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 Acute ischemic stroke affects men and women differently in many ways. In particular, women are oftentimes reported to experience a higher acute stroke severity than men. Here, we derived a low-dimensional representation of anatomical stroke lesions and designed a sex-aware Bayesian hierarchical modelling framework for a large-scale, well phenotyped stroke cohort. This framework was tailored to carefully estimate possible sex differences in lesion patterns explaining acute stroke severity (NIHSS) in 1,058 patients (39% female). Anatomical regions known to subserve motor and language functions emerged as relevant regions for both men and women. Female patients, however, presented a more widespread pattern of stroke severity-relevant lesions than male patients. Furthermore, particularly lesions in the posterior circulation of the left hemisphere underlay a higher stroke severity exclusively in women. These sex-sensitive lesion pattern effects could be discovered and subsequently robustly replicated in two large independent, multisite lesion datasets. The constellation of findings has several important conceptual and clinical implications: 1) suggesting sex-specific functional cerebral asymmetries, and 2) motivating a sex-stratified approach to management of acute ischemic stroke. To go beyond sex-averaged stroke research, future studies should explicitly test whether acute therapies administered on the basis of sex-specific cutoff volumes of salvageable tissue will lead to improved outcomes in women after acute ischemic stroke.

White matter hyperintensity (WMH) burden is a critically important cerebrovascular phenotype linked to prediction of diagnosis and prognosis of diseases, such as acute ischemic stroke (AIS). However, current approaches to its quantification on clinical MRI often rely on time intensive manual delineation of the disease on T2 fluid attenuated inverse recovery (FLAIR), which hinders high-throughput analyses such as genetic discovery. In this work, we present a fully automated pipeline for quantification of WMH in clinical large-scale studies of AIS. The pipeline incorporates automated brain extraction, intensity normalization and WMH segmentation using spatial priors. We first propose a brain extraction algorithm based on a fully convolutional deep learning architecture, specifically designed for clinical FLAIR images. We demonstrate that our method for brain extraction outperforms two commonly used and publicly available methods on clinical quality images in a set of 144 subject scans across 12 acquisition centers, based on dice coefficient (median 0.95; inter-quartile range 0.94-0.95) and Pearson correlation of total brain volume (r=0.90). Subsequently, we apply it to the large-scale clinical multi-site MRI-GENIE study (N=2783) and identify a decrease in total brain volume of -2.4cc/year. Additionally, we show that the resulting total brain volumes can successfully be used for quality control of image preprocessing. Finally, we obtain WMH volumes by building on an existing automatic WMH segmentation algorithm that delineates and distinguishes between different cerebrovascular pathologies. The learning method mimics expert knowledge of the spatial distribution of the WMH burden using a convolutional auto-encoder. This enables successful computation of WMH volumes of 2,533 clinical AIS patients. We utilize these results to demonstrate the increase of WMH burden with age (0.950 cc/year) and show that single site estimates can be biased by the number of subjects recruited.

Atrial fibrillation is a prevalent arrhythmia associated with a five-fold increased risk of ischemic stroke, and specifically the cardioembolic stroke subtype. Genome-wide association studies of these traits have yielded overlapping risk loci, but genome-wide investigation of genetic susceptibility shared between stroke and atrial fibrillation is lacking. Comparing the genetic architectures of the two diseases could inform whether cardioembolic strokes are driven by inherited atrial fibrillation susceptibility, and may help elucidate ischemic stroke mechanisms. Here, we analyze genome-wide genotyping data and estimate SNP-based heritability in atrial fibrillation and cardioembolic stroke to be nearly identical (20.0% and 19.5%, respectively). Further, we find that the traits are genetically correlated (r=0.77 for SNPs with p < 4.4 x 10-4 in a previous atrial fibrillation meta-analysis). Clinical studies are warranted to assess whether genetic susceptibility to atrial fibrillation can be leveraged to improve the diagnosis and care of ischemic stroke patients.

Background: Genome-wide association studies have identified multiple loci associated with stroke. However, the specific stroke subtypes affected, and whether loci influence both ischaemic and haemorrhagic stroke, remains unknown. For loci associated with stroke, we aimed to infer the combination of stroke subtypes likely to be affected, and in doing so assess the extent to which such loci have homogeneous effects across stroke subtypes. Methods: We performed Bayesian multinomial regression in 16,664 stroke cases and 32,792 controls of European ancestry to determine the most likely combination of stroke subtypes affected for loci with published genome-wide stroke associations, using model selection. Cases were subtyped under two commonly used stroke classification systems, Trial of Org 10172 Acute Stroke Treatment (TOAST) and Causative Classification of Stroke (CCS). All individuals had genotypes imputed to the Haplotype Reference Consortium 1.1 Panel. Results: Sixteen loci were considered for analysis. Seven loci influenced both haemorrhagic and ischaemic stroke, three of which influenced ischaemic and haemorrhagic subtypes under both TOAST and CCS. Under CCS, 4 loci influenced both small vessel stroke and intracerebral haemorrhage. An EDNRA locus demonstrated opposing effects on ischaemic and haemorrhagic stroke. No loci were predicted to influence all stroke subtypes in the same direction and only one locus (12q24) was predicted to influence all ischaemic stroke subtypes. Conclusions: Heterogeneity in the influence of stroke-associated loci on stroke subtypes is pervasive, reflecting differing causal pathways. However, overlap exists between haemorrhagic and ischaemic stroke, which may reflect shared pathobiology predisposing to small vessel arteriopathy. Stroke is a complex, heterogeneous disorder requiring tailored analytic strategies to decipher genetic mechanisms.

