confirmed in a replication study of 19,089 AD cases and 39,101 controls from 16 European-ancestry cohorts not previously used. We constructed a weighted PRS based on the 39 AD variants. PRS were generated by multiplying the genotype dosage of each risk allele for each variant by its respective weight, and then summing across all variants. We first validated it for AD in independent data (assessing effects of sub-threshold signal, diagnostic certainty, age at onset and sex) and tested its effect on risk (odds for disease) and age at onset in the GR@ACE/DEGESCO study. FINDINGS Using our meta-GWAS approach and follow-up analysis, we identified novel genome-wide significant associations of six genetic variants with AD risk (rs72835061 -CHRNE , rs2154481 -APP , rs876461 -PRKD3/NDUFAF7 , rs3935877 -PLCG2 and two missense variants: rs34173062/rs34674752 in SHARPIN gene) and confirmed a stop codon mutation in the IL34 gene increasing the risk of AD ( IL34-Tyr213Ter ), and two other variants in PLCG2 and HS3ST1 regions. This brings the total number of genetic variants associated with AD to 39 (excluding APOE ). The PRS based on these variants was associated with AD in an independent clinical AD-case control dataset (OR=1.30, per 1-SD increase in the PRS, 95%CI 1.18-1.44, p = 1.1×10 −7 ), a similar effect to that in the GR@ACE/DEGESCO (OR=1.27, 95%CI 1.23-1.32, p = 7.4×10 −39 ). We then explored the combined effects of these 39 variants in a PRS for AD risk and age-at-onset stratification in GR@ACE/DEGESCO. Excluding APOE , we observed a gradual risk increase over the 2% tiles; when comparing the extremes, those with the 2% highest risk had a 2.98-fold (95% CI 2.12–4.18, p = 3.2×10 −10 ) increased risk compared to those with the 2% lowest risk ( p = 5.9×10 −10 ). Using the PRS we identified APOE ε33 carriers with a similar risk as APOE ε 4 heterozygotes carriers, as well as APOE ε4 heterozygote carriers with a similar risk as APOE ε 4 homozygote. Considering age at onset; there was a 9-year difference between median onset of AD the lowest risk group and the highest risk group (82 vs 73 years; p = 1.6×10 −6 ); a 4-year median onset difference (81 vs 77 years; p = 6.9×10 −5 ) within APOE ε4 heterozygotes and a 5.5-year median onset difference (78.5 vs 73 years; p = 4.6×10 −5 ) within APOE ε4 carriers. INTERPRETATION We identified six novel genetic variants associated with AD-risk, among which one common APP variant. A PRS of all genetic loci reported to date could be a robust tool to predict the risk and age at onset of AD, beyond APOE alone. These properties make PRS instrumental in selecting individuals at risk in order to apply preventative strategies and might have potential use in diagnostic work-up.

ABSTRACT Genetic correlation ( r g ) analysis is commonly used to identify traits that may have a shared genetic basis. Traditionally, r g is studied on a global scale, considering only the average of the shared signal across the genome; though this approach may fail to detect scenarios where the r g is confined to particular genomic regions, or show opposing directions at different loci. Tools dedicated to local r g analysis have started to emerge, but are currently restricted to analysis of two phenotypes. For this reason, we have developed LAVA, an integrated framework for local r g analysis which, in addition to testing the standard bivariate local r g ’s between two traits, can evaluate the local heritability for all traits of interest, and analyse conditional genetic relations between several traits using partial correlation or multiple regression. Applied to 20 behavioural and health phenotypes, we show considerable heterogeneity in the bivariate local r g ’s across the genome, which is often masked by the global r g patterns, and demonstrate how our conditional approaches can elucidate more complex, multivariate genetic relations between traits.

