Differences in health status by socioeconomic position (SEP) tend to be more evident at older ages, suggesting the involvement of a biological mechanism responsive to the accumulation of deleterious exposures across the lifespan.DNA methylation (DNAm) has been proposed as a biomarker of biological aging that conserves memory of endogenous and exogenous stress during life.We examined the association of education level, as an indicator of SEP, and lifestyle-related variables with four biomarkers of age-dependent DNAm dysregulation: the total number of stochastic epigenetic mutations (SEMs) and three epigenetic clocks (Horvath, Hannum and Levine), in 18 cohorts spanning 12 countries.The four biological aging biomarkers were associated with education and different sets of risk factors independently, and the magnitude of the effects differed depending on the biomarker and the predictor.On average, the effect of low education on epigenetic aging was comparable with those of other lifestyle-related risk factors (obesity, alcohol intake), with the exception of smoking, which had a significantly stronger effect.Our study shows that low education is an independent predictor of accelerated biological (epigenetic) aging and that epigenetic clocks appear to be good candidates for disentangling the biological pathways underlying social inequalities in healthy aging and longevity.

OBJECTIVE To investigate the role of epigenetics in statins’ diabetogenic effect comparing DNA methylation (DNAm) between statin users and nonusers in an epigenome-wide association study in blood. RESEARCH DESIGN AND METHODS Five cohort studies’ participants (n = 8,270) were classified as statin users when they were on statin therapy at the time of DNAm assessment with Illumina 450K or EPIC array or noncurrent users otherwise. Associations of DNAm with various outcomes like incident type 2 diabetes, plasma glucose, insulin, and insulin resistance (HOMA of insulin resistance [HOMA-IR]) as well as with gene expression were investigated. RESULTS Discovery (n = 6,820) and replication (n = 1,450) phases associated five DNAm sites with statin use: cg17901584 (1.12 × 10−25 [DHCR24]), cg10177197 (3.94 × 10−08 [DHCR24]), cg06500161 (2.67 × 10−23 [ABCG1]), cg27243685 (6.01 × 10−09 [ABCG1]), and cg05119988 (7.26 × 10−12 [SC4MOL]). Two sites were associated with at least one glycemic trait or type 2 diabetes. Higher cg06500161 methylation was associated with higher fasting glucose, insulin, HOMA-IR, and type 2 diabetes (odds ratio 1.34 [95% CI 1.22, 1.47]). Mediation analyses suggested that ABCG1 methylation partially mediates the effect of statins on high insulin and HOMA-IR. Gene expression analyses showed that statin exposure and ABCG1 methylation were associated with ABCG1 downregulation, suggesting epigenetic regulation of ABCG1 expression. Further, outcomes insulin and HOMA-IR were significantly associated with ABCG1 expression. CONCLUSIONS This study sheds light on potential mechanisms linking statins with type 2 diabetes risk, providing evidence on DNAm partially mediating statins’ effects on insulin traits. Further efforts shall disentangle the molecular mechanisms through which statins may induce DNAm changes, potentially leading to ABCG1 epigenetic regulation.

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 Biological ageing estimators derived from DNA methylation (DNAm) data are heritable and correlate with morbidity and mortality. Leveraging DNAm and SNP data from >41,000 individuals, we identify 137 genome-wide significant loci (113 novel) from meta-analyses of four epigenetic clocks and epigenetic surrogate markers for granulocyte proportions and plasminogen activator inhibitor 1 levels, respectively. We report strong genetic correlations with longevity and lifestyle factors such as smoking, education, and obesity. Significant associations are observed in polygenic risk score analysis and to a lesser extent in Mendelian randomization analyses. This study illuminates the genetic architecture underlying epigenetic ageing and its shared genetic contributions with lifestyle factors and longevity.

Background: Dietary intake of antioxidants such as vitamins C and E protect against oxidative stress, and may also be associated with altered DNA methylation patterns.Methods: We meta-analysed epigenome-wide association study (EWAS) results from 11,866 participants across eight population-based cohorts to evaluate the association between self-reported dietary and supplemental intake of vitamins C and E with DNA methylation. EWAS were adjusted for age, sex, BMI, caloric intake, blood cell type proportion, smoking status, alcohol consumption, and technical covariates. Significant results of the meta-analysis were subsequently evaluated in gene set enrichment analysis (GSEA) and expression quantitative trait methylation (eQTM) analysis.Results: In meta-analysis, methylation at 4,656 CpG sites was significantly associated with vitamin C intake at FDR ≤ 0.05. The most significant CpG sites associated with vitamin C (at FDR ≤ 0.01) were enriched for pathways associated with systems development and cell signalling in GSEA, and were associated with downstream expression of genes enriched in the immune response in eQTM analysis. Furthermore, methylation at 160 CpG sites was significantly associated with vitamin E intake at FDR ≤ 0.05, but GSEA and eQTM analysis of the top most significant CpG sites associated with vitamin E did not identify significant enrichment of any biological pathways investigated.Conclusions: We identified significant associations of many CpG sites with vitamin C and E intake, and our results suggest that vitamin C intake may be associated with systems development and the immune response.

