Abstract We conducted genome-wide association studies (GWAS) of relative intake from the macronutrients fat, protein, carbohydrates, and sugar in over 235,000 individuals of European ancestries. We identified 21 unique, approximately independent lead SNPs. Fourteen lead SNPs are uniquely associated with one macronutrient at genome-wide significance ( P < 5 × 10 −8 ), while five of the 21 lead SNPs reach suggestive significance ( P < 1 × 10 −5 ) for at least one other macronutrient. While the phenotypes are genetically correlated, each phenotype carries a partially unique genetic architecture. Relative protein intake exhibits the strongest relationships with poor health, including positive genetic associations with obesity, type 2 diabetes, and heart disease ( r g ≈ 0.15–0.5). In contrast, relative carbohydrate and sugar intake have negative genetic correlations with waist circumference, waist-hip ratio, and neighborhood deprivation (| r g | ≈ 0.1–0.3) and positive genetic correlations with physical activity ( r g ≈ 0.1 and 0.2). Relative fat intake has no consistent pattern of genetic correlations with poor health but has a negative genetic correlation with educational attainment ( r g ≈−0.1). Although our analyses do not allow us to draw causal conclusions, we find no evidence of negative health consequences associated with relative carbohydrate, sugar, or fat intake. However, our results are consistent with the hypothesis that relative protein intake plays a role in the etiology of metabolic dysfunction.

ABSTRACT Measurement error in polygenic indices (PGIs) attenuates the estimation of their effects in regression models. While this measurement error shrinks with growing Genome-wide Association Study (GWAS) sample sizes, the marginal returns to bigger sample sizes are rapidly decreasing. We analyze and compare two alternative approaches to reduce measurement error: Obviously Related Instrumental Variables (ORIV) and the PGI Repository Correction (PGI-RC). Through simulations, we show that both approaches outperform the typical (meta-analysis based) PGI in terms of bias and root mean squared error. Between families, the PGI-RC performs slightly better than ORIV, unless the prediction sample is very small ( N < 1, 000), or when there is considerable assortative mating. Within families, ORIV is the default choice since the PGI-RC is not available in this setting. We verify the empirical validity of the simulations by predicting educational attainment (EA) and height in a sample of siblings from the UK Biobank. We show that applying ORIV between families increases the standardized effect of the PGI by 12% (height) and by 22% (EA) compared to a meta-analysis-based PGI, yet remains slightly below the PGI-RC estimates. Furthermore, within-family ORIV regression provides the tightest lower bound for the direct genetic effect, increasing the lower bound for the direct genetic effect on EA from 0.14 to 0.18, and for height from 0.54 to 0.61 compared to a meta-analysis-based PGI.

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 Polygenic indices (PGIs) are increasingly used to identify individuals at high risk of developing diseases and disorders and are advocated as a screening tool for personalised intervention in medicine and education. The performance of PGIs is typically assessed in terms of the amount of phenotypic variance they explain in independent prediction samples. However, the correct ranking of individuals in the PGI distribution is a more important performance metric when identifying individuals at high genetic risk. We empirically assess the rank concordance between PGIs that are created with different construction methods and discovery samples, focusing on cardiovascular disease (CVD) and educational attainment (EA). We find that the rank correlations between the constructed PGIs vary strongly (Spearman correlations between 0.17 and 0.94 for CVD, and between 0.40 and 0.85 for EA), indicating highly unstable rankings across different PGIs for the same trait. Simulations show that measurement error in PGIs is responsible for a substantial part of PGI rank discordance. Potential consequences for personalised medicine in CVD and research on gene-environment (G×E) interplay are illustrated using data from the UK Biobank.

We conducted a genome-wide association study of subjective well-being (SWB) in 298,420 individuals. We also performed auxiliary analyses of depressive symptoms ("DS"; N = 161,460) and neuroticism (N = 170,910), both of which have a substantial genetic correlation with SWB (ρ≈-0.8). We identify three SNPs associated with SWB at genome-wide significance. Two of them are significantly associated with DS in an independent sample. In our auxiliary analyses, we identify 13 additional genome-wide-significant associations: two with DS and eleven with neuroticism, including two inversion polymorphisms. Across our phenotypes, loci regulating expression in central nervous system and adrenal/pancreas tissues are enriched. The discovery of genetic loci associated with the three phenotypes we study has proven elusive; our findings illustrate the payoffs from studying them jointly.

We conducted genome-wide association study (GWAS) meta-analyses of relative caloric intake from fat, protein, carbohydrates and sugar in over 235,000 individuals. We identified 21 approximately independent lead SNPs. Relative protein intake exhibits the strongest relationships with poor health, including positive genetic associations with obesity, type 2 diabetes, and heart disease (rg ≈ 0.15-0.5). Relative carbohydrate and sugar intake have negative genetic correlations with waist circumference, waist-hip ratio, and neighborhood poverty (|rg| ≈ 0.1-0.3). Overall, our results show that the relative intake of each macronutrient has a distinct genetic architecture and pattern of genetic correlations suggestive of health implications beyond caloric content.

A single dimension of general psychopathology, p, has been hypothesized to represent a general liability that spans multiple types of psychiatric disorders and non-clinical variation in psychiatric symptoms across the lifespan. We conducted genome-wide association analyses of lifetime symptoms of mania, psychosis, irritability in 124,952 to 208,315 individuals from UK Biobank, and then applied Genomic SEM to model the genetic relationships between these psychiatric symptoms and clinically-defined psychiatric disorders (schizophrenia, bipolar disorder, major depressive disorder). Two dimensions of cross-cutting genetic liability emerged: general vulnerability to self-reported symptoms (pself) versus transdiagnostic vulnerability to clinically-diagnosed disease (pclinician). These were only modestly correlated (rg = .344). Multivariate GWAS identified 145 and 11 independent and genome-wide significant loci for pclinician and pself, respectively, and improved polygenic prediction, relative to univariate GWAS, in hold-out samples. Despite the severe impairments in occupational and educational functioning seen in patients with schizophrenia and bipolar disorder, pself showed stronger and more pervasive genetic correlations with facets of socioeconomic disadvantage (educational attainment, income, and neighborhood deprivation), whereas pclinician was more strongly associated with medical disorders unrelated to the brain. Genetic variance in pclinician that was unrelated to general vulnerability to psychiatric symptoms was associated with less socioeconomic disadvantage, suggesting positive selection biases in clinical samples used in psychiatric GWAS. These findings inform criticisms of psychiatric nosology by suggesting that cross-disorder genetic liabilities identified in GWASs of clinician-defined psychiatric disease are relatively distinct from genetic liabilities operating on self-reported symptom variation in the general population.