ABSTRACT We present a new method, Multi-Ancestry Meta-Analysis (MAMA), which combines genome-wide association study (GWAS) summary statistics from multiple populations to produce new summary statistics for each population, identifying novel loci that would not have been discovered in either set of GWAS summary statistics alone. In simulations, MAMA increases power with less bias and generally lower type-1 error rate than other multi-ancestry meta-analysis approaches. We apply MAMA to 23 phenotypes in East-Asian- and European-ancestry populations and find substantial gains in power. In an independent sample, novel genetic discoveries from MAMA replicate strongly.

Abstract Genome-wide association studies (GWAS) are not fully comprehensive as current strategies typically test only the additive model, exclude the X chromosome, and use only one reference panel for genotype imputation. We implemented an extensive GWAS strategy, GUIDANCE, which improves genotype imputation by using multiple reference panels, includes the analysis of the X chromosome and non-additive models to test for association. We applied this methodology to 62,281 subjects across 22 age-related diseases and identified 94 genome-wide associated loci, including 26 previously unreported. We observed that 27.6% of the 94 loci would be missed if we only used standard imputation strategies and only tested the additive model. Among the new findings, we identified three novel low-frequency recessive variants with odds ratios larger than 4, which would need at least a three-fold larger sample size to be detected under the additive model. This study highlights the benefits of applying innovative strategies to better uncover the genetic architecture of complex diseases.

ABSTRACT Response to survey questionnaires is vital for social and behavioral research, and most analyses assume full and accurate response by survey participants. However, nonresponse is common and impedes proper interpretation and generalizability of results. We examined item nonresponse behavior across 109 questionnaire items from the UK Biobank (UKB) (N=360,628). Phenotypic factor scores for two participant-selected nonresponse answers, “Prefer not to answer” (PNA) and “I don’t know” (IDK), each predicted participant nonresponse in follow-up surveys, controlling for education and self-reported general health. We performed genome-wide association studies on these factors and identified 39 genome-wide significant loci, and further validated these effects with polygenic scores in an independent study (N=3,414), gaining information that we could not have had from phenotypic data alone. PNA and IDK were highly genetically correlated with one another and with education, health, and income, although unique genetic effects were also observed for both PNA and IDK. We discuss how these effects may bias studies of traits correlated with nonresponse and how genetic analyses can further enhance our understanding of nonresponse behaviors in survey research, for instance by helping to correct for nonresponse bias.

Abstract Pattern similarity analyses are increasingly used to characterize coding properties of brain regions, but relatively few have focused on cognitive control processes in FrontoParietal regions. Here, we use the Human Connectome Project (HCP) N-back task fMRI dataset to examine individual differences and genetic influences on the coding of working memory load (0-back, 2-back) and perceptual category (Face, Place). Participants were grouped into 105 MZ (monozygotic) twin, 78 DZ (dizygotic) twin, 99 non-twin sibling, and 100 unrelated pairs. Activation pattern similarity was used to test the hypothesis that FrontoParietal regions would have higher similarity for same load conditions, while Visual regions would have higher similarity in same perceptual category conditions. Results confirmed this highly robust regional double dissociation in neural coding, which also predicted individual differences in behavioral performance. In pair-based analyses, anatomically-selective genetic relatedness effects were observed: relatedness predicted greater activation pattern similarity in FrontoParietal only for load coding, and in Visual only for perceptual coding. Further, in related pairs, the similarity of load coding in FrontoParietal regions was uniquely associated with behavioral performance. Together, these results highlight the power of task fMRI pattern similarity analyses for detecting key coding and heritability features of brain regions.

Genetic association results are often interpreted with the assumption that study participation does not affect downstream analyses. Understanding the genetic basis of this participation bias is challenging as it requires the genotypes of unseen individuals. However, we demonstrate that it is possible to estimate comparative biases by performing GWAS contrasting one subgroup versus another. For example, we show that sex exhibits autosomal heritability in the presence of sex-differential participation bias. By performing a GWAS of sex in ~3.3 million males and females, we identify over 150 autosomal loci significantly associated with sex and highlight complex traits underpinning differences in study participation between sexes. For example, the body mass index (BMI) increasing allele at the FTO locus was observed at higher frequency in males compared to females (OR 1.02 [1.02-1.03], P=4.4x10-36). Finally, we demonstrate how these biases can potentially lead to incorrect inferences in downstream analyses and propose a conceptual framework for addressing such biases. Our findings highlight a new challenge that genetic studies may face as sample sizes continue to grow.

Background: There are high levels of comorbidity between schizophrenia and substance use disorder, but little is known about the genetic etiology of this comorbidity. Methods: Here, we test the hypothesis that shared genetic liability contributes to the high rates of comorbidity between schizophrenia and substance use disorder. To do this, polygenic risk scores for schizophrenia derived from a large meta-analysis by the Psychiatric Genomics Consortium were computed in three substance use disorder datasets: COGEND (ascertained for nicotine dependence n=918 cases, 988 controls), COGA (ascertained for alcohol dependence n=643 cases, 384 controls), and FSCD (ascertained for cocaine dependence n=210 cases, 317 controls). Phenotypes were harmonized across the three datasets and standardized analyses were performed. Genome-wide genotypes were imputed to 1000 Genomes reference panel. Results: In each individual dataset and in the mega-analysis, strong associations were observed between any substance use disorder diagnosis and the polygenic risk score for schizophrenia (mega-analysis pseudo R2 range 0.8%-3.7%, minimum p=4x10-23). Conclusions: These results suggest that comorbidity between schizophrenia and substance use disorder is partially attributable to shared polygenic liability. This shared liability is most consistent with a general risk for substance use disorder rather than specific risks for individual substance use disorders and adds to increasing evidence of a blurred boundary between schizophrenia and substance use disorder.