In this study, 1,833 systemic sclerosis (SSc) cases and 3,466 controls were genotyped with the Immunochip array. Classical alleles, amino acid residues, and SNPs across the human leukocyte antigen (HLA) region were imputed and tested. These analyses resulted in a model composed of six polymorphic amino acid positions and seven SNPs that explained the observed significant associations in the region. In addition, a replication step comprising 4,017 SSc cases and 5,935 controls was carried out for several selected non-HLA variants, reaching a total of 5,850 cases and 9,401 controls of European ancestry. Following this strategy, we identified and validated three SSc risk loci, including DNASE1L3 at 3p14, the SCHIP1-IL12A locus at 3q25, and ATG5 at 6q21, as well as a suggested association of the TREH-DDX6 locus at 11q23. The associations of several previously reported SSc risk loci were validated and further refined, and the observed peak of association in PXK was related to DNASE1L3. Our study has increased the number of known genetic associations with SSc, provided further insight into the pleiotropic effects of shared autoimmune risk factors, and highlighted the power of dense mapping for detecting previously overlooked susceptibility loci. In this study, 1,833 systemic sclerosis (SSc) cases and 3,466 controls were genotyped with the Immunochip array. Classical alleles, amino acid residues, and SNPs across the human leukocyte antigen (HLA) region were imputed and tested. These analyses resulted in a model composed of six polymorphic amino acid positions and seven SNPs that explained the observed significant associations in the region. In addition, a replication step comprising 4,017 SSc cases and 5,935 controls was carried out for several selected non-HLA variants, reaching a total of 5,850 cases and 9,401 controls of European ancestry. Following this strategy, we identified and validated three SSc risk loci, including DNASE1L3 at 3p14, the SCHIP1-IL12A locus at 3q25, and ATG5 at 6q21, as well as a suggested association of the TREH-DDX6 locus at 11q23. The associations of several previously reported SSc risk loci were validated and further refined, and the observed peak of association in PXK was related to DNASE1L3. Our study has increased the number of known genetic associations with SSc, provided further insight into the pleiotropic effects of shared autoimmune risk factors, and highlighted the power of dense mapping for detecting previously overlooked susceptibility loci.

Abstract The gut microbiome is associated with diverse diseases, but the universal signature of an (un)healthy microbiome remains elusive and there is a need to understand how genetics, exposome, lifestyle and diet shape the microbiome in health and disease. To fill this gap, we profiled bacterial composition, function, antibiotic resistance and virulence factors in the gut microbiomes of 8,208 Dutch individuals from a three-generational cohort comprising 2,756 families. We then correlated this to 241 host and environmental factors, including physical and mental health, medication use, diet, socioeconomic factors and childhood and current exposome. We identify that the microbiome is primarily shaped by environment and cohousing. Only ∼13% of taxa are heritable, which are enriched with highly prevalent and health-associated bacteria. By identifying 2,856 associations between microbiome and health, we find that seemingly unrelated diseases share a common signature that is independent of comorbidities. Furthermore, we identify 7,519 associations between microbiome features and diet, socioeconomics and early life and current exposome, of which numerous early-life and current factors are particularly linked to the microbiome. Overall, this study provides a comprehensive overview of gut microbiome and the underlying impact of heritability and exposures that will facilitate future development of microbiome-targeted therapies.

Abstract The gut microbiota produce hundreds of small molecules, many of which modulate host physiology. Although efforts have been made to identify biosynthetic genes for secondary metabolites, the chemical output of the gut microbiome consists predominantly of primary metabolites. Here, we systematically profile primary metabolic genes from the gut microbiome, identifying 19,885 gene clusters in 4,240 high-quality microbial genomes. We find marked differences in pathway distribution among phyla, reflecting distinct strategies for energy capture. These data explain taxonomic differences in short-chain fatty acid production and suggest a characteristic metabolic niche for each taxon. Analysis of 1,135 subjects from a Dutch population-based cohort shows that the level of 14 microbiome-derived metabolites in plasma is almost completely uncorrelated with the metagenomic abundance of the corresponding biosynthetic genes, revealing a crucial role for pathway-specific gene regulation and metabolite flux. This work is a starting point for understanding differences in how bacterial taxa contribute to the chemistry of the microbiome.

Abstract Host genetics are known to influence the gut microbiome, yet their role remains poorly understood. To robustly characterize these effects, we performed a genome-wide association study of 207 taxa and 205 pathways representing microbial composition and function within the Dutch Microbiome Project, a population cohort of 7,738 individuals from the northern Netherlands. Two robust, study-wide significant ( p <1.89×10 -10 ) signals near the LCT and ABO genes were found to affect multiple microbial taxa and pathways, and were replicated in two independent cohorts. The LCT locus associations were modulated by lactose intake, while those at ABO reflected participant secretor status determined by FUT2 genotype. Eighteen other loci showed suggestive evidence ( p <5×10 -8 ) of association with microbial taxa and pathways. At a more lenient threshold, the number of loci identified strongly correlated with trait heritability, suggesting that much larger sample sizes are needed to elucidate the remaining effects of host genetics on the gut microbiome.

