Levels of low-density lipoprotein (LDL) cholesterol, high-density lipoprotein (HDL) cholesterol, triglycerides and total cholesterol are heritable, modifiable risk factors for coronary artery disease. To identify new loci and refine known loci influencing these lipids, we examined 188,577 individuals using genome-wide and custom genotyping arrays. We identify and annotate 157 loci associated with lipid levels at P < 5 × 10(-8), including 62 loci not previously associated with lipid levels in humans. Using dense genotyping in individuals of European, East Asian, South Asian and African ancestry, we narrow association signals in 12 loci. We find that loci associated with blood lipid levels are often associated with cardiovascular and metabolic traits, including coronary artery disease, type 2 diabetes, blood pressure, waist-hip ratio and body mass index. Our results demonstrate the value of using genetic data from individuals of diverse ancestry and provide insights into the biological mechanisms regulating blood lipids to guide future genetic, biological and therapeutic research.

Mark McCarthy and colleagues identify twelve new risk loci for type 2 diabetes through a large-scale genome-wide association and replication study in individuals of European ancestry. The identified loci affect both beta-cell function and insulin action and are enriched for genes involved in cell cycle regulation. By combining genome-wide association data from 8,130 individuals with type 2 diabetes (T2D) and 38,987 controls of European descent and following up previously unidentified meta-analysis signals in a further 34,412 cases and 59,925 controls, we identified 12 new T2D association signals with combined P < 5 × 10−8. These include a second independent signal at the KCNQ1 locus; the first report, to our knowledge, of an X-chromosomal association (near DUSP9); and a further instance of overlap between loci implicated in monogenic and multifactorial forms of diabetes (at HNF1A). The identified loci affect both beta-cell function and insulin action, and, overall, T2D association signals show evidence of enrichment for genes involved in cell cycle regulation. We also show that a high proportion of T2D susceptibility loci harbor independent association signals influencing apparently unrelated complex traits.

Identifying the downstream effects of disease-associated SNPs is challenging. To help overcome this problem, we performed expression quantitative trait locus (eQTL) meta-analysis in non-transformed peripheral blood samples from 5,311 individuals with replication in 2,775 individuals. We identified and replicated trans eQTLs for 233 SNPs (reflecting 103 independent loci) that were previously associated with complex traits at genome-wide significance. Some of these SNPs affect multiple genes in trans that are known to be altered in individuals with disease: rs4917014, previously associated with systemic lupus erythematosus (SLE), altered gene expression of C1QB and five type I interferon response genes, both hallmarks of SLE. DeepSAGE RNA sequencing showed that rs4917014 strongly alters the 3' UTR levels of IKZF1 in cis, and chromatin immunoprecipitation and sequencing analysis of the trans-regulated genes implicated IKZF1 as the causal gene. Variants associated with cholesterol metabolism and type 1 diabetes showed similar phenomena, indicating that large-scale eQTL mapping provides insight into the downstream effects of many trait-associated variants.

We expanded GWAS discovery for type 2 diabetes (T2D) by combining data from 898,130 European-descent individuals (9% cases), after imputation to high-density reference panels. With these data, we (i) extend the inventory of T2D-risk variants (243 loci, 135 newly implicated in T2D predisposition, comprising 403 distinct association signals); (ii) enrich discovery of lower-frequency risk alleles (80 index variants with minor allele frequency <5%, 14 with estimated allelic odds ratio >2); (iii) substantially improve fine-mapping of causal variants (at 51 signals, one variant accounted for >80% posterior probability of association (PPA)); (iv) extend fine-mapping through integration of tissue-specific epigenomic information (islet regulatory annotations extend the number of variants with PPA >80% to 73); (v) highlight validated therapeutic targets (18 genes with associations attributable to coding variants); and (vi) demonstrate enhanced potential for clinical translation (genome-wide chip heritability explains 18% of T2D risk; individuals in the extremes of a T2D polygenic risk score differ more than ninefold in prevalence). Combining 32 genome-wide association studies with high-density imputation provides a comprehensive view of the genetic contribution to type 2 diabetes in individuals of European ancestry with respect to locus discovery, causal-variant resolution, and mechanistic insight.

