Macronutrient intake, the proportion of calories consumed from carbohydrate, fat, and protein, is an important risk factor for metabolic diseases with significant familial aggregation. Previous studies have identified two genetic loci for macronutrient intake, but incomplete coverage of genetic variation and modest sample sizes have hindered the discovery of additional loci. Here, we expanded the genetic landscape of macronutrient intake, identifying 12 suggestively significant loci (P < 1 × 10−6) associated with intake of any macronutrient in 91,114 European ancestry participants. Four loci replicated and reached genome-wide significance in a combined meta-analysis including 123,659 European descent participants, unraveling two novel loci; a common variant in RARB locus for carbohydrate intake and a rare variant in DRAM1 locus for protein intake, and corroborating earlier FGF21 and FTO findings. In additional analysis of 144,770 participants from the UK Biobank, all identified associations from the two-stage analysis were confirmed except for DRAM1. Identified loci might have implications in brain and adipose tissue biology and have clinical impact in obesity-related phenotypes. Our findings provide new insight into biological functions related to macronutrient intake.

To investigate whether the genetic burden of type 2 diabetes modifies the association between the quality of dietary fat and the incidence of type 2 diabetes.Individual participant data meta-analysis.Eligible prospective cohort studies were systematically sourced from studies published between January 1970 and February 2017 through electronic searches in major medical databases (Medline, Embase, and Scopus) and discussion with investigators.Data from cohort studies or multicohort consortia with available genome-wide genetic data and information about the quality of dietary fat and the incidence of type 2 diabetes in participants of European descent was sought. Prospective cohorts that had accrued five or more years of follow-up were included. The type 2 diabetes genetic risk profile was characterized by a 68-variant polygenic risk score weighted by published effect sizes. Diet was recorded by using validated cohort-specific dietary assessment tools. Outcome measures were summary adjusted hazard ratios of incident type 2 diabetes for polygenic risk score, isocaloric replacement of carbohydrate (refined starch and sugars) with types of fat, and the interaction of types of fat with polygenic risk score.Of 102 305 participants from 15 prospective cohort studies, 20 015 type 2 diabetes cases were documented after a median follow-up of 12 years (interquartile range 9.4-14.2). The hazard ratio of type 2 diabetes per increment of 10 risk alleles in the polygenic risk score was 1.64 (95% confidence interval 1.54 to 1.75, I2=7.1%, τ2=0.003). The increase of polyunsaturated fat and total omega 6 polyunsaturated fat intake in place of carbohydrate was associated with a lower risk of type 2 diabetes, with hazard ratios of 0.90 (0.82 to 0.98, I2=18.0%, τ2=0.006; per 5% of energy) and 0.99 (0.97 to 1.00, I2=58.8%, τ2=0.001; per increment of 1 g/d), respectively. Increasing monounsaturated fat in place of carbohydrate was associated with a higher risk of type 2 diabetes (hazard ratio 1.10, 95% confidence interval 1.01 to 1.19, I2=25.9%, τ2=0.006; per 5% of energy). Evidence of small study effects was detected for the overall association of polyunsaturated fat with the risk of type 2 diabetes, but not for the omega 6 polyunsaturated fat and monounsaturated fat associations. Significant interactions between dietary fat and polygenic risk score on the risk of type 2 diabetes (P>0.05 for interaction) were not observed.These data indicate that genetic burden and the quality of dietary fat are each associated with the incidence of type 2 diabetes. The findings do not support tailoring recommendations on the quality of dietary fat to individual type 2 diabetes genetic risk profiles for the primary prevention of type 2 diabetes, and suggest that dietary fat is associated with the risk of type 2 diabetes across the spectrum of type 2 diabetes genetic risk.

Smoking is a potentially causal behavioral risk factor for type 2 diabetes (T2D), but not all smokers develop T2D. It is unknown whether genetic factors partially explain this variation. We performed genome-environment-wide interaction studies to identify loci exhibiting potential interaction with baseline smoking status (ever vs. never) on incident T2D and fasting glucose (FG). Analyses were performed in participants of European (EA) and African ancestry (AA) separately. Discovery analyses were conducted using genotype data from the 50,000-single-nucleotide polymorphism (SNP) ITMAT-Broad-CARe (IBC) array in 5 cohorts from from the Candidate Gene Association Resource Consortium (n = 23,189). Replication was performed in up to 16 studies from the Cohorts for Heart Aging Research in Genomic Epidemiology Consortium (n = 74,584). In meta-analysis of discovery and replication estimates, 5 SNPs met at least one criterion for potential interaction with smoking on incident T2D at p<1x10-7 (adjusted for multiple hypothesis-testing with the IBC array). Two SNPs had significant joint effects in the overall model and significant main effects only in one smoking stratum: rs140637 (FBN1) in AA individuals had a significant main effect only among smokers, and rs1444261 (closest gene C2orf63) in EA individuals had a significant main effect only among nonsmokers. Three additional SNPs were identified as having potential interaction by exhibiting a significant main effects only in smokers: rs1801232 (CUBN) in AA individuals, rs12243326 (TCF7L2) in EA individuals, and rs4132670 (TCF7L2) in EA individuals. No SNP met significance for potential interaction with smoking on baseline FG. The identification of these loci provides evidence for genetic interactions with smoking exposure that may explain some of the heterogeneity in the association between smoking and T2D.

