We expanded GWAS discovery for type 2 diabetes (T2D) by combining data from 898,130 European-descent individuals (9% cases), after imputation to high-density reference panels. With these data, we (i) extend the inventory of T2D-risk variants (243 loci, 135 newly implicated in T2D predisposition, comprising 403 distinct association signals); (ii) enrich discovery of lower-frequency risk alleles (80 index variants with minor allele frequency <5%, 14 with estimated allelic odds ratio >2); (iii) substantially improve fine-mapping of causal variants (at 51 signals, one variant accounted for >80% posterior probability of association (PPA)); (iv) extend fine-mapping through integration of tissue-specific epigenomic information (islet regulatory annotations extend the number of variants with PPA >80% to 73); (v) highlight validated therapeutic targets (18 genes with associations attributable to coding variants); and (vi) demonstrate enhanced potential for clinical translation (genome-wide chip heritability explains 18% of T2D risk; individuals in the extremes of a T2D polygenic risk score differ more than ninefold in prevalence). Combining 32 genome-wide association studies with high-density imputation provides a comprehensive view of the genetic contribution to type 2 diabetes in individuals of European ancestry with respect to locus discovery, causal-variant resolution, and mechanistic insight.

Abstract Scalable, integrative methods to understand mechanisms that link genetic variants with phenotypes are needed. Here we derive a mathematical expression to compute PrediXcan (a gene mapping approach) results using summary data (S-PrediXcan) and show its accuracy and general robustness to misspecified reference sets. We apply this framework to 44 GTEx tissues and 100+ phenotypes from GWAS and meta-analysis studies, creating a growing public catalog of associations that seeks to capture the effects of gene expression variation on human phenotypes. Replication in an independent cohort is shown. Most of the associations are tissue specific, suggesting context specificity of the trait etiology. Colocalized significant associations in unexpected tissues underscore the need for an agnostic scanning of multiple contexts to improve our ability to detect causal regulatory mechanisms. Monogenic disease genes are enriched among significant associations for related traits, suggesting that smaller alterations of these genes may cause a spectrum of milder phenotypes.

Protein-coding genetic variants that strongly affect disease risk can yield relevant clues to disease pathogenesis. Here we report exome-sequencing analyses of 20,791 individuals with type 2 diabetes (T2D) and 24,440 non-diabetic control participants from 5 ancestries. We identify gene-level associations of rare variants (with minor allele frequencies of less than 0.5%) in 4 genes at exome-wide significance, including a series of more than 30 SLC30A8 alleles that conveys protection against T2D, and in 12 gene sets, including those corresponding to T2D drug targets (P = 6.1 × 10−3) and candidate genes from knockout mice (P = 5.2 × 10−3). Within our study, the strongest T2D gene-level signals for rare variants explain at most 25% of the heritability of the strongest common single-variant signals, and the gene-level effect sizes of the rare variants that we observed in established T2D drug targets will require 75,000–185,000 sequenced cases to achieve exome-wide significance. We propose a method to interpret these modest rare-variant associations and to incorporate these associations into future target or gene prioritization efforts. Exome-sequencing analyses of a large cohort of patients with type 2 diabetes and control individuals without diabetes from five ancestries are used to identify gene-level associations of rare variants that are associated with type 2 diabetes.

Abstract The Mexico City Prospective Study (MCPS) is a prospective cohort of over 150,000 adults recruited two decades ago from the urban districts of Coyoacán and Iztapalapa in Mexico City. We generated genotype and exome sequencing data for all individuals, and whole genome sequencing for 10,000 selected individuals. We uncovered high levels of relatedness and substantial heterogeneity in ancestry composition across individuals. Most sequenced individuals had admixed Native American, European and African ancestry, with extensive admixture from indigenous groups in Central, Southern and South Eastern Mexico. Native Mexican segments of the genome had lower levels of coding variation, but an excess of homozygous loss of function variants compared with segments of African and European origin. We estimated population specific allele frequencies at 142 million genomic variants, with an effective sample size of 91,856 for Native Mexico at exome variants, all available via a public browser. Using whole genome sequencing, we developed an imputation reference panel which outperforms existing panels at common variants in individuals with high proportions of Central, South and South Eastern Native Mexican ancestry. Our work illustrates the value of genetic studies in populations with diverse ancestry and provides foundational imputation and allele frequency resources for future genetic studies in Mexico and in the United States where the Hispanic/Latino population is predominantly of Mexican descent.

