ABSTRACT While comorbidity between coronary heart disease (CHD) and depression is evident, it is unclear whether the two diseases have shared underlying mechanisms. We performed a range of analyses in 367,703 unrelated middle-aged participants of European ancestry from UK Biobank, a population based cohort study, to assess whether comorbidity is primarily due to genetic or environmental factors, and to test whether cardiovascular risk factors and CHD are likely to be causally related to depression using Mendelian randomization. We showed family history of heart disease was associated with a 20% increase in depression risk (95% confidence interval [CI] 16% to 24%, p<0.0001), but a genetic risk score that is strongly associated with CHD risk was not associated with depression. An increase of one standard deviation in the CH D genetic risk score was associated with 71% higher CHD risk, but 1% higher depression risk (95% CI 0% to 3%; p=0.11). Mendelian randomization analyses suggested that triglycerides, interleukin-6 (IL-6), and C-reactive protein (CRP) are likely causal risk factors for depression. The odds ratio for depression per standard deviation increase in genetically-predicted triglycerides was 1.18 (95% CI 1.09 to 1.27; p=2×10 -5 ); per unit increase in genetically-predicted log-transformed I L-6 was 0.74 (95% CI 0.62 to 0.89; p=0.0012); and per unit increase in genetically-predicted log-transformed CRP was 1.18 (95% CI 1.07 to 1.29; p=0.0009). Our analyses suggest that comorbidity between depression and CHD arises largely from shared environmental factors. I L-6, CRP and triglycerides, are likely to be causally linked with depression, so could be targets for treatment and prevention of depression.

ABSTRACT Translating genome-wide association loci to therapies requires knowledge of the causal genes, their directionality of effect and the cell-types in which they act. To infer these relationships in the human brain, we implemented Mendelian randomisation using single cell-type expression quantitative trait loci (eQTLs) as genetic anchors. Expression QTLs were mapped across 8 major cell-types in brain tissue exclusively ascertained from donors with no history of brain disease. We report evidence for a causal association between the change in expression of 118 genes and one or more of 16 brain phenotypes, revealing candidate targets for risk mitigation and opportunities for shared preventative therapeutic strategies. We highlight key causal genes for neurodegenerative and neuropsychiatric disease and for each, we report its cellular context and the therapeutic directionality required for risk mitigation. Our use of control samples establishes a new resource for the causal interpretation of GWAS risk alleles for human brain phenotypes.

Abstract Modern high-throughput experiments provide a rich resource to investigate causal determinants of disease risk. Mendelian randomization (MR) is the use of genetic variants as instrumental variables to infer the causal effect of a specific risk factor on an outcome. Multivariable MR is an extension of the standard MR framework to consider multiple potential risk factors in a single model. However, current implementations of multivariable MR use standard linear regression and hence perform poorly with many risk factors. Here, we propose a novel approach to two-sample multivariable MR based on Bayesian model averaging (MR-BMA) that scales to high-throughput experiments. In a realistic simulation study, we show that MR-BMA can detect true causal risk factors even when the candidate risk factors are highly correlated. We illustrate MR-BMA by analysing publicly-available summarized data on metabolites to prioritise likely causal biomarkers for age-related macular degeneration.

Background: A robust method for Mendelian randomization does not require all genetic variants to be valid instruments to give consistent estimates of a causal parameter. Several such methods have been developed, including a mode-based estimation method giving consistent estimates if a plurality of genetic variants are valid instruments; that is, there is no larger subset of invalid instruments estimating the same causal parameter than the subset of valid instruments. Methods: We here develop a model averaging method that gives consistent estimates under the same 'plurality of valid instruments' assumption. The method considers a mixture distribution of estimates derived from each subset of genetic variants. The estimates are weighted such that subsets with more genetic variants receive more weight, unless variants in the subset have heterogeneous causal estimates, in which case that subset is severely downweighted. The mode of this mixture distribution is the causal estimate. This heterogeneity-penalized model averaging method has several technical advantages over the previously proposed mode-based estimation method. Results: The heterogeneity-penalized model averaging method outperformed the mode-based estimation in terms of efficiency and outperformed other robust methods in terms of Type 1 error rate in an extensive simulation analysis. The proposed method suggests two distinct mechanisms by which inflammation affects coronary heart disease risk, with subsets of variants suggesting both positive and negative causal effects. Conclusions: The heterogeneity-penalized model averaging method is an additional robust method for Mendelian randomization with excellent theoretical and practical properties, and can reveal features in the data such as the presence of multiple causal mechanisms.