Insulin resistance (IR) and inflammation are hallmarks of type 2 diabetes (T2D). The nod-like receptor pyrin domain containing-3 (NLRP3) inflammasome is a metabolic sensor activated by saturated fatty acids (SFA) initiating IL-1β inflammation and IR. Interactions between SFA intake and NLRP3-related genetic variants may alter T2D risk factors.Meta-analyses of six Cohorts for Heart and Aging Research in Genomic Epidemiology Consortium (n = 19 005) tested interactions between SFA and NLRP3-related single-nucleotide polymorphisms (SNPs) and modulation of fasting insulin, fasting glucose, and homeostasis model assessment of insulin resistance.SFA interacted with rs12143966, wherein each 1% increase in SFA intake increased insulin by 0.0063 IU mL-1 (SE ± 0.002, p = 0.001) per each major (G) allele copy. rs4925663, interacted with SFA (β ± SE = -0.0058 ± 0.002, p = 0.004) to increase insulin by 0.0058 IU mL-1 , per additional copy of the major (C) allele. Both associations are close to the significance threshold (p < 0.0001). rs4925663 causes a missense mutation affecting NLRP3 expression.Two NLRP3-related SNPs showed potential interaction with SFA to modulate fasting insulin. Greater dietary SFA intake accentuates T2D risk, which, subject to functional validation, may be further elaborated depending on NLRP3-related genetic variants.

Summary A primary obstacle in translating genetics and genomics data into therapeutic strategies is elucidating the cellular programs affected by genetic variants and genes associated with human diseases. Broadly applicable high-throughput, unbiased assays offer a path to rapidly characterize gene and variant function and thus illuminate disease mechanisms. Here, we report LipocyteProfiler, an unbiased high-throughput, high-content microscopy assay that is amenable to large-scale morphological and cellular profiling of lipid-accumulating cell types. We apply LipocyteProfiler to adipocytes and hepatocytes and demonstrate its ability to survey diverse cellular mechanisms by generating rich context-, and process-specific morphological and cellular profiles. We then use LipocyteProfiler to identify known and novel cellular programs altered by polygenic risk of metabolic disease, including insulin resistance, waist-to-hip ratio and the polygenic contribution to lipodystrophy. LipocyteProfiler paves the way for large-scale forward and reverse phenotypic profiling in lipid-storing cells, and provides a framework for the unbiased identification of causal relationships between genetic variants and cellular programs relevant to human disease.

Background: ChREBP (carbohydrate responsive element binding protein) is a transcription factor that responds to sugar consumption. Sugar-sweetened beverage (SSB) consumption and genetic variants in the CHREBP locus have separately been linked to HDL-C (high-density lipoprotein cholesterol) and triglyceride concentrations. We hypothesized that SSB consumption would modify the association between genetic variants in the CHREBP locus and dyslipidemia. Methods: Data from 11 cohorts from the Cohorts for Heart and Aging Research in Genomic Epidemiology consortium (N=63 599) and the UK Biobank (N=59 220) were used to quantify associations of SSB consumption, genetic variants, and their interaction on HDL-C and triglyceride concentrations using linear regression models. A total of 1606 single nucleotide polymorphisms within or near CHREBP were considered. SSB consumption was estimated from validated questionnaires, and participants were grouped by their estimated intake. Results: In a meta-analysis, rs71556729 was significantly associated with higher HDL-C concentrations only among the highest SSB consumers (β, 2.12 [95% CI, 1.16–3.07] mg/dL per allele; P <0.0001), but not significantly among the lowest SSB consumers ( P =0.81; P Diff <0.0001). Similar results were observed for 2 additional variants (rs35709627 and rs71556736). For triglyceride, rs55673514 was positively associated with triglyceride concentrations only among the highest SSB consumers (β, 0.06 [95% CI, 0.02–0.09] ln-mg/dL per allele, P =0.001) but not the lowest SSB consumers ( P =0.84; P Diff =0.0005). Conclusions: Our results identified genetic variants in the CHREBP locus that may protect against SSB-associated reductions in HDL-C and other variants that may exacerbate SSB-associated increases in triglyceride concentrations. Registration: URL: https://www.clinicaltrials.gov ; Unique identifier: NCT00005133, NCT00005121, NCT00005487, and NCT00000479.