ABSTRACT Common SNPs are predicted to collectively explain 40-50% of phenotypic variation in human height, but identifying the specific variants and associated regions requires huge sample sizes. Here we show, using GWAS data from 5.4 million individuals of diverse ancestries, that 12,111 independent SNPs that are significantly associated with height account for nearly all of the common SNP-based heritability. These SNPs are clustered within 7,209 non-overlapping genomic segments with a median size of ~90 kb, covering ~21% of the genome. The density of independent associations varies across the genome and the regions of elevated density are enriched for biologically relevant genes. In out-of-sample estimation and prediction, the 12,111 SNPs account for 40% of phenotypic variance in European ancestry populations but only ~10%-20% in other ancestries. Effect sizes, associated regions, and gene prioritization are similar across ancestries, indicating that reduced prediction accuracy is likely explained by linkage disequilibrium and allele frequency differences within associated regions. Finally, we show that the relevant biological pathways are detectable with smaller sample sizes than needed to implicate causal genes and variants. Overall, this study, the largest GWAS to date, provides an unprecedented saturated map of specific genomic regions containing the vast majority of common height-associated variants.

Abstract Transcriptome-wide association studies (TWAS) aim to detect relationships between gene expression and a phenotype, and are commonly used for secondary analysis of genome-wide association study (GWAS) results. Results from TWAS analyses are often interpreted as indicating a geneticrelationship between gene expression and a phenotype, but this interpretation is not consistent with the null hypothesis that is evaluated in the traditional TWAS framework. In this study we provide a mathematical outline of this TWAS framework, and elucidate what interpretations are warrantedgiven the null hypothesis it actually tests. We then use both simulations and real data analysis to assess the implications of misinterpreting TWAS results as indicative of a genetic relationship between gene expression and the phenotype. Our simulation results show considerably inflated type 1 error rates for TWAS when interpreted this way, with 41% of significant TWAS associations detected in the real data analysis found to have insufficient statistical evidence to infer such a relationship. This demonstrates that in current implementations, TWAS cannot reliably be used to investigate genetic relationships between gene expression and a phenotype, but that local genetic correlation analysis can serve as a potential alternative.

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 Multiscale integration of gene transcriptomic and neuroimaging data is becoming a widely used approach for exploring the molecular underpinnings of large-scale brain structure and function. Proper statistical evaluation of computed associations between imaging-based phenotypic and transcriptomic data is key in these explorations, in particular to establish whether observed associations exceed ‘chance level’ of random, non-specific effects. Recent approaches have shown the importance of spatial null models to test for spatial specificity of effects to avoid serious inflation of reported statistics. Here, we discuss the need for examination of the second category of specificity in transcriptomic-neuroimaging analyses, namely that of gene specificity , examined using null models built upon effects that occur from sets of random genes. Through simple examples of commonly performed transcriptomic-neuroimaging analyses, we show that providing additional gene specificity on observed transcriptomic-neuroimaging effects is of high importance to avoid non-specific (potentially false-positive) effects. Through simulations we further show that the rate of reported non-specific effects (i.e., effects that are generally observed and cannot be specifically linked to a gene-set of interest) can run as high as 60%, with only less than 5% of transcriptomic-neuroimaging associations observed through ordinary linear regression analyses showing spatial and gene specificity. We explain that using proper null models that test for both spatial specificity and gene specificity is warranted.

Despite the substantial heritability of antisocial behavior (ASB), specific genetic variants robustly associated with the trait have not been identified. The present study by the Broad Antisocial Behavior Consortium (BroadABC) meta-analyzed data from 25 discovery samples (N=85,359) and five independent replication samples (N = 8,058) with genotypic data and broad measures of ASB. We identified the first significant genetic associations with broad ASB, involving common intronic variants in the forkhead box protein P2 (FOXP2) gene (lead SNP rs12536335, P = 6.32 x 10-10). Furthermore, we observed intronic variation in Foxp2 and one of its targets (Cntnap2) distinguishing a mouse model of pathological aggression (BALB/cJ mice) from controls (the BALB/cByJ strain). The SNP-based heritability of ASB was 8.4% (s.e.= 1.2%). Polygenic-risk-score (PRS) analyses in independent samples revealed that the genetic risk for ASB was associated with several antisocial outcomes across the lifespan, including diagnosis of conduct disorder, official criminal convictions, and trajectories of antisocial development. We found substantial positive genetic correlations between ASB and depression (rg = 0.63), smoking (rg = 0.54) and insomnia (rg = 0.47) as well as negative correlations with indicators of life history (age at first birth (rg = -0.58), fathers age at death (rg = -0.54)) and years of schooling (rg = -0.46). Our findings provide a starting point towards identifying critical biosocial risk mechanisms for the development of ASB.