Abstract Introduction Neuroimaging measurements of brain structural integrity are thought to be surrogates for brain health, but precise assessments require dedicated advanced image acquisitions. By means of describing the texture of conventional images beyond what meets the naked eye, radiomic analyses hold potential for evaluating brain health. We sought to: 1) evaluate this novel approach to assess brain structural integrity by predicting white matter hyperintensities burdens (WMH) and 2) uncover associations between predictive radiomic features and patients’ clinical phenotypes. Methods Our analyses were based on a multi-site cohort of 4,163 acute ischemic strokes (AIS) patients with T2-FLAIR MR images and corresponding deep-learning-generated total brain and WMH segmentation. Radiomic features were extracted from normal-appearing brain tissue (brain mask–WMH mask). Radiomics-based prediction of personalized WMH burden was done using ElasticNet linear regression. We built a radiomic signature of WMH with the most stable selected features predictive of WMH burden and then related this signature to clinical variables (age, sex, hypertension (HTN), atrial fibrillation (AF), diabetes mellitus (DM), coronary artery disease (CAD), and history of smoking) using canonical correlation analysis. Results Radiomic features were highly predictive of WMH burden (R 2 =0.855±0.011). Seven pairs of canonical variates (CV) significantly correlated the radiomics signature of WMH and clinical traits with respective canonical correlations of 0.81, 0.65, 0.42, 0.24, 0.20, 0.15, and 0.15 (FDR-corrected p-values CV1-6 <.001, p-value CV7 =.012). The clinical CV1 was mainly influenced by age, CV2 by sex, CV3 by history of smoking and DM, CV4 by HTN, CV5 by AF and DM, CV6 by CAD, and CV7 by CAD and DM. Conclusion Radiomics extracted from T2-FLAIR images of AIS patients capture microstructural damage of the cerebral parenchyma and correlate with clinical phenotypes. Further research could evaluate radiomics to predict the progression of WMH. Research in context Evidence before this study We did a systematic review on PubMed until December 1, 2020, for original articles and reviews in which radiomics were used to characterize stroke or cerebrovascular diseases. Radiomic analyses cover a broad ensemble of high-throughput quantification methods applicable to digitalized medical images that extract high-dimensional data by describing a given region of interest by its size, shape, histogram, and relationship between voxels. We used the search terms “radiomics” or “texture analysis”, and “stroke”, “cerebrovascular disease”, “small vessel disease”, or “white matter hyperintensities”. Our research identified 24 studies, 18 studying radiomics of stroke lesions and 6 studying cerebrovascular diseases. All the latter six studies were based on MRI (T1-FLAIR, dynamic contrast-enhanced imaging, T1 & T2-FLAIR, T2-FLAIR post-contrast, T2-FLAIR, and T2-TSE images). Four studies were describing small vessel disease, and two were predicting longitudinal progression of WMH. The average sample size was small with 96 patients included (maximum: 204). One study on 141 patients identified 7 T1-FLAIR radiomic features correlated with cardiovascular risk factors (age and hyperlipidemia) using univariate correlations. All studies were monocentric and performed on a single MRI scanner. Added value of this study To date and to the best of our knowledge, this is the largest radiomics study performed on cerebrovascular disease or any topic, and one of the very few to include a great diversity of participating sites with diverse clinical MRI scanners. This study is the first one to establish a radiomic signature of WMH and to interpret its relationship with common cardiovascular risk factors. Our findings add to the body of evidence that damage caused by small vessel disease extend beyond the visible white matter hyperintensities, but the added value resides in the detection of that subvisible damage on routinely acquired T2-FLAIR imaging. It also suggests that cardiovascular phenotypes might manifest in distinct textural patterns detectable on conventional clinical-grade T2-FLAIR images. Implications of all the available evidence Assessing brain structural integrity has implications for treatment selection, follow-up, prognosis, and recovery prediction in stroke patients but also other neurological disease populations. Measuring cerebral parenchymal structural integrity usually requires advanced imaging such as diffusion tensor imaging or functional MRI. Translation of those neuroimaging biomarkers remains uncommon in clinical practice mainly because of their time-consuming and costly acquisition. Our study provides a potential novel solution to assess brains’ structural integrity applicable to standard, routinely acquired T2-FLAIR imaging. Future research could, for instance, benchmark this radiomics approach against diffusion or functional MRI metrics in the prediction of cognitive or functional outcomes after stroke.