Background The genetic cause of intellectual disability in most patients is unclear because of the absence of morphological clues, information about the position of such genes, and suitable screening methods. Our aim was to identify de-novo variants in individuals with sporadic non-syndromic intellectual disability. Methods In this study, we enrolled children with intellectual disability and their parents from ten centres in Germany and Switzerland. We compared exome sequences between patients and their parents to identify de-novo variants. 20 children and their parents from the KORA Augsburg Diabetes Family Study were investigated as controls. Findings We enrolled 51 participants from the German Mental Retardation Network. 45 (88%) participants in the case group and 14 (70%) in the control group had de-novo variants. We identified 87 de-novo variants in the case group, with an exomic mutation rate of 1·71 per individual per generation. In the control group we identified 24 de-novo variants, which is 1·2 events per individual per generation. More participants in the case group had loss-of-function variants than in the control group (20/51 vs 2/20; p=0·022), suggesting their contribution to disease development. 16 patients carried de-novo variants in known intellectual disability genes with three recurrently mutated genes (STXBP1, SYNGAP1, and SCN2A). We deemed at least six loss-of-function mutations in six novel genes to be disease causing. We also identified several missense alterations with potential pathogenicity. Interpretation After exclusion of copy-number variants, de-novo point mutations and small indels are associated with severe, sporadic non-syndromic intellectual disability, accounting for 45–55% of patients with high locus heterogeneity. Autosomal recessive inheritance seems to contribute little in the outbred population investigated. The large number of de-novo variants in known intellectual disability genes is only partially attributable to known non-specific phenotypes. Several patients did not meet the expected syndromic manifestation, suggesting a strong bias in present clinical syndrome descriptions. Funding German Ministry of Education and Research, European Commission 7th Framework Program, and Swiss National Science Foundation.

Sekar Kathiresan and colleagues examine 185 common variants using a modified mendelian randomization approach and provide evidence supporting a causal role of triglyceride-rich lipoproteins in the development of coronary artery disease. Triglycerides are transported in plasma by specific triglyceride-rich lipoproteins; in epidemiological studies, increased triglyceride levels correlate with higher risk for coronary artery disease (CAD). However, it is unclear whether this association reflects causal processes. We used 185 common variants recently mapped for plasma lipids (P < 5 × 10−8 for each) to examine the role of triglycerides in risk for CAD. First, we highlight loci associated with both low-density lipoprotein cholesterol (LDL-C) and triglyceride levels, and we show that the direction and magnitude of the associations with both traits are factors in determining CAD risk. Second, we consider loci with only a strong association with triglycerides and show that these loci are also associated with CAD. Finally, in a model accounting for effects on LDL-C and/or high-density lipoprotein cholesterol (HDL-C) levels, the strength of a polymorphism's effect on triglyceride levels is correlated with the magnitude of its effect on CAD risk. These results suggest that triglyceride-rich lipoproteins causally influence risk for CAD.

BackgroundObesity is a major health problem that is determined by interactions between lifestyle and environmental and genetic factors. Although associations between several genetic variants and body-mass index (BMI) have been identified, little is known about epigenetic changes related to BMI. We undertook a genome-wide analysis of methylation at CpG sites in relation to BMI.Methods479 individuals of European origin recruited by the Cardiogenics Consortium formed our discovery cohort. We typed their whole-blood DNA with the Infinium HumanMethylation450 array. After quality control, methylation levels were tested for association with BMI. Methylation sites showing an association with BMI at a false discovery rate q value of 0·05 or less were taken forward for replication in a cohort of 339 unrelated white patients of northern European origin from the MARTHA cohort. Sites that remained significant in this primary replication cohort were tested in a second replication cohort of 1789 white patients of European origin from the KORA cohort. We examined whether methylation levels at identified sites also showed an association with BMI in DNA from adipose tissue (n=635) and skin (n=395) obtained from white female individuals participating in the MuTHER study. Finally, we examined the association of methylation at BMI-associated sites with genetic variants and with gene expression.Findings20 individuals from the discovery cohort were excluded from analyses after quality-control checks, leaving 459 participants. After adjustment for covariates, we identified an association (q value ≤0·05) between methylation at five probes across three different genes and BMI. The associations with three of these probes—cg22891070, cg27146050, and cg16672562, all of which are in intron 1 of HIF3A—were confirmed in both the primary and second replication cohorts. For every 0·1 increase in methylation β value at cg22891070, BMI was 3·6% (95% CI 2·4–4·9) higher in the discovery cohort, 2·7% (1·2–4·2) higher in the primary replication cohort, and 0·8% (0·2–1·4) higher in the second replication cohort. For the MuTHER cohort, methylation at cg22891070 was associated with BMI in adipose tissue (p=1·72 × 10−5) but not in skin (p=0·882). We observed a significant inverse correlation (p=0·005) between methylation at cg22891070 and expression of one HIF3A gene-expression probe in adipose tissue. Two single nucleotide polymorphisms—rs8102595 and rs3826795—had independent associations with methylation at cg22891070 in all cohorts. However, these single nucleotide polymorphisms were not significantly associated with BMI.InterpretationIncreased BMI in adults of European origin is associated with increased methylation at the HIF3A locus in blood cells and in adipose tissue. Our findings suggest that perturbation of hypoxia inducible transcription factor pathways could have an important role in the response to increased weight in people.FundingThe European Commission, National Institute for Health Research, British Heart Foundation, and Wellcome Trust.

