Importance

 Observational studies have shown associations of birth weight with type 2 diabetes (T2D) and glycemic traits, but it remains unclear whether these associations represent causal associations. 

Objective

 To test the association of birth weight with T2D and glycemic traits using a mendelian randomization analysis. 

Design, Setting, and Participants

 This mendelian randomization study used a genetic risk score for birth weight that was constructed with 7 genome-wide significant single-nucleotide polymorphisms. The associations of this score with birth weight and T2D were tested in a mendelian randomization analysis using study-level data. The association of birth weight with T2D was tested using both study-level data (7 single-nucleotide polymorphisms were used as an instrumental variable) and summary-level data from the consortia (43 single-nucleotide polymorphisms were used as an instrumental variable). Data from 180 056 participants from 49 studies were included. 

Main Outcomes and Measures

 Type 2 diabetes and glycemic traits. 

Results

 This mendelian randomization analysis included 49 studies with 41 155 patients with T2D and 80 008 control participants from study-level data and 34 840 patients with T2D and 114 981 control participants from summary-level data. Study-level data showed that a 1-SD decrease in birth weight due to the genetic risk score was associated with higher risk of T2D among all participants (odds ratio [OR], 2.10; 95% CI, 1.69-2.61;P = 4.03 × 10⁻⁵), among European participants (OR, 1.96; 95% CI, 1.42-2.71;P = .04), and among East Asian participants (OR, 1.39; 95% CI, 1.18-1.62;P = .04). Similar results were observed from summary-level analyses. In addition, each 1-SD lower birth weight was associated with 0.189 SD higher fasting glucose concentration (β = 0.189; SE = 0.060;P = .002), but not with fasting insulin, 2-hour glucose, or hemoglobin A_1cconcentration. 

Conclusions and Relevance

 In this study, a genetic predisposition to lower birth weight was associated with increased risk of T2D and higher fasting glucose concentration, suggesting genetic effects on retarded fetal growth and increased diabetes risk that either are independent of each other or operate through alterations of integrated biological mechanisms.

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.

Insulin resistance (IR) and inflammation are hallmarks of type 2 diabetes (T2D). The nod-like receptor pyrin domain containing-3 (NLRP3) inflammasome is a metabolic sensor activated by saturated fatty acids (SFA) initiating IL-1β inflammation and IR. Interactions between SFA intake and NLRP3-related genetic variants may alter T2D risk factors.Meta-analyses of six Cohorts for Heart and Aging Research in Genomic Epidemiology Consortium (n = 19 005) tested interactions between SFA and NLRP3-related single-nucleotide polymorphisms (SNPs) and modulation of fasting insulin, fasting glucose, and homeostasis model assessment of insulin resistance.SFA interacted with rs12143966, wherein each 1% increase in SFA intake increased insulin by 0.0063 IU mL-1 (SE ± 0.002, p = 0.001) per each major (G) allele copy. rs4925663, interacted with SFA (β ± SE = -0.0058 ± 0.002, p = 0.004) to increase insulin by 0.0058 IU mL-1 , per additional copy of the major (C) allele. Both associations are close to the significance threshold (p < 0.0001). rs4925663 causes a missense mutation affecting NLRP3 expression.Two NLRP3-related SNPs showed potential interaction with SFA to modulate fasting insulin. Greater dietary SFA intake accentuates T2D risk, which, subject to functional validation, may be further elaborated depending on NLRP3-related genetic variants.

Human height can be divided into sitting height and leg length, reflecting growth of different parts of the skeleton whose relative proportions are captured by the ratio of sitting to total height (as sitting height ratio, SHR). Height is a highly heritable trait, and its genetic basis has been well-studied. However, the genetic determinants of skeletal proportion are much less well-characterized. Expanding substantially on past work, we performed a genome-wide association study (GWAS) of SHR in ∼450,000 individuals with European ancestry and ∼100,000 individuals with East Asian ancestry from the UK and China Kadoorie Biobanks. We identified 565 loci independently associated with SHR, including all genomic regions implicated in prior GWAS in these ancestries. While SHR loci largely overlap height-associated loci (P < 0.001), the fine-mapped SHR signals were often distinct from height. We additionally used fine-mapped signals to identify 36 credible sets with heterogeneous effects across ancestries. Lastly, we used SHR, sitting height, and leg length to identify genetic variation acting on specific body regions rather than on overall human height.

