Objective The assessment of response to lithium maintenance treatment in bipolar disorder (BD) is complicated by variable length of treatment, unpredictable clinical course, and often inconsistent compliance. Prospective and retrospective methods of assessment of lithium response have been proposed in the literature. In this study we report the key phenotypic measures of the “Retrospective Criteria of Long-Term Treatment Response in Research Subjects with Bipolar Disorder” scale currently used in the Consortium on Lithium Genetics (ConLiGen) study. Materials and Methods Twenty-nine ConLiGen sites took part in a two-stage case-vignette rating procedure to examine inter-rater agreement [Kappa (κ)] and reliability [intra-class correlation coefficient (ICC)] of lithium response. Annotated first-round vignettes and rating guidelines were circulated to expert research clinicians for training purposes between the two stages. Further, we analyzed the distributional properties of the treatment response scores available for 1,308 patients using mixture modeling. Results Substantial and moderate agreement was shown across sites in the first and second sets of vignettes (κ = 0.66 and κ = 0.54, respectively), without significant improvement from training. However, definition of response using the A score as a quantitative trait and selecting cases with B criteria of 4 or less showed an improvement between the two stages (ICC1 = 0.71 and ICC2 = 0.75, respectively). Mixture modeling of score distribution indicated three subpopulations (full responders, partial responders, non responders). Conclusions We identified two definitions of lithium response, one dichotomous and the other continuous, with moderate to substantial inter-rater agreement and reliability. Accurate phenotypic measurement of lithium response is crucial for the ongoing ConLiGen pharmacogenomic study.

Bipolar disorder (BD) is a genetically complex mental illness characterized by severe oscillations of mood and behavior. Genome-wide association studies (GWAS) have identified several risk loci that together account for a small portion of the heritability. To identify additional risk loci, we performed a two-stage meta-analysis of >9 million genetic variants in 9,784 bipolar disorder patients and 30,471 controls, the largest GWAS of BD to date. In this study, to increase power we used ~2,000 lithium-treated cases with a long-term diagnosis of BD from the Consortium on Lithium Genetics, excess controls, and analytic methods optimized for markers on the X-chromosome. In addition to four known loci, results revealed genome-wide significant associations at two novel loci: an intergenic region on 9p21.3 (rs12553324, p = 5.87×10-9; odds ratio = 1.12) and markers within ERBB2 (rs2517959, p = 4.53×10-9; odds ratio = 1.13). No significant X-chromosome associations were detected and X-linked markers explained very little BD heritability. The results add to a growing list of common autosomal variants involved in BD and illustrate the power of comparing well-characterized cases to an excess of controls in GWAS.

Background: Lithium is a first-line medication for bipolar disorder (BD), but only ~30% of patients respond optimally to the drug. Since genetic factors are known to mediate lithium treatment response, we hypothesized whether polygenic susceptibility to the spectrum of depression traits is associated with treatment outcomes in patients with BD. In addition, we explored the potential molecular underpinnings of this relationship. Methods: Weighted polygenic scores (PGSs) were computed for major depressive disorder (MDD) and depressive symptoms (DS) in BD patients from the Consortium on Lithium Genetics (ConLi+Gen; n=2,586) who received lithium treatment. Lithium treatment outcome was assessed using the ALDA scale. Summary statistics from genome-wide association studies (GWAS) in MDD (130,664 cases and 330,470 controls) and DS (n=161,460) were used for PGS weighting. Associations between PGSs of depression traits and lithium treatment response were assessed by binary logistic regression. We also performed a cross-trait meta-GWAS, followed by Ingenuity Pathway Analysis. Outcomes: BD patients with a low polygenic load for depressive traits were more likely to respond well to lithium, compared to patients with high polygenic load (MDD: OR =1.64 [95%CI: 1.26-2.15], lowest vs highest PGS quartiles; DS: OR=1.53 [95%CI: 1.18-2.00]). Associations were significant for type 1, but not type 2 BD. Cross-trait GWAS and functional characterization implicated voltage-gated potassium channels, insulin-related pathways, mitogen-activated protein-kinase (MAPK) signaling, and miRNA expression. Interpretation: Genetic loading to depression traits in BD patients lower their odds of responding optimally to lithium. Our findings support the emerging concept of a lithium-responsive biotype in BD. Funding: see attached details. Keywords: lithium treatment, Major depressive disorder, depressive symptoms, depressive traits, bipolar disorder, polygenic score, pharmacogenomics, Voltage-gated potassium channel, insulin, MAPK.