To characterize type 2 diabetes (T2D)-associated variation across the allele frequency spectrum, we conducted a meta-analysis of genome-wide association data from 26,676 T2D case and 132,532 control subjects of European ancestry after imputation using the 1000 Genomes multiethnic reference panel. Promising association signals were followed up in additional data sets (of 14,545 or 7,397 T2D case and 38,994 or 71,604 control subjects). We identified 13 novel T2D-associated loci (P < 5 × 10-8), including variants near the GLP2R, GIP, and HLA-DQA1 genes. Our analysis brought the total number of independent T2D associations to 128 distinct signals at 113 loci. Despite substantially increased sample size and more complete coverage of low-frequency variation, all novel associations were driven by common single nucleotide variants. Credible sets of potentially causal variants were generally larger than those based on imputation with earlier reference panels, consistent with resolution of causal signals to common risk haplotypes. Stratification of T2D-associated loci based on T2D-related quantitative trait associations revealed tissue-specific enrichment of regulatory annotations in pancreatic islet enhancers for loci influencing insulin secretion and in adipocytes, monocytes, and hepatocytes for insulin action-associated loci. These findings highlight the predominant role played by common variants of modest effect and the diversity of biological mechanisms influencing T2D pathophysiology.

Article25 September 2012Open Access Novel biomarkers for pre-diabetes identified by metabolomics Rui Wang-Sattler Corresponding Author Rui Wang-Sattler Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Zhonghao Yu Zhonghao Yu Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christian Herder Christian Herder German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Ana C Messias Ana C Messias Institute of Structural Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Anna Floegel Anna Floegel Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Ying He Ying He Shanghai Center for Bioinformation Technology, Shanghai, China Key Lab of Systems Biology, Bioinformatics Center, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Katharina Heim Katharina Heim Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Monica Campillos Monica Campillos Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christina Holzapfel Christina Holzapfel Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Else Kroener-Fresenius-Center for Nutritional Medicine, University Hospital ‘Klinikum rechts der Isar’, Technische Universität München, Munich, Germany Search for more papers by this author Barbara Thorand Barbara Thorand Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Harald Grallert Harald Grallert Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Tao Xu Tao Xu Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Erik Bader Erik Bader Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Cornelia Huth Cornelia Huth Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Kirstin Mittelstrass Kirstin Mittelstrass Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Angela Döring Angela Döring Institute of Epidemiology I, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christa Meisinger Christa Meisinger Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christian Gieger Christian Gieger Institute of Genetic Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Cornelia Prehn Cornelia Prehn Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Werner Roemisch-Margl Werner Roemisch-Margl Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Maren Carstensen Maren Carstensen German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Lu Xie Lu Xie Shanghai Center for Bioinformation Technology, Shanghai, China Search for more papers by this author Hisami Yamanaka-Okumura Hisami Yamanaka-Okumura Department of Clinical Nutrition, Institute of Health Biosciences, University of Tokushima Graduate School, Tokushima, Japan Search for more papers by this author Guihong Xing Guihong Xing Benxi Diabetes Clinic, Benxi Central Hospital, Benxi, China Search for more papers by this author Uta Ceglarek Uta Ceglarek Institute of Laboratory Medicine, Clinical Chemistry and Molecular Diagnostics, University Hospital Leipzig, Leipzig, Germany Search for more papers by this author Joachim Thiery Joachim Thiery Institute of Laboratory Medicine, Clinical Chemistry and Molecular Diagnostics, University