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.

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.

Approximately 1.5 billion people worldwide are overweight or affected by obesity, and are at risk of developing type 2 diabetes, cardiovascular disease and related metabolic and inflammatory disturbances. Although the mechanisms linking adiposity to associated clinical conditions are poorly understood, recent studies suggest that adiposity may influence DNA methylation, a key regulator of gene expression and molecular phenotype. Here we use epigenome-wide association to show that body mass index (BMI; a key measure of adiposity) is associated with widespread changes in DNA methylation (187 genetic loci with P < 1 × 10-7, range P = 9.2 × 10-8 to 6.0 × 10-46; n = 10,261 samples). Genetic association analyses demonstrate that the alterations in DNA methylation are predominantly the consequence of adiposity, rather than the cause. We find that methylation loci are enriched for functional genomic features in multiple tissues (P < 0.05), and show that sentinel methylation markers identify gene expression signatures at 38 loci (P < 9.0 × 10-6, range P = 5.5 × 10-6 to 6.1 × 10-35, n = 1,785 samples). The methylation loci identify genes involved in lipid and lipoprotein metabolism, substrate transport and inflammatory pathways. Finally, we show that the disturbances in DNA methylation predict future development of type 2 diabetes (relative risk per 1 standard deviation increase in methylation risk score: 2.3 (2.07-2.56); P = 1.1 × 10-54). Our results provide new insights into the biologic pathways influenced by adiposity, and may enable development of new strategies for prediction and prevention of type 2 diabetes and other adverse clinical consequences of obesity.

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

Indian Asians, who make up a quarter of the world's population, are at high risk of developing type 2 diabetes. We investigated whether DNA methylation is associated with future type 2 diabetes incidence in Indian Asians and whether differences in methylation patterns between Indian Asians and Europeans are associated with, and could be used to predict, differences in the magnitude of risk of developing type 2 diabetes.We did a nested case-control study of DNA methylation in Indian Asians and Europeans with incident type 2 diabetes who were identified from the 8-year follow-up of 25 372 participants in the London Life Sciences Prospective Population (LOLIPOP) study. Patients were recruited between May 1, 2002, and Sept 12, 2008. We did epigenome-wide association analysis using samples from Indian Asians with incident type 2 diabetes and age-matched and sex-matched Indian Asian controls, followed by replication testing of top-ranking signals in Europeans. For both discovery and replication, DNA methylation was measured in the baseline blood sample, which was collected before the onset of type 2 diabetes. Epigenome-wide significance was set at p<1 × 10(-7). We compared methylation levels between Indian Asian and European controls without type 2 diabetes at baseline to estimate the potential contribution of DNA methylation to increased risk of future type 2 diabetes incidence among Indian Asians.1608 (11·9%) of 13 535 Indian Asians and 306 (4·3%) of 7066 Europeans developed type 2 diabetes over a mean of 8·5 years (SD 1·8) of follow-up. The age-adjusted and sex-adjusted incidence of type 2 diabetes was 3·1 times (95% CI 2·8-3·6; p<0·0001) higher among Indian Asians than among Europeans, and remained 2·5 times (2·1-2·9; p<0·0001) higher after adjustment for adiposity, physical activity, family history of type 2 diabetes, and baseline glycaemic measures. The mean absolute difference in methylation level between type 2 diabetes cases and controls ranged from 0·5% (SD 0·1) to 1·1% (0·2). Methylation markers at five loci were associated with future type 2 diabetes incidence; the relative risk per 1% increase in methylation was 1·09 (95% CI 1·07-1·11; p=1·3 × 10(-17)) for ABCG1, 0·94 (0·92-0·95; p=4·2 × 10(-11)) for PHOSPHO1, 0·94 (0·92-0·96; p=1·4 × 10(-9)) for SOCS3, 1·07 (1·04-1·09; p=2·1 × 10(-10)) for SREBF1, and 0·92 (0·90-0·94; p=1·2 × 10(-17)) for TXNIP. A methylation score combining results for the five loci was associated with future type 2 diabetes incidence (relative risk quartile 4 vs quartile 1 3·51, 95% CI 2·79-4·42; p=1·3 × 10(-26)), and was independent of established risk factors. Methylation score was higher among Indian Asians than Europeans (p=1 × 10(-34)).DNA methylation might provide new insights into the pathways underlying type 2 diabetes and offer new opportunities for risk stratification and prevention of type 2 diabetes among Indian Asians.The European Union, the UK National Institute for Health Research, the Wellcome Trust, the UK Medical Research Council, Action on Hearing Loss, the UK Biotechnology and Biological Sciences Research Council, the Oak Foundation, the Economic and Social Research Council, Helmholtz Zentrum Munchen, the German Research Center for Environmental Health, the German Federal Ministry of Education and Research, the German Center for Diabetes Research, the Munich Center for Health Sciences, the Ministry of Science and Research of the State of North Rhine-Westphalia, and the German Federal Ministry of Health.