Lithium is a first-line mood stabilizer for the maintenance treatment of Bipolar Disorder (BPD). However, the efficacy of lithium varies widely, with a non-response rate of up to 30%. Biological response markers and predictors are lacking. Objective: Genetic factors are thought to mediate lithium treatment response, and the previously reported genetic overlap between BPD and schizophrenia (SCZ) led us to test whether a polygenic score (PGS) for SCZ could predict lithium treatment response in BPD. Further, we explored the potential molecular underpinnings of this association. Design: Weighted SCZ PGSs were computed at ten p-value thresholds (PT) using summary statistics from a genome-wide association study (GWAS) of 36,989 SCZ cases, and genotype data for BPD patients from the Consortium on Lithium Genetics (ConLi+Gen). For functional exploration, we performed a cross-trait meta-GWAS and pathway analysis, combining GWAS summary statistics on SCZ and lithium treatment response. Setting: International multicenter GWAS. Participants: Patients with BPD who had undergone lithium treatment were genotyped and retrospectively assessed for long-term treatment response (n=2,586). Main outcome measures: Clinical treatment response to lithium was defined on both the categorical and continuous scales using the ALDA score. The effect measures include odds ratios (ORs) and the proportion of variance explained (R2), and a significant association was determined at p<0.05. Results: The PGS for SCZ was inversely associated with lithium treatment response in the categorical outcome (p=8x10-5), at PT <5x10-2. Patients with BPD who had low polygenic load for SCZ responded better to lithium, with ORs for lithium response ranging from 3.46 [95%CI: 1.42-8.41 at 1st decile] to 2.03 [95%CI: 0.86-4.81 at the 9th decile], compared to the patients in the 10th decile of SCZ risk. In the cross-trait meta-GWAS, 15 genetic loci that may have overlapping effects on lithium treatment response and susceptibility to SCZ were identified. Functional pathway and network analysis of these loci point to the HLA complex and inflammatory cytokines (TNFα, IL-4, IFNγ) as molecular contributors to lithium treatment response in BPD. Conclusions and Relevance: The study provides, for the first-time, evidence for a negative association between high genetic loading for SCZ and poor response to lithium in patients with BPD. These results suggest the potential for translational research aimed at personalized prescribing of lithium.

The International Cancer Genome Consortium (ICGC)'s Pan-Cancer Analysis of Whole Genomes (PCAWG) project aimed to categorize somatic and germline variations in both coding and non-coding regions in over 2,800 cancer patients. To provide this dataset to the research working groups for downstream analysis, the PCAWG Technical Working Group marshalled ~800TB of sequencing data from distributed geographical locations; developed portable software for uniform alignment, variant calling, artifact filtering and variant merging; performed the analysis in a geographically and technologically disparate collection of compute environments; and disseminated high-quality validated consensus variants to the working groups. The PCAWG dataset has been mirrored to multiple repositories and can be located using the ICGC Data Portal. The PCAWG workflows are also available as Docker images through Dockstore enabling researchers to replicate our analysis on their own data.

The Alliance of Genome Resources (Alliance) is an extensible coalition of knowledgebases focused on the genetics and genomics of intensively-studied model organisms. The Alliance is organized as individual knowledge centers with strong connections to their research communities and a centralized software infrastructure, discussed here. Model organisms currently represented in the Alliance are budding yeast, C. elegans, Drosophila, zebrafish, frog, laboratory mouse, laboratory rat, and the Gene Ontology Consortium. The project is in a rapid development phase to harmonize knowledge, store it, analyze it, and present it to the community through a web portal, direct downloads, and APIs. Here we focus on developments over the last two years. Specifically, we added and enhanced tools for browsing the genome (JBrowse), downloading sequences, mining complex data (AllianceMine), visualizing pathways, full-text searching of the literature (Textpresso), and sequence similarity searching (SequenceServer). We enhanced existing interactive data tables and added an interactive table of paralogs to complement our representation of orthology. To support individual model organism communities, we implemented species-specific landing pages and will add disease-specific portals soon; in addition, we support a common community forum implemented in Discourse. We describe our progress towards a central persistent database to support curation, the data modeling that underpins harmonization, and progress towards a state-of-the art literature curation system with integrated Artificial Intelligence and Machine Learning (AI/ML).