Hospital Leipzig, Leipzig, Germany Search for more papers by this author Guido Giani Guido Giani German Diabetes Center, Institute of Biometrics and Epidemiology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Heiko Lickert Heiko Lickert Institute of Diabetes and Regeneration Research, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Xu Lin Xu Lin Institute for Nutritional Sciences, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Yixue Li Yixue Li Shanghai Center for Bioinformation Technology, Shanghai, China Key Lab of Systems Biology, Bioinformatics Center, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Heiner Boeing Heiner Boeing Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Hans-Georg Joost Hans-Georg Joost Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Martin Hrabé de Angelis Martin Hrabé de Angelis Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Chair of Experimental Genetics, Technische Universität München, Munich, Germany Search for more papers by this author Wolfgang Rathmann Wolfgang Rathmann German Diabetes Center, Institute of Biometrics and Epidemiology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Karsten Suhre Karsten Suhre Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Faculty of Biology, Ludwig-Maximilians-Universität, Planegg-Martinsried, Germany Department of Physiology and Biophysics, Weill Cornell Medical College in Qatar (WCMC-Q), Doha, Qatar Search for more papers by this author Holger Prokisch Holger Prokisch Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Annette Peters Annette Peters Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Thomas Meitinger Thomas Meitinger Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Department of Metabolic Diseases, University Hospital Düsseldorf, Düsseldorf, Germany Search for more papers by this author Michael Roden Michael Roden German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Klinikum rechts der Isar, Technische Universität München, Munich, Germany Search for more papers by this author H-Erich Wichmann H-Erich Wichmann Institute of Epidemiology I, Helmholtz Zentrum München, Neuherberg, Germany Institute of Medical Informatics, Biometry and Epidemiology, Ludwig-Maximilians-Universität, Munich, Germany Search for more papers by this author Tobias Pischon Tobias Pischon Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Molecular Epidemiology Group, Max Delbrueck Center for Molecular Medicine (MDC), Berlin-Buch, Germany Search for more papers by this author Jerzy Adamski Jerzy Adamski Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Chair of Experimental Genetics, Technische Universität München, Munich, Germany Search for more papers by this author Thomas Illig Thomas Illig Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Hannover Unified Biobank, Hannover Medical School, Hannover, Germany Search for more papers by this author Rui Wang-Sattler Corresponding Author Rui Wang-Sattler Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Zhonghao Yu Zhonghao Yu Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christian Herder Christian Herder German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Ana C Messias Ana C Messias Institute of Structural Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Anna Floegel Anna Floegel Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Ying He Ying He Shanghai Center for Bioinformation Technology, Shanghai, China Key Lab of Systems Biology, Bioinformatics Center, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Katharina Heim Katharina Heim Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Monica Campillos Monica Campillos Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christina Holzapfel Christina Holzapfel Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Else Kroener-Fresenius-Center for Nutritional Medicine, University Hospital ‘Klinikum rechts der Isar’, Technische Universität München, Munich, Germany Search for more papers by this author Barbara Thorand Barbara Thorand Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Harald Grallert Harald Grallert Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Tao Xu Tao Xu Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Erik Bader Erik Bader Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Cornelia Huth Cornelia Huth Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Kirstin Mittelstrass Kirstin Mittelstrass Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Angela Döring Angela Döring