Data regarding high-sensitivity troponin concentrations in patients presenting to the emergency department with symptoms suggestive of myocardial infarction may be useful in determining the probability of myocardial infarction and subsequent 30-day outcomes.In 15 international cohorts of patients presenting to the emergency department with symptoms suggestive of myocardial infarction, we determined the concentrations of high-sensitivity troponin I or high-sensitivity troponin T at presentation and after early or late serial sampling. The diagnostic and prognostic performance of multiple high-sensitivity troponin cutoff combinations was assessed with the use of a derivation-validation design. A risk-assessment tool that was based on these data was developed to estimate the risk of index myocardial infarction and of subsequent myocardial infarction or death at 30 days.Among 22,651 patients (9604 in the derivation data set and 13,047 in the validation data set), the prevalence of myocardial infarction was 15.3%. Lower high-sensitivity troponin concentrations at presentation and smaller absolute changes during serial sampling were associated with a lower likelihood of myocardial infarction and a lower short-term risk of cardiovascular events. For example, high-sensitivity troponin I concentrations of less than 6 ng per liter and an absolute change of less than 4 ng per liter after 45 to 120 minutes (early serial sampling) resulted in a negative predictive value of 99.5% for myocardial infarction, with an associated 30-day risk of subsequent myocardial infarction or death of 0.2%; a total of 56.5% of the patients would be classified as being at low risk. These findings were confirmed in an external validation data set.A risk-assessment tool, which we developed to integrate the high-sensitivity troponin I or troponin T concentration at emergency department presentation, its dynamic change during serial sampling, and the time between the obtaining of samples, was used to estimate the probability of myocardial infarction on emergency department presentation and 30-day outcomes. (Funded by the German Center for Cardiovascular Research [DZHK]; ClinicalTrials.gov numbers, NCT00470587, NCT02355457, NCT01852123, NCT01994577, and NCT03227159; and Australian New Zealand Clinical Trials Registry numbers, ACTRN12611001069943, ACTRN12610000766011, ACTRN12613000745741, and ACTRN12611000206921.).

Multimorbidity is a common problem in aged populations with a wide range of individual and societal consequences. The objective of the study was to explore patterns of comorbidity and multimorbidity in an elderly population using different analytical approaches. Data were gathered from the population-based KORA-Age project, which included 4,127 persons aged 65-94 years living in the city of Augsburg and its two surrounding counties in Southern Germany. Information on the presence of 13 chronic conditions was collected in a standardized telephone interview and a self-administered questionnaire. Patterns of comorbidity and multimorbidity were analyzed using prevalence figures, logistic regression models and exploratory tetrachoric factor analysis. The prevalence of multimorbidity (≥2 diseases) was 58.6% in the total sample. Hypertension and diabetes (Odds Ratio [OR] 2.95, 99.58% confidence interval [CI] [2.19-3.96]), as well as hypertension and stroke (OR 2.00, 99.58% CI [1.26-3.16]) most often occurred in combination. This association was independent of age, sex and the presence of other conditions. Using factor analysis, we identified four patterns of multimorbidity: the first pattern includes cardiovascular and metabolic diseases, the second includes joint, liver, lung and eye diseases, the third covers mental and neurologic diseases and the fourth pattern includes gastrointestinal diseases and cancer. 44% of the persons were assigned to at least one of the four multimorbidity patterns; 14% could be assigned to both the cardiovascular/metabolic and the joint/liver/lung/eye pattern. Further common pairs were the mental/neurologic pattern combined with the cardiovascular/metabolic pattern (7.2%) or the joint/liver/lung/eye pattern (5.3%), respectively. Our results confirmed the existence of co-occurrence of certain diseases in elderly persons, which is not caused by chance. Some of the identified patterns of multimorbidity and their overlap may indicate common underlying pathological mechanisms.

Five modifiable risk factors are associated with cardiovascular disease and death from any cause. Studies using individual-level data to evaluate the regional and sex-specific prevalence of the risk factors and their effect on these outcomes are lacking.We pooled and harmonized individual-level data from 112 cohort studies conducted in 34 countries and 8 geographic regions participating in the Global Cardiovascular Risk Consortium. We examined associations between the risk factors (body-mass index, systolic blood pressure, non-high-density lipoprotein cholesterol, current smoking, and diabetes) and incident cardiovascular disease and death from any cause using Cox regression analyses, stratified according to geographic region, age, and sex. Population-attributable fractions were estimated for the 10-year incidence of cardiovascular disease and 10-year all-cause mortality.Among 1,518,028 participants (54.1% of whom were women) with a median age of 54.4 years, regional variations in the prevalence of the five modifiable risk factors were noted. Incident cardiovascular disease occurred in 80,596 participants during a median follow-up of 7.3 years (maximum, 47.3), and 177,369 participants died during a median follow-up of 8.7 years (maximum, 47.6). For all five risk factors combined, the aggregate global population-attributable fraction of the 10-year incidence of cardiovascular disease was 57.2% (95% confidence interval [CI], 52.4 to 62.1) among women and 52.6% (95% CI, 49.0 to 56.1) among men, and the corresponding values for 10-year all-cause mortality were 22.2% (95% CI, 16.8 to 27.5) and 19.1% (95% CI, 14.6 to 23.6).Harmonized individual-level data from a global cohort showed that 57.2% and 52.6% of cases of incident cardiovascular disease among women and men, respectively, and 22.2% and 19.1% of deaths from any cause among women and men, respectively, may be attributable to five modifiable risk factors. (Funded by the German Center for Cardiovascular Research (DZHK); ClinicalTrials.gov number, NCT05466825.).

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.