ABSTRACT Coding variants that have significant impact on function can provide insights into the biology of a gene but are typically rare in the population. Identifying and ascertaining the frequency of such rare variants requires very large sample sizes. Here, we present the largest catalog of human protein-coding variation to date, derived from exome sequencing of 985,830 individuals of diverse ancestry to serve as a rich resource for studying rare coding variants. Individuals of African, Admixed American, East Asian, Middle Eastern, and South Asian ancestry account for 20% of this Exome dataset. Our catalog of variants includes approximately 10.5 million missense (54% novel) and 1.1 million predicted loss-of-function (pLOF) variants (65% novel, 53% observed only once). We identified individuals with rare homozygous pLOF variants in 4,874 genes, and for 1,838 of these this work is the first to document at least one pLOF homozygote. Additional insights from the RGC-ME dataset include 1) improved estimates of selection against heterozygous loss-of-function and identification of 3,459 genes intolerant to loss-of-function, 83 of which were previously assessed as tolerant to loss-of-function and 1,241 that lack disease annotations; 2) identification of regions depleted of missense variation in 457 genes that are tolerant to loss-of-function; 3) functional interpretation for 10,708 variants of unknown or conflicting significance reported in ClinVar as cryptic splice sites using splicing score thresholds based on empirical variant deleteriousness scores derived from RGC-ME; and 4) an observation that approximately 3% of sequenced individuals carry a clinically actionable genetic variant in the ACMG SF 3.1 list of genes. We make this important resource of coding variation available to the public through a variant allele frequency browser. We anticipate that this report and the RGC-ME dataset will serve as a valuable reference for understanding rare coding variation and help advance precision medicine efforts.

Abstract Protein-coding genetic variants that strongly affect disease risk can provide important clues into disease pathogenesis. Here we report an exome sequence analysis of 20,791 type 2 diabetes (T2D) cases and 24,440 controls from five ancestries. We identify rare (minor allele frequency<0.5%) variant gene-level associations in (a) three genes at exome-wide significance, including a T2D-protective series of >30 SLC30A8 alleles, and (b) within 12 gene sets, including those corresponding to T2D drug targets ( p =6.1×10 −3 ) and candidate genes from knockout mice ( p =5.2×10 −3 ). Within our study, the strongest T2D rare variant gene-level signals explain at most 25% of the heritability of the strongest common single-variant signals, and the rare variant gene-level effect sizes we observe in established T2D drug targets will require 110K-180K sequenced cases to exceed exome-wide significance. To help prioritize genes using associations from current smaller sample sizes, we present a Bayesian framework to recalibrate association p -values as posterior probabilities of association, estimating that reaching p <0.05 ( p <0.005) in our study increases the odds of causal T2D association for a nonsynonymous variant by a factor of 1.8 (5.3). To help guide target or gene prioritization efforts, our data are freely available for analysis at www.type2diabetesgenetics.org .

Abstract GWAS have identified more than 700 genetic signals associated with type 2 diabetes (T2D). To gain insight into the underlying molecular mechanisms, we created the Translational human pancreatic Islet Genotype tissue-Expression Resource (TIGER), aggregating >500 human islet RNA-seq and genotyping datasets. We imputed genotypes using 4 reference panels and meta-analyzed cohorts to improve coverage of expression quantitative trait loci (eQTL) and developed a method to combine allele-specific expression across samples (cASE). We identified >1 million islet eQTLs (56% novel), of which 53 colocalize with T2D signals (60% novel). Among them, a low-frequency allele that reduces T2D risk by half increases CCND2 expression. We identified 8 novel cASE colocalizations, among which an SLC30A8 T2D associated variant. We make all the data available through the open-access TIGER portal ( http://tiger.bsc.es ), which represents a comprehensive human islet genomic data resource to elucidate how genetic variation affects islet function and translate this into therapeutic insight and precision medicine for T2D.