Abstract A major challenge of genome-wide association studies (GWAS) is to translate phenotypic associations into biological insights. Here, we integrate a large GWAS on blood lipids involving 1.6 million individuals from five ancestries with a wide array of functional genomic datasets to discover regulatory mechanisms underlying lipid associations. We first prioritize lipid-associated genes with expression quantitative trait locus (eQTL) colocalizations, and then add chromatin interaction data to narrow the search for functional genes. Polygenic enrichment analysis across 697 annotations from a host of tissues and cell types confirms the central role of the liver in lipid levels, and highlights the selective enrichment of adipose-specific chromatin marks in high-density lipoprotein cholesterol and triglycerides. Overlapping transcription factor (TF) binding sites with lipid-associated loci identifies TFs relevant in lipid biology. In addition, we present an integrative framework to prioritize causal variants at GWAS loci, producing a comprehensive list of candidate causal genes and variants with multiple layers of functional evidence. Two prioritized genes, CREBRF and RRBP1 , show convergent evidence across functional datasets supporting their roles in lipid biology.

Identification of coding variant associations for complex diseases offers a direct route to biological insight, but is dependent on appropriate inference concerning the causal impact of those variants on disease risk. We aggregated coding variant data for 81,412 type 2 diabetes (T2D) cases and 370,832 controls of diverse ancestry, identifying 40 distinct coding variant association signals (at 38 loci) reaching significance (p<2.2x10-7). Of these, 16 represent novel associations mapping outside known genome-wide association study (GWAS) signals. We make two important observations. First, despite a threefold increase in sample size over previous efforts, only five of the 40 signals are driven by variants with minor allele frequency <5%, and we find no evidence for low-frequency variants with allelic odds ratio >1.29. Second, we used GWAS data from 50,160 T2D cases and 465,272 controls of European ancestry to fine-map these associated coding variants in their regional context, with and without additional weighting to account for the global enrichment of complex trait association signals in coding exons. At the 37 signals for which we attempted fine-mapping, we demonstrate convincing support (posterior probability >80% under the 'annotation-weighted' model) that coding variants are causal for the association at 16 (including novel signals involving POC5 p.His36Arg, ANKH p.Arg187Gln, WSCD2 p.Thr113Ile, PLCB3 p.Ser778Leu, and PNPLA3 p.Ile148Met). However, at 13 of the 37 loci, the associated coding variants represent 'false leads' and naïve analysis could have led to an erroneous inference regarding the effector transcript mediating the signal. Accurate identification of validated targets is dependent on correct specification of the contribution of coding and non-coding mediated mechanisms at associated loci.

Body fat distribution is a heritable risk factor for a range of adverse health consequences, including hyperlipidemia and type 2 diabetes. To identify protein-coding variants associated with body fat distribution, assessed by waist-to-hip ratio adjusted for body mass index, we analyzed 228,985 predicted coding and splice site variants available on exome arrays in up to 344,369 individuals from five major ancestries for discovery and 132,177 independent European-ancestry individuals for validation. We identified 15 common (minor allele frequency, MAF ≥ 5%) and 9 low frequency or rare (MAF < 5%) coding variants that have not been reported previously. Pathway/gene set enrichment analyses of all associated variants highlight lipid particle, adiponectin level, abnormal white adipose tissue physiology, and bone development and morphology as processes affecting fat distribution and body shape. Furthermore, the cross-trait associations and the analyses of variant and gene function highlight a strong connection to lipids, cardiovascular traits, and type 2 diabetes. In functional follow-up analyses, specifically in Drosophila RNAi-knockdown crosses, we observed a significant increase in the total body triglyceride levels for two genes (DNAH10 and PLXND1). By examining variants often poorly tagged or entirely missed by genome-wide association studies, we implicate novel genes in fat distribution, stressing the importance of interrogating low-frequency and protein-coding variants.