Institute of Epidemiology I, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christa Meisinger Christa Meisinger Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christian Gieger Christian Gieger Institute of Genetic Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Cornelia Prehn Cornelia Prehn Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Werner Roemisch-Margl Werner Roemisch-Margl Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Maren Carstensen Maren Carstensen German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Lu Xie Lu Xie Shanghai Center for Bioinformation Technology, Shanghai, China Search for more papers by this author Hisami Yamanaka-Okumura Hisami Yamanaka-Okumura Department of Clinical Nutrition, Institute of Health Biosciences, University of Tokushima Graduate School, Tokushima, Japan Search for more papers by this author Guihong Xing Guihong Xing Benxi Diabetes Clinic, Benxi Central Hospital, Benxi, China Search for more papers by this author Uta Ceglarek Uta Ceglarek Institute of Laboratory Medicine, Clinical Chemistry and Molecular Diagnostics, University Hospital Leipzig, Leipzig, Germany Search for more papers by this author Joachim Thiery Joachim Thiery Institute of Laboratory Medicine, Clinical Chemistry and Molecular Diagnostics, University Hospital Leipzig, Leipzig, Germany Search for more papers by this author Guido Giani Guido Giani German Diabetes Center, Institute of Biometrics and Epidemiology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Heiko Lickert Heiko Lickert Institute of Diabetes and Regeneration Research, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Xu Lin Xu Lin Institute for Nutritional Sciences, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Yixue Li Yixue Li Shanghai Center for Bioinformation Technology, Shanghai, China Key Lab of Systems Biology, Bioinformatics Center, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Heiner Boeing Heiner Boeing Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Hans-Georg Joost Hans-Georg Joost Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Martin Hrabé de Angelis Martin Hrabé de Angelis Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Chair of Experimental Genetics, Technische Universität München, Munich, Germany Search for more papers by this author Wolfgang Rathmann Wolfgang Rathmann German Diabetes Center, Institute of Biometrics and Epidemiology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Karsten Suhre Karsten Suhre Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Faculty of Biology, Ludwig-Maximilians-Universität, Planegg-Martinsried, Germany Department of Physiology and Biophysics, Weill Cornell Medical College in Qatar (WCMC-Q), Doha, Qatar Search for more papers by this author Holger Prokisch Holger Prokisch Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Annette Peters Annette Peters Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Thomas Meitinger Thomas Meitinger Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Department of Metabolic Diseases, University Hospital Düsseldorf, Düsseldorf, Germany Search for more papers by this author Michael Roden Michael Roden German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Klinikum rechts der Isar, Technische Universität München, Munich, Germany Search for more papers by this author H-Erich Wichmann H-Erich Wichmann Institute of Epidemiology I, Helmholtz Zentrum München, Neuherberg, Germany Institute of Medical Informatics, Biometry and Epidemiology, Ludwig-Maximilians-Universität, Munich, Germany Search for more papers by this author Tobias Pischon Tobias Pischon Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Molecular Epidemiology Group, Max Delbrueck Center for Molecular Medicine (MDC), Berlin-Buch, Germany Search for more papers by this author Jerzy Adamski Jerzy Adamski Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Chair of Experimental Genetics, Technische Universität München, Munich, Germany Search for more papers by this author Thomas Illig Thomas Illig Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Hannover Unified Biobank, Hannover Medical School, Hannover, Germany Search for more papers by this author Author Information Rui Wang-Sattler 1,‡, Zhonghao Yu1,‡, Christian Herder2,‡, Ana C Messias3,‡, Anna Floegel4, Ying He5,6, Katharina Heim7, Monica Campillos8, Christina Holzapfel1,9, Barbara Thorand10, Harald Grallert1, Tao Xu1, Erik Bader1, Cornelia Huth10, Kirstin Mittelstrass1, Angela Döring11, Christa