ABSTRACT Objective Inflammatory bowel disease (IBD) is a multifactorial immune-mediated inflammatory disease of the intestine, comprising Crohn’s disease and ulcerative colitis. By characterising metabolites in faeces, combined with faecal metagenomics, host genetics and clinical characteristics, we aimed to unravel metabolic alterations in IBD. Design We measured 1,684 different faecal metabolites and 8 short-chain and branched-chain fatty acids in stool samples of 424 IBD patients and 255 non-IBD controls. Regression analyses were used to compare concentrations of metabolites between cases and controls and determine the relationship between metabolites and each participant’s lifestyle, clinical characteristics and gut microbiota composition. Moreover, genome-wide association analysis was conducted on faecal metabolite levels. Results We identified over 300 molecules that were differentially abundant in the faeces of patients with IBD. The ratio between a sphingolipid and L-urobilin could discriminate between IBD and non-IBD samples (AUC = 0.85). We found changes in the bile acid pool in patients with dysbiotic microbial communities and a strong association between faecal metabolome and gut microbiota. For example, the abundance of Ruminococcus gnavus was positively associated with tryptamine levels. In addition, we found 158 associations between metabolites and dietary patterns, and polymorphisms near NAT2 strongly associated with coffee metabolism. Conclusion In this large-scale analysis, we identified alterations in the metabolome of patients with IBD that are independent of commonly overlooked confounders such as diet and surgical history. Considering the influence of the microbiome on faecal metabolites, our results pave the way for future interventions targeting intestinal inflammation.

Abstract Expression quantitative trait loci (eQTL) can reveal the regulatory mechanisms of trait associated variants. eQTLs are highly cell-type and context-specific, but often these contexts are unknown or not measured. Here, we introduce PICALO (Principal Interaction Component Analysis through Likelihood Optimization), an unbiased method to identify known and hidden contexts that influence eQTLs. PICALO uses expectation maximization to identify latent components, referred to as Principal Interaction Components (PIC), that interact with genotypes to maximize explained eQTL effect-sizes. We applied PICALO to bulk RNA-seq eQTL datasets in blood (n=2,932) and brain (n=2,440). We identify 31 PICs in blood, interacting with 4,169 (32%) unique cis-eQTLs (BH-FDR≤0.05). In brain, we identified 21 PICs, interacting with 4,058 (39%) unique cis-eQTLs (BH-FDR≤0.05). These PICs are associated with RNA quality, cell type composition or environmental influences. Furthermore, PICs clearly disentangle distinct eQTL contexts, for example technical from non-technical factors. Combined, 3,065 unique genes showed a cis-eQTL effect that is dependent on a cell type or other non-technical context, emphasizing the value of methods like PICALO. PICALO is robust, works well with heterogeneous datasets, yields reproducible interaction components, and identifies eQTL interactions and contexts that would have been missed when using cell counts or expression based principal components. Since PICALO allows for the identification of many context-dependent eQTLs without any prior knowledge of such contexts, this method can help to reveal and quantify the influence of previously unknown environmental factors that play a role in common diseases.

There is a critical need for population-based prospective cohort studies because they follow individuals before the onset of disease, allowing for studies that can identify biomarkers and disease-modifying effects and thereby contributing to systems epidemiology. This paper describes the design and baseline characteristics of an intensively examined subpopulation of the LifeLines cohort in the Netherlands. For this unique sub-cohort, LifeLines DEEP, additional blood (n=1387), exhaled air (n=1425), fecal samples (n=1248) and gastrointestinal health questionnaires (n=1176) were collected for analysis of the genome, epigenome, transcriptome, microbiome, metabolome and other biological levels. Here, we provide an overview of the different data layers in LifeLines DEEP and present baseline characteristics of the study population including food intake and quality of life. We also describe how the LifeLines DEEP cohort allows for the detailed investigation of genetic, genomic and metabolic variation on a wealth of phenotypic outcomes. Finally, we examine the determinants of gastrointestinal health, an area of particular interest to us that can be addressed by LifeLines DEEP.