Abstract Aims/hypothesis Genome-wide studies have uncovered multiple independent signals at the RREB1 locus associated with altered type 2 diabetes risk and related glycemic traits. However, little is known about the function of the zinc finger transcription factor RREB1 in glucose homeostasis or how changes in its expression and/or function influence diabetes risk. Methods A zebrafish model lacking rreb1a and rreb1b was used to study the effect of RREB1 loss in vivo . Using transcriptomic and cellular phenotyping of a human beta cell model (EndoC-βH1) and human induced pluripotent stem cell (hiPSC)-derived beta-like cells, we investigated how loss of RREB1 expression and activity affects pancreatic endocrine cell development and function. Ex vivo measurements of human islet function were performed in donor islets from carriers of RREB1 T2D-risk alleles. Results CRISPR-Cas9-mediated loss of rreb1a and rreb1b function in zebrafish supports an in vivo role for the transcription factor in beta cell mass, beta cell insulin expression, and glucose levels. Loss of RREB1 reduced insulin gene expression and cellular insulin content in EndoC-βH1 cells, and impaired insulin secretion under prolonged stimulation. Transcriptomic analysis of RREB1 knockdown and knockout EndoC-βH1 cells supports RREB1 as a novel regulator of genes involved in insulin secretion. In vitro differentiation of RREB1 KO/KO hiPSCs revealed a dysregulation of pro-endocrine cell genes, including RFX family members, suggesting that RREB1 also regulates genes involved in endocrine cell development. Human donor islets from carriers of T2D-risk alleles in RREB1 have altered glucose-stimulated insulin secretion ex vivo , consistent with RREB1 regulating islet cell function. Conclusions/interpretation Together, our results indicate that RREB1 regulates beta cell function by transcriptionally regulating the expression of genes involved in beta cell development and function. Research in context What is already known about this subject? Human genetic variation in RREB1 is associated with altered diabetes risk, variation in glycemic, and anthropometric traits RREB1 is a transcription factor that binds to Ras-responsive elements and is expressed in multiple diabetes relevant tissues, including pancreatic islets What is the key question? How does altered expression or function of RREB1 influence diabetes risk? What are the new findings? Knockdown and knockout of RREB1 in mature human EndoC-βH1 cells reduces expression of insulin transcript and cellular content, as well as insulin secretion under prolonged stress Carriers of the T2D-risk RREB1 coding allele trend towards reduced insulin content, but have improved glucose-stimulated insulin secretion A loss-of-function zebrafish model suggests that RREB1 is required for insulin expression How might this impact on clinical practice in the foreseeable future? RREB1 controls beta cell function and whole-body glucose homeostasis by transcriptionally regulating the development and function of pancreatic beta cells

Abstract Resolving the molecular processes that mediate genetic risk remains a challenge as most disease-associated variants are non-coding and functional and bioinformatic characterization of these signals requires knowledge of the specific tissues and cell-types in which they operate. To address this challenge, we developed a framework for integrating tissue-specific gene expression and epigenomic maps (primarily from tissues involved in insulin secretion and action) to obtain tissue-of-action (TOA) scores for each association signal by systematically partitioning posterior probabilities from Bayesian fine-mapping. We applied this scheme to credible set variants for 380 association signals from a recent GWAS meta-analysis of type 2 diabetes (T2D) in Europeans. The resulting tissue profiles underscored a predominant role for pancreatic islets and, to a lesser extent, subcutaneous adipose and liver, that was largely attributable to enhancer elements and transcribed regions, particularly among signals with greater fine-mapping resolution. We incorporated resulting TOA scores into a rule-based classifier, and validated the tissue assignments through comparison with data from cis -eQTL enrichment, functional fine-mapping, RNA co-expression, and patterns of physiological association. In addition to implicating signals with a single tissue-of-action, we also found evidence for signals with shared effects in multiple tissues as well as distinct tissue profiles between independent signals within heterogeneous loci. Lastly, we demonstrated that TOA scores can be directly coupled with eQTL colocalization to further resolve effector transcripts at T2D signals. This framework guides mechanistic inference by directing functional validation studies to the most relevant tissues and can gain power as fine-mapping resolution and cell-specific annotations become richer. This method is generalizable to all complex traits with relevant annotation data and is made available as an R package.

There is particular interest in transcriptome-wide association studies (TWAS) - gene-level tests based on multi-SNP predictive models of gene expression - for identifying causal genes at loci associated with complex traits. However, interpretation of TWAS associations may be complicated by divergent effects of model SNPs on trait phenotype and gene expression. We developed an iterative modelling scheme for obtaining multi-SNP models of gene expression and applied this framework to generate expression models for 43 human tissues from the Genotype-Tissues Expression (GTEx) Project. We characterized the performance of single- and multi-SNP TWAS models for identifying causal genes in GWAS data for 46 circulating metabolites. We show that: (a) multi-SNP models captured more variation in expression than the top cis-eQTL (median 2 fold improvement); (b) predicted expression based on multi-SNP models was associated (FDR<0.01) with metabolite levels for 826 unique gene-metabolite pairs, but, after step-wise conditional analyses, 90% were dominated by a single eQTL SNP; (c) amongst the 35% of associations where a SNP in the expression model was a significant cis-eQTL and metabolomic-QTL (met-QTL), 92% demonstrated colocalization between these signals, but interpretation was often complicated by incomplete overlap of QTLs in multi-SNP models; (d) using a "truth" set of causal genes at 61 met-QTLs, the sensitivity was high (67%), but the positive predictive value was low, as only 8% of TWAS associations at met-QTLs involved true causal genes. These results guide the interpretation of TWAS and highlight the need for corroborative data to provide confident assignment of causality.