Meisinger10, Christian Gieger12, Cornelia Prehn13, Werner Roemisch-Margl8, Maren Carstensen2, Lu Xie5, Hisami Yamanaka-Okumura14, Guihong Xing15, Uta Ceglarek16, Joachim Thiery16, Guido Giani17, Heiko Lickert18, Xu Lin19, Yixue Li5,6, Heiner Boeing4, Hans-Georg Joost4, Martin Hrabé de Angelis13,20, Wolfgang Rathmann17, Karsten Suhre8,21,22, Holger Prokisch7, Annette Peters10, Thomas Meitinger7,23, Michael Roden2,24, H-Erich Wichmann11,25, Tobias Pischon4,26, Jerzy Adamski13,20 and Thomas Illig1,27 1Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany 2German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany 3Institute of Structural Biology, Helmholtz Zentrum München, Neuherberg, Germany 4Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany 5Shanghai Center for Bioinformation Technology, Shanghai, China 6Key Lab of Systems Biology, Bioinformatics Center, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China 7Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany 8Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany 9Else Kroener-Fresenius-Center for Nutritional Medicine, University Hospital ‘Klinikum rechts der Isar’, Technische Universität München, Munich, Germany 10Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany 11Institute of Epidemiology I, Helmholtz Zentrum München, Neuherberg, Germany 12Institute of Genetic Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany 13Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany 14Department of Clinical Nutrition, Institute of Health Biosciences, University of Tokushima Graduate School, Tokushima, Japan 15Benxi Diabetes Clinic, Benxi Central Hospital, Benxi, China 16Institute of Laboratory Medicine, Clinical Chemistry and Molecular Diagnostics, University Hospital Leipzig, Leipzig, Germany 17German Diabetes Center, Institute of Biometrics and Epidemiology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany 18Institute of Diabetes and Regeneration Research, Helmholtz Zentrum München, Neuherberg, Germany 19Institute for Nutritional Sciences, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China 20Chair of Experimental Genetics, Technische Universität München, Munich, Germany 21Faculty of Biology, Ludwig-Maximilians-Universität, Planegg-Martinsried, Germany 22Department of Physiology and Biophysics, Weill Cornell Medical College in Qatar (WCMC-Q), Doha, Qatar 23Department of Metabolic Diseases, University Hospital Düsseldorf, Düsseldorf, Germany 24Klinikum rechts der Isar, Technische Universität München, Munich, Germany 25Institute of Medical Informatics, Biometry and Epidemiology, Ludwig-Maximilians-Universität, Munich, Germany 26Molecular Epidemiology Group, Max Delbrueck Center for Molecular Medicine (MDC), Berlin-Buch, Germany 27Hannover Unified Biobank, Hannover Medical School, Hannover, Germany ‡These authors contributed equally to this work *Corresponding author. Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, 85764 Munich-Neuherberg, Germany. Tel.:+49 89 3187 3978; Fax:+49 89 3187 2428; E-mail: [email protected] Molecular Systems Biology (2012)8:615https://doi.org/10.1038/msb.2012.43 PDFDownload PDF of article text and main figures. Peer ReviewDownload a summary of the editorial decision process including editorial decision letters, reviewer comments and author responses to feedback. ToolsAdd to favoritesDownload CitationsTrack CitationsPermissions ShareFacebookTwitterLinked InMendeleyWechatReddit Figures & Info Type 2 diabetes (T2D) can be prevented in pre-diabetic individuals with impaired glucose tolerance (IGT). Here, we have used a metabolomics approach to identify candidate biomarkers of pre-diabetes. We quantified 140 metabolites for 4297 fasting serum samples in the population-based Cooperative Health Research in the Region of Augsburg (KORA) cohort. Our study revealed significant metabolic variation in pre-diabetic individuals that are distinct from known diabetes risk indicators, such as glycosylated hemoglobin levels, fasting glucose and insulin. We identified three metabolites (glycine, lysophosphatidylcholine (LPC) (18:2) and acetylcarnitine) that had significantly altered levels in IGT individuals as compared to those with normal glucose tolerance, with P-values ranging from 2.4 × 10−4 to 2.1 × 10−13. Lower levels of glycine and LPC were found to be predictors not only for IGT but also for T2D, and were independently confirmed in the European Prospective Investigation into Cancer and Nutrition (EPIC)-Potsdam