Abstract Background Coeliac disease (CeD) is a prevalent immune-mediated disorder primarily affecting the small intestine, characterised by a breakdown of tolerance to dietary gluten. Its onset results from the multifaceted interplay of genetic and environmental factors. Recent data show that alterations in gut microbiome composition could play an important role in CeD. However, many current studies have been constrained by small sample sizes and limited resolution. Methods To address these limitations, faecal gut microbiota from two Dutch patient cohorts, CeDNN (129 treated CeD patients; tCeD and 106 non-CeD controls) and the Lifelines Dutch Microbiome Project (24 self-reported treated CeD and 659 non-CeD controls), was analyzed using shotgun metagenomic sequencing. Controls were matched by age, sex, and sequencing depth. Self-reported IBS and IBD were used as comparative conditions of the gastrointestinal tract. Inter-individual variation among cases and controls was calculated for the whole microbiome and on the strain-level. Finally, species-specific gene repertoires were analysed in tCeD patients and controls. Results Alpha diversity was decreased in patients with self-reported IBS and IBD, but not in tCeD. Each condition displayed a unique microbial pattern, with minimal overlap in differentially abundant species. In addition to confirming existing studies, we identified an increase in the abundance of previously unreported species, including Clostridium sp. CAG:253 , Roseburia hominis , and Clostridium lavalense . We demonstrate that changes in tCeD gut microbiome can be, at least partly, explained by adherence to a GFD and report an increased inter-individual variation in gut microbiome composition among tCeD patients. More detailed analyses revealed that a higher bacterial mutation frequency in CeD also leads to a higher inter-individual variation on the strain-level. In line with this, we found that the immotile European subspecies of Eubacterium rectale , with distinct carbohydrate metabolism potential, was nearly absent in tCeD patients. Conclusion Our study sheds light on the complex interplay between the gut microbiome and CeD, revealing unique microbial patterns and increased inter-individual variation among tCeD patients. These findings expand our understanding of the role of the microbiome in intestinal health and disease. Highlights Shotgun metagenomic sequencing of the largest coeliac disease (CeD) patient cohort to date provides insights into gut microbiome composition down to the strain level. Novel associations between tCeD (treated CeD; adhering to a gluten-free diet) were identified. tCeD patients have a less uniform microbiome structure. Bacteria display higher mutation frequency in tCeD, compared to controls. The European subspecies of Eubacterium rectale is almost absent in tCeD patients.

Abstract Rationale Despite significant progress in treatment strategies, cardiovascular disease remains a leading cause of death worldwide. Identifying new potential targets is crucial for enhancing preventive and therapeutic strategies. The gut microbiome has been associated with the development of coronary artery disease (CAD), however our understanding of the precise changes in the gut microbiome occurring during CAD development remains limited. Objective To investigate microbiome changes in participants without clinically manifest CAD with different cardiovascular risk levels and in patients with ST-elevation myocardial infarction (STEMI). Methods and Results In this cross-sectional study we characterized the gut microbiome using metagenomics of 411 fecal samples from individuals with low (n=130), intermediate (n=130) and high (n=125) cardiovascular risk based on the Framingham score, and STEMI patients (n=26). We analyzed alpha and beta diversity of the gut microbiome and differential abundance of species and functional pathways among the different groups while accounting for confounders including medication and technical covariates. Abundances of Collinsella stercoris, Flavonifractor plautii and Ruthenibacterium lactatiformans showed a positive trend with cardiovascular risk, while S treptococcus thermophilus was negatively associated. Furthermore, in the differential abundance analysis we identified eight species and 49 predicted metabolic pathways that were differently abundant among the groups. These species included species linked to inflammation. Starch biosynthesis and phenolic compound degradation pathways were enriched in the gut microbiome of STEMI patients, while pathways associated with vitamin, lipid and amino-acid biosynthesis were depleted. Conclusions We identified four microbial species that demonstrated a gradual trend in their abundance from low risk individuals to those with STEMI, and species and pathways that were differently abundant in STEMI patients compared to groups without clinically manifest CAD. Further investigation is warranted to gain deeper understanding of their precise role in CAD progression and potential implications, with the ultimate goal of identifying novel therapeutic targets. Graphical abstract Created with BioRender.com

Abstract Early development of the gut ecosystem is crucial for lifelong health. While infant gut bacterial communities have been studied extensively, the infant gut virome remains under-explored. We longitudinally assessed the composition of gut viruses and their bacterial hosts in 322 total metagenomes and 205 metaviromes from 30 mothers during and after pregnancy and from their 32 infants during their first year of life. While the maternal gut virome composition remained stable during late pregnancy and after birth, the infant gut virome was dynamic in the first year of life and contained a higher abundance of active temperate phages compared to the maternal gut viromes. The infant gut virome composition was also influenced by infant feeding mode and place of delivery. Lastly, we provide evidence of viral-bacterial strains co-transmission from mothers to infants, demonstrating that infants acquire some of their virome from their mother’s gut. Highlights - Longitudinal characterisation of the gut microbiome and virome in 30 mothers during pregnancy, at birth and 3 months after birth and in 32 infants from birth across the first year of life. - The maternal gut bacteriome changes from the first to the second trimester and then remains stable through birth and the first 3 months after birth. - The maternal gut virome remains stable during late pregnancy, birth and the first 3 months after birth. - The infant gut virome is highly dynamic during the first year of life and is shaped by infant feeding mode and place of delivery. - The infant gut harbours more temperate bacteriophages than the maternal gut, but their relative abundance decreases with increasing infant age. - Gut viral strains and their bacterial host strains are co-transmitted from mothers to their infants. - Gut viral strains are transferred from mother to infant around birth directly or via transfer of their bacterial hosts followed by the induction of prophages.