Hugh Watkins and colleagues meta-analyze data from the UK Biobank along with recent genome-wide association studies for coronary artery disease. They identify 13 new loci that were genome-wide significant and 243 loci at a 5% false discovery rate. Genome-wide association studies (GWAS) in coronary artery disease (CAD) had identified 66 loci at 'genome-wide significance' (P < 5 × 10−8) at the time of this analysis, but a much larger number of putative loci at a false discovery rate (FDR) of 5% (refs. 1,2,3,4). Here we leverage an interim release of UK Biobank (UKBB) data to evaluate the validity of the FDR approach. We tested a CAD phenotype inclusive of angina (SOFT; ncases = 10,801) as well as a stricter definition without angina (HARD; ncases = 6,482) and selected cases with the former phenotype to conduct a meta-analysis using the two most recent CAD GWAS2,3. This approach identified 13 new loci at genome-wide significance, 12 of which were on our previous list of loci meeting the 5% FDR threshold2, thus providing strong support that the remaining loci identified by FDR represent genuine signals. The 304 independent variants associated at 5% FDR in this study explain 21.2% of CAD heritability and identify 243 loci that implicate pathways in blood vessel morphogenesis as well as lipid metabolism, nitric oxide signaling and inflammation.

Genome-wide association studies have so far identified 56 loci associated with risk of coronary artery disease (CAD). Many CAD loci show pleiotropy; that is, they are also associated with other diseases or traits. This study sought to systematically test if genetic variants identified for non-CAD diseases/traits also associate with CAD and to undertake a comprehensive analysis of the extent of pleiotropy of all CAD loci. In discovery analyses involving 42,335 CAD cases and 78,240 control subjects we tested the association of 29,383 common (minor allele frequency >5%) single nucleotide polymorphisms available on the exome array, which included a substantial proportion of known or suspected single nucleotide polymorphisms associated with common diseases or traits as of 2011. Suggestive association signals were replicated in an additional 30,533 cases and 42,530 control subjects. To evaluate pleiotropy, we tested CAD loci for association with cardiovascular risk factors (lipid traits, blood pressure phenotypes, body mass index, diabetes, and smoking behavior), as well as with other diseases/traits through interrogation of currently available genome-wide association study catalogs. We identified 6 new loci associated with CAD at genome-wide significance: on 2q37 (KCNJ13-GIGYF2), 6p21 (C2), 11p15 (MRVI1-CTR9), 12q13 (LRP1), 12q24 (SCARB1), and 16q13 (CETP). Risk allele frequencies ranged from 0.15 to 0.86, and odds ratio per copy of the risk allele ranged from 1.04 to 1.09. Of 62 new and known CAD loci, 24 (38.7%) showed statistical association with a traditional cardiovascular risk factor, with some showing multiple associations, and 29 (47%) showed associations at p < 1 × 10−4 with a range of other diseases/traits. We identified 6 loci associated with CAD at genome-wide significance. Several CAD loci show substantial pleiotropy, which may help us understand the mechanisms by which these loci affect CAD risk.

The nature and underlying mechanisms of an inverse association between adult height and the risk of coronary artery disease (CAD) are unclear.

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.

Epidemiology studies suggested that low birthweight was associated with a higher risk of hypertension in later life. However, little is known about the causality of such associations. In our study, we evaluated the causal association of low birthweight with adulthood hypertension following a standard analytic protocol using the study-level data of 183,433 participants from 60 studies (CHARGE-BIG consortium), as well as that with blood pressure using publicly available summary-level genome-wide association data from EGG consortium of 153,781 participants, ICBP consortium and UK Biobank cohort together of 757,601 participants. We used seven SNPs as the instrumental variable in the study-level analysis and 47 SNPs in the summary-level analysis. In the study-level analyses, decreased birthweight was associated with a higher risk of hypertension in adults (the odds ratio per 1 standard deviation (SD) lower birthweight, 1.22; 95% CI 1.16 to 1.28), while no association was found between genetically instrumented birthweight and hypertension risk (instrumental odds ratio for causal effect per 1 SD lower birthweight, 0.97; 95% CI 0.68 to 1.41). Such results were consistent with that from the summary-level analyses, where the genetically determined low birthweight was not associated with blood pressure measurements either. One SD lower genetically determined birthweight was not associated with systolic blood pressure (β = - 0.76, 95% CI - 2.45 to 1.08 mmHg), 0.06 mmHg lower diastolic blood pressure (β = - 0.06, 95% CI - 0.93 to 0.87 mmHg), or pulse pressure (β = - 0.65, 95% CI - 1.38 to 0.69 mmHg, all p > 0.05). Our findings suggest that the inverse association of birthweight with hypertension risk from observational studies was not supported by large Mendelian randomization analyses.

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 epistasis affecting complex human traits has been challenging. Focusing on known coronary artery disease (CAD) risk loci, we explore pairwise statistical interactions between 8,068 SNPs from ten CAD genome-wide association studies (n=30,180). We discovered rs1800769 and rs9458001 in the vicinity of the LPA locus to interact in modulating CAD risk (P=1.75e-13). Specific genotypes (e.g., rs1800769 CT) displayed either significantly decreased or increased risk for CAD in the context of genotypes of the respective other SNP (e.g., rs9458001 GG vs. AA). In the UK Biobank (n=450,112) significant interaction of this SNP pair was replicated for CAD (P=3.09e-22), and was also found for aortic valve stenosis (P=6.95e-7) and peripheral arterial disease (P=2.32e-4). Identical interaction patterns affected circulating lipoprotein(a) (n=5,953; P=8.7e-32) and hepatic apolipoprotein(a) (apo(a)) expression (n=522, P=2.6e-11). We further interrogated potential biological implications of the variants and propose a mechanism explaining epistasis that ultimately may translate to substantial cardiovascular risks.

Genetic variants in genome-wide association studies (GWAS) are tested for disease association mostly using simple regression, one variant at a time. Standard approaches to improve power in detecting disease-associated SNPs use multiple regression with Bayesian variable selection in which a sparsity-enforcing prior on effect sizes is used to avoid overtraining and all effect sizes are integrated out for posterior inference. For binary traits, the logistic model has not yielded clear improvements over the linear model. For multi-SNP analysis, the logistic model required costly and technically challenging MCMC sampling to perform the integration. Here, we introduce the quasi-Laplace approximation to solve the integral and avoid MCMC sampling. We expect the logistic model to perform much better than multiple linear regression except when predicted disease risks are spread closely around 0.5, because only close to its inflection point can the logistic function be well approximated by a linear function. Indeed, in extensive benchmarks with simulated phenotypes and real genotypes, our Bayesian multiple LOgistic REgression method (B-LORE) showed considerable improvements (1) when regressing on many variants in multiple loci at heritabilities ≥ 0.4 and (2) for unbalanced case-control ratios. B-LORE also enables meta-analysis by approximating the likelihood functions of individual studies by multivariate normal distributions, using their means and covariance matrices as summary statistics. Our work should make sparse multiple logistic regression attractive also for other applications with binary target variables. B-LORE is freely available from: https://github.com/soedinglab/b-lore.