cohort. Using metabolite–protein network analysis, we identified seven T2D-related genes that are associated with these three IGT-specific metabolites by multiple interactions with four enzymes. The expression levels of these enzymes correlate with changes in the metabolite concentrations linked to diabetes. Our results may help developing novel strategies to prevent T2D. Synopsis A targeted metabolomics approach was used to identify candidate biomarkers of pre-diabetes. The relevance of the identified metabolites is further corroborated with a protein-metabolite interaction network and gene expression data. Three metabolites (glycine, lysophosphatidylcholine (LPC) (18:2) and acetylcarnitine C2) were found with significantly altered levels in pre-diabetic individuals compared with normal controls. Lower levels of glycine and LPC (18:2) were found to predict risks for pre-diabetes and type 2 diabetes (T2D). Seven T2D-related genes (PPARG, TCF7L2, HNF1A, GCK, IGF1, IRS1 and IDE) are functionally associated with the three identified metabolites. The unique combination of methodologies, including prospective population-based and nested case–control, as well as cross-sectional studies, was essential for the identification of the reported biomarkers. Introduction Type 2 diabetes (T2D) is defined by increased blood glucose levels due to pancreatic β-cell dysfunction and insulin resistance without evidence for specific causes, such as autoimmune destruction of pancreatic β-cells (Krebs et al, 2002; Stumvoll et al, 2005; Muoio and Newgard, 2008). A state of pre-diabetes (i.e., impaired fasting glucose (IFG) and/or impaired glucose tolerance (IGT)) with only slightly elevated blood glucose levels may precede T2D for years (McGarry, 2002; Tabak et al, 2012). The development of diabetes in pre-diabetic individuals can be prevented or delayed by dietary changes and increased physical activity (Tuomilehto et al, 2001; Knowler et al, 2002). However, no specific biomarkers that enable prevention have been reported. Metabolomics studies allow metabolites involved in disease mechanisms to be discovered by monitoring metabolite level changes in predisposed individuals compared with healthy ones (Shaham et al, 2008; Newgard et al, 2009; Zhao et al, 2010; Pietilainen et al, 2011; Rhee et al, 2011; Wang et al, 2011; Cheng et al, 2012; Goek et al, 2012). Altered metabolite levels may serve as diagnostic biomarkers and enable preventive action. Previous cross-sectional metabolomics studies of T2D were either based on small sample sizes (Shaham et al, 2008; Wopereis et al, 2009; Zhao et al, 2010; Pietilainen et al, 2011) or did not consider the influence of common risk factors of T2D (Newgard et al, 2009). Recently, based on prospective nested case–control studies with relative large samples (Rhee et al, 2011; Wang et al, 2011), five branched-chain and aromatic amino acids were identified as predictors of T2D (Wang et al, 2011). Here, using various comprehensive large-scale approaches, we measured metabolite concentration profiles (Yu et al, 2012) in the population-based (Holle et al, 2005; Wichmann et al, 2005) Cooperative Health Research in the Region of Augsburg (KORA) baseline (survey 4 (S4)) and follow-up (F4) studies (Rathmann et al, 2009; Meisinger et al, 2010; Jourdan et al, 2012). The results of these cross-sectional and prospective studies allowed us to (i) reliably identify candidate biomarkers of pre-diabetes and (ii) build metabolite–protein networks to understand diabetes-related metabolic pathways. Results Study participants Individuals with known T2D were identified by physician-validated self-reporting (Rathmann et al, 2010) and excluded from our analysis, to avoid potential influence from anti-diabetic medication with non-fasting participants and individuals with missing values (Figure 1A). Based on both fasting and 2-h glucose values (i.e., 2 h post oral 75 g glucose load), individuals were defined according to the WHO diagnostic criteria to have normal glucose tolerance (NGT), isolated IFG (i-IFG), IGT or newly diagnosed T2D (dT2D) (WHO, 1999; Rathmann et al, 2009; Meisinger et al, 2010; Supplementary Table S1). The sample sets include 91 dT2D patients and 1206 individuals with non-T2D, including 866 participants with NGT, 102 with i-IFG and 238 with IGT, in the cross-sectional KORA S4 (Figure 1A; study characteristics are shown in Table I). Of the 1010 individuals in a fasting state who participated at baseline and follow-up