Abstract Upstream open reading frames (uORFs) are important tissue-specific cis -regulators of protein translation. Although isolated case reports have shown that variants that create or disrupt uORFs can cause disease, genetic sequencing approaches typically focus on protein-coding regions and ignore these variants. Here, we describe a systematic genome-wide study of variants that create and disrupt human uORFs, and explore their role in human disease using 15,708 whole genome sequences collected by the Genome Aggregation Database (gnomAD) project. We show that 14,897 variants that create new start codons upstream of the canonical coding sequence (CDS), and 2,406 variants disrupting the stop site of existing uORFs, are under strong negative selection. Furthermore, variants creating uORFs that overlap the CDS show signals of selection equivalent to coding loss-of-function variants, and uORF-perturbing variants are under strong selection when arising upstream of known disease genes and genes intolerant to loss-of-function variants. Finally, we identify specific genes where perturbation of uORFs is likely to represent an important disease mechanism, and report a novel uORF frameshift variant upstream of NF2 in families with neurofibromatosis. Our results highlight uORF-perturbing variants as an important and under-recognised functional class that can contribute to penetrant human disease, and demonstrate the power of large-scale population sequencing data to study the deleteriousness of specific classes of non-coding variants.

Abstract Glycaemic traits are used to diagnose and monitor type 2 diabetes, and cardiometabolic health. To date, most genetic studies of glycaemic traits have focused on individuals of European ancestry. Here, we aggregated genome-wide association studies in up to 281,416 individuals without diabetes (30% non-European ancestry) with fasting glucose, 2h-glucose post-challenge, glycated haemoglobin, and fasting insulin data. Trans-ancestry and single-ancestry meta-analyses identified 242 loci (99 novel; P <5×10 -8 ), 80% with no significant evidence of between-ancestry heterogeneity. Analyses restricted to European ancestry individuals with equivalent sample size would have led to 24 fewer new loci. Compared to single-ancestry, equivalent sized trans-ancestry fine-mapping reduced the number of estimated variants in 99% credible sets by a median of 37.5%. Genomic feature, gene-expression and gene-set analyses revealed distinct biological signatures for each trait, highlighting different underlying biological pathways. Our results increase understanding of diabetes pathophysiology by use of trans-ancestry studies for improved power and resolution.

Abstract Motivation Colocalization analysis is commonly used to assess whether two or more traits share the same genetic signals identified in genome-wide association studies (GWAS), and is important for prioritizing targets for functional follow-up of GWAS results. Existing colocalization methods can have suboptimal performance when there are multiple causal variants in one genomic locus. Results We propose SharePro to extend the COLOC framework for colocalization analysis. Share-Pro integrates linkage disequilibrium (LD) modelling and colocalization assessment by grouping correlated variants into effect groups. With an efficient variational inference algorithm, posterior colocalization probabilities can be accurately estimated. In simulation studies, SharePro demonstrated increased power with a well-controlled false positive rate at a low computational cost. Through a challenging case of the colocalization analysis of the circulating abundance of R-spondin 3 (RSPO3) GWAS and estimated bone mineral density GWAS, we demonstrated the utility of SharePro in identifying biologically plausible colocalized signals. Availability and Implementation The SharePro software for colocalization analysis is openly available at https://github.com/zhwm/SharePro_coloc and the analysis conducted in this study is available at https://github.com/zhwm/SharePro_coloc_analysis .

We aggregated genome-wide genotyping data from 32 European-descent GWAS (74,124 T2D cases, 824,006 controls) imputed to high-density reference panels of >30,000 sequenced haplotypes. Analysis of ~27M variants (~21M with minor allele frequency [MAF]<5%), identified 243 genome-wide significant loci (p<5x10-8; MAF 0.02%-50%; odds ratio [OR] 1.04-8.05), 135 not previously-implicated in T2D-predisposition. Conditional analyses revealed 160 additional distinct association signals (p<10-5) within the identified loci. The combined set of 403 T2D-risk signals includes 56 low-frequency (0.5%≤MAF<5%) and 24 rare (MAF<0.5%) index SNPs at 60 loci, including 14 with estimated allelic OR>2. Forty-one of the signals displayed effect-size heterogeneity between BMI-unadjusted and adjusted analyses. Increased sample size and improved imputation led to substantially more precise localisation of causal variants than previously attained: at 51 signals, the lead variant after fine-mapping accounted for >80% posterior probability of association (PPA) and at 18 of these, PPA exceeded 99%. Integration with islet regulatory annotations enriched for T2D association further reduced median credible set size (from 42 variants to 32) and extended the number of index variants with PPA>80% to 73. Although most signals mapped to regulatory sequence, we identified 18 genes as human validated therapeutic targets through coding variants that are causal for disease. Genome wide chip heritability accounted for 18% of T2D-risk, and individuals in the 2.5% extremes of a polygenic risk score generated from the GWAS data differed >9-fold in risk. Our observations highlight how increases in sample size and variant diversity deliver enhanced discovery and single-variant resolution of causal T2D-risk alleles, and the consequent impact on mechanistic insights and clinical translation.