Background: Prostate-specific-antigen (PSA) screening resulted in reduced prostate cancer (PCa) mortality in a large clinical trial, but due to a high false-positive rate, among other concerns, many guidelines do not endorse universal screening and instead recommend an individualized decision based on each patient's risk. Genetic risk may provide key information to guide the decisions of whether and at what age to screen an individual man for PCa. Methods: Genotype, PCa status, and age from 34,444 men of European ancestry from the PRACTICAL consortium database were analyzed to select single-nucleotide polymorphisms (SNPs) associated with prostate cancer diagnosis. These SNPs were then incorporated into a survival analysis to estimate their effects on age at PCa diagnosis. The resulting polygenic hazard score (PHS) is an assessment of individual genetic risk. The final model was validated in an independent dataset comprised of 6,417 men with screening PSA and genotype data. PHS was calculated for these men to test for prediction of PCa-free survival. PHS was also combined with age-specific PCa incidence data from the U.S. population to generate a PCa-Risk (PCaR) age that relates a given man's risk to that of the population average. PHS and PCaR age were evaluated for prediction of positive predictive value (PPV) of PSA screening. Findings: PHS calculated from 54 SNPs was very highly predictive of age at PCa diagnosis for men in the validation set (p=10^-53). PPV of PSA screening varied from 0.18 to 0.52 for men with low and high genetic risk, respectively. PHS modulates PCa-free survival curves by an estimated 20 years between men in the 1st or 99th percentiles of genetic risk. Interpretation: Polygenic hazard scores give personalized genetic risk estimates and can inform the decisions of whether and at what age to screen a man for PCa.

Bisulfite amplicon sequencing has become the primary choice for single-base methylation quantification of multiple targets in parallel. The main limitation of this technology is a preferential amplification of an allele and strand in the PCR due to methylation state. This effect, known as "PCR bias", causes inaccurate estimation of the methylation levels and calibration methods based on standard controls have been proposed to correct for it. Here, we present a Bayesian calibration tool, MethylCal, which can analyse jointly all CpGs within a DMR or CpG island, avoiding "one-at-a-time" CpG calibration. This enables more precise modeling of the methylation levels observed in the standard controls. It also provides accurate predictions of the methylation levels not considered in the controlled experiment, a feature that is paramount in the derivation of the corrected methylation degree. We tested the proposed method on eight independent assays (two CpG islands and six imprinting DMRs) and demonstrated its benefits, including the ability to detect outliers. We also evaluated MethylCal's calibration in two practical cases, a clinical diagnostic test on 18 patients potentially affected by Beckwith-Wiedemann syndrome, and 17 individuals with celiac disease. The calibration of the methylation levels obtained by MethylCal allows a clearer identification of patients undergoing loss or gain of methylation in borderline cases and could influence further clinical or treatment decisions. MethylCal is availability as an R package on https://github.com/lb664/MethylCal .

Circulating levels of small molecules or metabolites are highly heritable, but the impact of genetic differences in metabolism on human health is not well understood. In this cross-platform, genome-wide meta-analysis of 174 metabolite levels across six cohorts including up to 86,507 participants (70% unpublished data), we identify 499 (362 novel) genome-wide significant associations (p<4.9x10-10) at 144 (94 novel) genomic regions. We show that inheritance of blood metabolite levels in the general population is characterized by pleiotropy, allelic heterogeneity, rare and common variants with large effects, non-linear associations, and enrichment for nonsynonymous variation in transporter and enzyme encoding genes. The majority of identified genes are known to be involved in biochemical processes regulating metabolite levels and to cause monogenic inborn errors of metabolism linked to specific metabolites, such as ASNS (rs17345286, MAF=0.27) and asparagine levels. We illustrate the influence of metabolite-associated variants on human health including a functional variant (rs17681684) in GLP2R associated with citrulline levels, impaired insulin secretion and type 2 diabetes risk. We link genetically-higher serine levels to a 95% reduction in the likelihood of developing macular telangiectasia type 2 [odds ratio (95% confidence interval) per standard deviation higher levels 0.05 (0.03-0.08; p=9.5x10-30)]. We further demonstrate the predictive value of genetic variants identified for serine or glycine levels for this rare and difficult to diagnose degenerative retinal disease [area under the receiver operating characteristic curve: 0.73 (95% confidence interval: 0.70-0.75)], for which low serine availability, through generation of deoxysphingolipids, has recently been shown to be causally relevant. These results show that integration of human genomic variation with circulating small molecule data obtained across different measurement platforms enables efficient discovery of genetic regulators of human metabolism and translation into clinical insights.