surveys (Figure 1B, study characteristics of the KORA F4 survey are shown in Supplementary Table S2), 876 of them were non-diabetic at baseline. Out of these, about 10% developed T2D (i.e., 91 incident T2D) (Figure 1C). From the 641 individuals with NGT at baseline, 18% developed IGT (i.e., 118 incident IGT) 7 years later (Figure 1D). The study characteristics of the prospective KORA S4→F4 are shown in Table II. Figure 1.Population description. Metabolomics screens in the KORA cohort, at baseline S4 (A), overlapped between S4 and F4 (B) and prospective (C, D). Participant numbers are shown. Normal glucose tolerance (NGT), isolated impaired fasting glucose (i-IFG), impaired glucose tolerance (IGT), type 2 diabetes mellitus (T2D) and newly diagnosed T2D (dT2D). Non-T2D individuals include NGT, i-IFG and IGT participants. Download figure Download PowerPoint Table 1. Characteristics of the KORA S4 cross-sectional study sample Clinical and laboratory parameters NGT i-IFG IGT dT2D N 866 102 238 91 Age (years) 63.5±5.5 64.1±5.2 65.2±5.2 65.9±5.4 Sex (female) (%) 52.2 30.4 44.9 41.8 BMI (kg/m2) 27.7±4.1 29.2±4 29.6±4.1 30.2±3.9 Physical activity (% >1 h per week) 46.7 35.3 39.9 36.3 Alcohol intakea (%) 20.2 20.5 25.2 24.2 Current smoker (%) 14.8 10.8 10.9 23.1 Systolic BP (mm Hg) 131.7±18.9 138.9±17.9 140.7±19.8 146.8±21.5 HDL cholesterol (mg/dl) 60.5±16.4 55.7±15.9 55.7±15.1 50.0±15.8 LDL cholesterol (mg/dl) 154.5±39.8 152.1±37.7 155.2±38.6 146.1±44.6 Triglycerides (mg/dl) 120.7±68.3 145.0±96.0 146.6±80.0 170.6±107.1 HbA1c (%) 5.56±0.33 5.62±0.33 5.66±0.39 6.21±0.83 Fasting glucose (mg/dl) 95.6±7.1 114.2±3.7 104.5±9.7 133.2±31.7 2-h Glucose (mg/dl) 102.1±21.0 109.3±18.7 163.4±16.4 232.1±63.7 Fasting insulin (μU/ml) 10.48±7.28 16.26±9.67 13.92±9.53 17.70±12.61 NGT, normal glucose tolerance; i-IFG, isolated impaired fasting glucose; IGT, impaired glucose tolerance; dT2D, newly diagnosed type 2 diabetes; BP, blood pressure; HDL, high-density lipoprotein; LDL, low-density lipoprotein. Percentages of individuals or means±s.d. are given for each variable and each group (NGT, i-IFG, IGT and dT2D). a ⩾20 g/day for women; ⩾40 g/day for men. Table 2. Characteristics of the KORA S4→F4 prospective study samples NGT at baseline (n=589) Non-T2D at baseline (n=876) Remained NGT at follow-up Developed IGT at follow-up Remained Non-T2D at follow-up Developed T2D at follow-up N 471 118 785 91 Age (years) 62.4±5.4 63.9±5.5 62.9±5.4 65.5±5.2 Sex (female) (%) 52.2 55.9 50.8 34.1 BMI (kg/m2) 27.2±3.8 28.2±3.9 27.9±4 30.2±3.6 Physical activity (% >1 h per week) 52.9 43.2 52.2 58.2 Alcohol intakea (%) 19.9 20.3 20.6 19.8 Smoker (%) 14.6 9.3 12.0 14.3 Systolic BP (mm Hg) 129.6±18.2 134.2±18.7 132.4±18.6 137.8±19 HDL cholesterol (mg/dl) 61.3±16.8 58.9±16.2 60.0±16.5 51.9±12.4 LDL cholesterol (mg/dl) 153.9±38.4 156.9±42.7 154.5±39.5 157.7±41.6 Triglycerides (mg/dl) 118.1±63.9 129.5±79.0 125.0±70.0 151.2±74.2 HbA1c (%) 5.54±0.33 5.59±0.34 5.6±0.3 5.8±0.4 Fasting glucose (mg/dl) 94.7±6.9 96.6±7.1 97.7±8.8 106.1±10.1 2-h Glucose (mg/dl) 98.2±20.5 109.9±16.8 109.3±28 145.9±32.3 Fasting insulin (μU/ml) 9.91±6.48 11

Richard Watanabe and colleagues of the MAGIC consortium report meta-analyses of genome-wide association studies to glucose levels two hours after an oral glucose challenge. They identify variants in GIPR associated with glucose and insulin responses. Glucose levels 2 h after an oral glucose challenge are a clinical measure of glucose tolerance used in the diagnosis of type 2 diabetes. We report a meta-analysis of nine genome-wide association studies (n = 15,234 nondiabetic individuals) and a follow-up of 29 independent loci (n = 6,958–30,620). We identify variants at the GIPR locus associated with 2-h glucose level (rs10423928, β (s.e.m.) = 0.09 (0.01) mmol/l per A allele, P = 2.0 × 10−15). The GIPR A-allele carriers also showed decreased insulin secretion (n = 22,492; insulinogenic index, P = 1.0 × 10−17; ratio of insulin to glucose area under the curve, P = 1.3 × 10−16) and diminished incretin effect (n = 804; P = 4.3 × 10−4). We also identified variants at ADCY5 (rs2877716, P = 4.2 × 10−16), VPS13C (rs17271305, P = 4.1 × 10−8), GCKR (rs1260326, P = 7.1 × 10−11) and TCF7L2 (rs7903146, P = 4.2 × 10−10) associated with 2-h glucose. Of the three newly implicated loci (GIPR, ADCY5 and VPS13C), only ADCY5 was found to be associated with type 2 diabetes in collaborating studies (n = 35,869 cases, 89,798 controls, OR = 1.12, 95% CI 1.09–1.15, P = 4.8 × 10−18).