Genome-wide association analyses using high-throughput metabolomics platforms have led to novel insights into the biology of human metabolism1-7. This detailed knowledge of the genetic determinants of systemic metabolism has been pivotal for uncovering how genetic pathways influence biological mechanisms and complex diseases8-11. Here we present a genome-wide association study for 233 circulating metabolic traits quantified by nuclear magnetic resonance spectroscopy in up to 136,016 participants from 33 cohorts. We identify more than 400 independent loci and assign probable causal genes at two-thirds of these using manual curation of plausible biological candidates. We highlight the importance of sample and participant characteristics that can have significant effects on genetic associations. We use detailed metabolic profiling of lipoprotein- and lipid-associated variants to better characterize how known lipid loci and novel loci affect lipoprotein metabolism at a granular level. We demonstrate the translational utility of comprehensively phenotyped molecular data, characterizing the metabolic associations of intrahepatic cholestasis of pregnancy. Finally, we observe substantial genetic pleiotropy for multiple metabolic pathways and illustrate the importance of careful instrument selection in Mendelian randomization analysis, revealing a putative causal relationship between acetone and hypertension. Our publicly available results provide a foundational resource for the community to examine the role of metabolism across diverse diseases.

Abstract DNA methylation profiles of aggressive behavior may capture lifetime cumulative effects of genetic, stochastic, and environmental influences associated with aggression. Here, we report the first large meta-analysis of epigenome-wide association studies (EWAS) of aggressive behavior (N=15,324 participants). In peripheral blood samples of 14,434 participants from 18 cohorts with mean ages ranging from 7 to 68 years, 13 methylation sites were significantly associated with aggression (alpha=1.2×10 −7 ; Bonferroni correction). In cord blood samples of 2,425 children from five cohorts with aggression assessed at mean ages ranging from 4 to 7 years, 83% of these sites showed the same direction of association with childhood aggression ( r =0.74, p=0.006) but no epigenome-wide significant sites were found. Top-sites (48 at a false discovery rate of 5% in the peripherl blood meta-analysis or in a combined meta-analysis of peripheral blood and cord blood) have been associated with chemical exposures, smoking, cognition, metabolic traits, and genetic variation (mQTLs). Three genes whose expression levels were associated with top-sites were previously linked to schizophrenia and general risk tolerance. At six CpGs, DNA methylation variation in blood mirrors variation in the brain. On average 44% (range=3-82%) of the aggression–methylation association was explained by current and former smoking and BMI. These findings point at loci that are sensitive to chemical exposures with potential implications for neuronal functions. We hope these results to be a starting point for studies leading to applications as peripheral biomarkers and to reveal causal relationships with aggression and related traits.

Abstract Aims and methods Our aim was to characterise the methylation level of a polymorphically imprinted gene, VTRNA2-1 / nc886 , in human populations and somatic tissues. We utilised 48 datasets, consisting of >30 different tissues and >30 000 individuals. Results We show that the nc886 methylation status is associated with twin status and ethnic background, but the variation between populations is limited. Monozygotic twin pairs present concordant methylation, while ∼30% of dizygotic twin pairs present discordant methylation in the nc886 locus. The methylation levels of nc886 are uniform across somatic tissues, except in cerebellum and skeletal muscle. Conclusion We hypothesize that the nc886 imprint is established in the oocyte and that after implantation, the methylation status is stable, excluding a few specific tissues.

Abstract Aims Coronary artery disease (CAD) is a highly prevalent disease with modifiable risk factors. In patients with suspected obstructive CAD, evaluating the pre-test probability model is crucial for diagnosis, although its accuracy remains controversial. Machine learning (ML) predictive models can help clinicians detect CAD early and improve outcomes. This study aimed to identify early-stage CAD using ML in conjunction with a panel of clinical and laboratory tests. Methods and results The study sample included 3316 patients enrolled in the Ludwigshafen Risk and Cardiovascular Health (LURIC) study. A comprehensive array of attributes was considered, and an ML pipeline was developed. Subsequently, we utilized five approaches to generating high-quality virtual patient data to improve the performance of the artificial intelligence models. An extension study was carried out using data from the Young Finns Study (YFS) to assess the results’ generalizability. Upon applying virtual augmented data, accuracy increased by approximately 5%, from 0.75 to –0.79 for random forests (RFs), and from 0.76 to –0.80 for Gradient Boosting (GB). Sensitivity showed a significant boost for RFs, rising by about 9.4% (0.81–0.89), while GB exhibited a 4.8% increase (0.83–0.87). Specificity showed a significant boost for RFs, rising by ∼24% (from 0.55 to 0.70), while GB exhibited a 37% increase (from 0.51 to 0.74). The extension analysis aligned with the initial study. Conclusion Accurate predictions of angiographic CAD can be obtained using a set of routine laboratory markers, age, sex, and smoking status, holding the potential to limit the need for invasive diagnostic techniques. The extension analysis in the YFS demonstrated the potential of these findings in a younger population, and it confirmed applicability to atherosclerotic vascular disease.

In recent years, there has been a notably increased interest in the study of multivariate interactions and emergent higher-order dependencies. This is particularly evident in the context of identifying synergistic sets, which are defined as combinations of elements whose joint interactions result in the emergence of information that is not present in any individual subset of those elements. The scalability of frameworks such as partial information decomposition (PID) and those based on multivariate extensions of mutual information, such as O-information, is limited by combinational explosion in the number of sets that must be assessed. In order to address these challenges, we propose a novel approach that utilises stochastic search strategies in order to identify synergistic triplets within datasets. Furthermore, the methodology is extensible to larger sets and various synergy measures. By employing stochastic search, our approach circumvents the constraints of exhaustive enumeration, offering a scalable and efficient means to uncover intricate dependencies. The flexibility of our method is illustrated through its application to two epidemiological datasets: The Young Finns Study and the UK Biobank Nuclear Magnetic Resonance (NMR) data. Additionally, we present a heuristic for reducing the number of synergistic sets to analyse in large datasets by excluding sets with overlapping information. We also illustrate the risks of performing a feature selection before assessing synergistic information in the system.