Current Mendelian randomization (MR) methods do not reflect complex relationships among multiple exposures and outcomes as is typical for real-life applications. We introduce MrDAG the first MR method to model dependency relations within the exposures, the outcomes, and between them to improve causal effects estimation. MrDAG combines three causal inference strategies in a unified manner. It uses genetic variation as instrumental variables to account for unmeasured confounders. It performs structure learning to detect and orientate the direction of the dependencies within exposures and outcomes. Finally, interventional calculus is employed to derive principled causal effect estimates. MrDAG was motivated to unravel how lifestyle and behavioural exposures impact mental health. It highlights education and smoking as key effective points of intervention given their downstream effects on mental health. These insights would have been difficult to delineate without modelling the causal paths between multiple exposures and outcomes at once.

Abstract The existing framework of Mendelian randomization (MR) infers the causal effect of one or multiple exposures on one single outcome. It is not designed to jointly model multiple outcomes, as would be necessary to detect causes of more than one outcome and would be relevant to model multimorbidity or other related disease outcomes. Here, we introduce Multi-response Mendelian randomization (MR 2 ), a novel MR method specifically designed for multiple outcomes to identify exposures that cause more than one outcome or, conversely, exposures that exert their effect on distinct responses. MR 2 uses a sparse Bayesian Gaussian copula regression framework to detect causal effects while estimating the residual correlation between summary-level outcomes, i.e., the correlation that cannot be explained by the exposures, and viceversa . We show both theoretically and in a comprehensive simulation study how unmeasured shared pleiotropy induces residual correlation. We also reveal how non-genetic factors that affect more than one outcome contribute to their correlation. We demonstrate that by accounting for residual correlation, MR 2 has higher power to detect shared exposures causing more than one outcome. It also provides more accurate causal effect estimates than existing methods that ignore the dependence between related responses. Finally, we illustrate how MR 2 detects shared and distinct causal exposures for five cardiovascular diseases in two applications considering cardiometabolic and lipidomic exposures and uncovers residual correlation between summary-level outcomes reflecting known relationships between cardiovascular diseases.

Aims: To systematically investigate causal relationships between circulating lipids and cardiovascular outcomes, using a Mendelian randomization approach. Methods and Results: In the primary analysis, we performed two-sample multivariable Mendelian randomization using data from participants of European ancestry. We also conducted univariable analyses using inverse-variance weighted and robust methods, and gene-specific analyses using variants that can be considered as proxies for specific lipid-lowering medications. We obtained associations with lipid fractions from the Global Lipids Genetics Consortium, a meta-analysis of 188,577 participants, and genetic associations with cardiovascular outcomes from 367,703 participants in UK Biobank. For LDL-cholesterol, in addition to the expected positive associations with coronary artery disease (CAD) risk (odds ratio per 1 standard deviation increase [OR], 1.45; 95% confidence interval [95%CI] 1.35-1.57) and other atheromatous outcomes (ischemic cerebrovascular disease and peripheral vascular disease), we found independent associations of genetically-predicted LDL-cholesterol with abdominal aortic aneurysm (OR 1.75; 95%CI 1.40-2.17), and aortic valve stenosis (OR 1.46; 95%CI 1.25-1.70). Genetically-predicted triglyceride levels were positively associated with CAD (OR 1.25; 95%CI 1.12-1.40), aortic valve stenosis (OR 1.29; 95%CI 1.04-1.61), and hypertension (OR 1.17; 95%CI 1.07-1.27), but inversely associated with venous thromboembolism (OR 0.79; 95%CI 0.67-0.93). The positive associations of genetically-predicted LDL-cholesterol and triglycerides with heart failure and aortic stenosis appeared to be mediated by CAD. Conclusion: Lowering LDL-cholesterol is likely to prevent abdominal aortic aneurysm and aortic stenosis, in addition to CAD and other atheromatous cardiovascular outcomes. Lowering triglycerides is likely to prevent CAD and aortic valve stenosis, but may increase risk of thromboembolism.