Abstract Findings from genome-wide association studies have facilitated the generation of genetic predictors for many common human phenotypes. Stratifying individuals misaligned to a genetic predictor based on common variants may be important for follow-up studies that aim to identify alternative causal factors. Using genome-wide imputed genetic data, we aimed to classify 158,951 unrelated individuals from the UK Biobank as either concordant or deviating from two well-measured phenotypes. We first applied our methods to standing height: our primary analysis classified 244 individuals (0.15%) as misaligned to their genetically predicted height. We show that these individuals are enriched for self-reporting being shorter or taller than average at age 10, diagnosed congenital malformations, and rare loss-of-function variants in genes previously catalogued as causal for growth disorders. Secondly, we apply our methods to LDL cholesterol. We classified 156 (0.12%) individuals as misaligned to their genetically predicted LDL cholesterol and show that these individuals were enriched for both clinically actionable cardiovascular risk factors and rare genetic variants in genes previously shown to be involved in metabolic processes. Individuals whose LDL-C was higher than expected based on the genetic predictor were also at higher risk of developing coronary artery disease and type-two diabetes, even after adjustment for measured LDL-C, BMI and age, suggesting upward deviation from genetically predicted LDL-C is indicative of generally poor health. Our results remained broadly consistent when performing sensitivity analysis based on a variety of parametric and non-parametric methods to define individuals deviating from polygenic expectation. Our analyses demonstrate the potential importance of quantitatively identifying individuals for further follow-up based on deviation from genetic predictions. Author Summary Human genetics is becoming increasingly useful to help predict human traits across a population owing to findings from large-scale genetic association studies and advances in the power of genetic predictors. This provides an opportunity to potentially identify individuals that deviate from genetic predictions for a common phenotype under investigation. For example, an individual may be genetically predicted to be tall, but be shorter than expected. It is potentially important to identify individuals who deviate from genetic predictions as this can facilitate further follow-up to assess likely causes. Using 158,951 unrelated individuals from the UK Biobank, with height and LDL cholesterol, as exemplar traits, we demonstrate that approximately 0.15% & 0.12% of individuals deviate from their genetically predicted phenotypes respectively. We observed these individuals to be enriched for a range of rare clinical diagnoses, as well as rare genetic factors that may be causal. Our analyses also demonstrate several methods for detecting individuals who deviate from genetic predictions that can be applied to a range of continuous human phenotypes.

Metabolic dysregulation in multiple tissues alters glucose homeostasis and influences risk for type 2 diabetes (T2D). To identify pathways and tissues influencing T2D-relevant glycemic traits (fasting glucose [FG], fasting insulin [FI], two-hour glucose [2hGlu] and glycated hemoglobin [HbA1c]), we investigated associations of exome-array variants in up to 144,060 individuals without diabetes of multiple ancestries. Single-variant analyses identified novel associations at 21 coding variants in 18 novel loci, whilst gene-based tests revealed signals at two genes, TF (HbA1c) and G6PC (FG, FI). Pathway and tissue enrichment analyses of trait-associated transcripts confirmed the importance of liver and kidney for FI and pancreatic islets for FG regulation, implicated adipose tissue in FI and the gut in 2hGlu, and suggested a role for the non-endocrine pancreas in glucose homeostasis. Functional studies demonstrated that a novel FG/FI association at the liver-enriched G6PC transcript was driven by multiple rare loss-of-function variants. The FG/HbA1c-associated, islet-specific G6PC2 transcript also contained multiple rare functional variants, including two alleles within the same codon with divergent effects on glucose levels. Our findings highlight the value of integrating genomic and functional data to maximize biological inference.

We investigated by Mendelian Randomisation (MR) analyses the causal effect of adult height on coronary artery disease (CAD) (23,755 cases, 425,339 controls) and type 2 diabetes (T2D) (29,427 cases, 416,908 controls) in UK Biobank. We then examined whether such effects are mediated via known cardiometabolic risk factors including body mass index (BMI), glycaemic traits, lipid levels and blood pressure. We further cross-checked our findings by two-sample MR and Multivariate MR analyses with publicly available summary statistics data. One standard deviation (SD) higher genetically determined height (~6.5 cm) was causally associated with a 14% decrease in CAD risk (OR= 0.86, 95% CI= 0.79-0.94). This causal association remained significant after performing sensitivity analyses relaxing pleiotropy assumptions. The causal effect of height on CAD risk appeared to be independent of risk factors such as lipid levels, blood pressure and BMI; association was reduced by only 1-3% after adjustment for potential mediators. We observed no direct causal effect of height on T2D risk, once its effect on BMI was taken into account (OR= 0.99, 95% CI= 0.96-1.02), suggesting that BMI acts as a mediator.