Abstract The number of Mendelian randomization (MR) analyses including large numbers of genetic variants is rapidly increasing. This is due to the proliferation of genome‐wide association studies, and the desire to obtain more precise estimates of causal effects. Since it is unlikely that all genetic variants will be valid instrumental variables, several robust methods have been proposed. We compare nine robust methods for MR based on summary data that can be implemented using standard statistical software. Methods were compared in three ways: by reviewing their theoretical properties, in an extensive simulation study, and in an empirical example. In the simulation study, the best method, judged by mean squared error was the contamination mixture method. This method had well‐controlled Type 1 error rates with up to 50% invalid instruments across a range of scenarios. Other methods performed well according to different metrics. Outlier‐robust methods had the narrowest confidence intervals in the empirical example. With isolated exceptions, all methods performed badly when over 50% of the variants were invalid instruments. Our recommendation for investigators is to perform a variety of robust methods that operate in different ways and rely on different assumptions for valid inferences to assess the reliability of MR analyses.

Abstract Our understanding of the genetic architecture of the human cerebral cortex is limited both in terms of the diversity of brain structural phenotypes and the anatomical granularity of their associations with genetic variants. Here, we conducted genome-wide association meta-analysis of 13 structural and diffusion magnetic resonance imaging derived cortical phenotypes, measured globally and at 180 bilaterally averaged regions in 36,843 individuals from the UK Biobank and the ABCD cohorts. These phenotypes include cortical thickness, surface area, grey matter volume, and measures of folding, neurite density, and water diffusion. We identified 4,349 experiment-wide significant loci associated with global and regional phenotypes. Multiple lines of analyses identified four genetic latent structures and causal relationships between surface area and some measures of cortical folding. These latent structures partly relate to different underlying gene expression trajectories during development and are enriched for different cell types. We also identified differential enrichment for neurodevelopmental and constrained genes and demonstrate that common genetic variants associated with surface area and volume specifically are associated with cephalic disorders. Finally, we identified complex inter-phenotype and inter-regional genetic relationships among the 13 phenotypes which reflect developmental differences among them. These analyses help refine the role of common genetic variants in human cortical development and organisation. One sentence summary GWAS of 2,347 neuroimaging phenotypes shed light on the global and regional genetic organisation of the cortex, underlying cellular and developmental processes, and links to neurodevelopmental and cephalic disorders.

ABSTRACT Measurement error in polygenic indices (PGIs) attenuates the estimation of their effects in regression models. While this measurement error shrinks with growing Genome-wide Association Study (GWAS) sample sizes, the marginal returns to bigger sample sizes are rapidly decreasing. We analyze and compare two alternative approaches to reduce measurement error: Obviously Related Instrumental Variables (ORIV) and the PGI Repository Correction (PGI-RC). Through simulations, we show that both approaches outperform the typical (meta-analysis based) PGI in terms of bias and root mean squared error. Between families, the PGI-RC performs slightly better than ORIV, unless the prediction sample is very small ( N < 1, 000), or when there is considerable assortative mating. Within families, ORIV is the default choice since the PGI-RC is not available in this setting. We verify the empirical validity of the simulations by predicting educational attainment (EA) and height in a sample of siblings from the UK Biobank. We show that applying ORIV between families increases the standardized effect of the PGI by 12% (height) and by 22% (EA) compared to a meta-analysis-based PGI, yet remains slightly below the PGI-RC estimates. Furthermore, within-family ORIV regression provides the tightest lower bound for the direct genetic effect, increasing the lower bound for the direct genetic effect on EA from 0.14 to 0.18, and for height from 0.54 to 0.61 compared to a meta-analysis-based PGI.

Abstract Human variation in brain morphology and behavior are related and highly heritable. Yet, it is largely unknown to what extent specific features of brain morphology and behavior are genetically related. Here, we introduce multivariate genomic-relatedness restricted maximum likelihood (MGREML) and provide estimates of the heritability of grey-matter volume in 74 regions of interest (ROIs) in the brain. We map genetic correlations between these ROIs and health-relevant behavioral outcomes including intelligence. We find four genetically distinct clusters in the brain that are aligned with standard anatomical subdivision in neuroscience. Behavioral traits have distinct genetic correlations with brain morphology which suggests trait-specific relevance of ROIs.

BACKGROUND: Preeclampsia is a leading cause of maternal and perinatal morbidity and mortality. However, the current understanding of its underlying biological pathways remains limited. METHODS: In this study, we performed a cross-platform proteome- and transcriptome-wide genetic analysis aimed at evaluating the causal relevance of >2000 circulating proteins with preeclampsia, supported by data on the expression of over 15 000 genes across 36 tissues leveraging large-scale preeclampsia genetic association data from women of European ancestry. RESULTS: We demonstrate genetic associations of 18 circulating proteins with preeclampsia (SULT1A1, SH2B3, SERPINE2, RGS18, PZP, NOTUM, METAP1, MANEA, jun-D, GDF15 [growth/differentiation factor 15], FGL1, FGF5, FES, APOBR, ANP, ALDH-E2, ADAMTS13, and 3MG), among which 11 were either directly or indirectly supported by gene expression data, 9 were supported by Bayesian colocalization analyses, and 5 (SERPINE2, PZP, FGF5, FES, and ANP) were supported by all lines of evidence examined. Protein interaction mapping identified potential shared biological pathways through natriuretic peptide signaling, blood pressure regulation, immune tolerance, and thrombin activity regulation. CONCLUSIONS: This investigation identified multiple targetable proteins linked to cardiovascular, inflammatory, and coagulation pathways, with SERPINE2, PZP, FGF5, FES, and ANP identified as pivotal proteins with likely causal roles in the development of preeclampsia. The identification of these potential targets may guide the development of targeted therapies for preeclampsia.

The number of Mendelian randomization analyses including large numbers of genetic variants is rapidly increasing. This is due to the proliferation of genome-wide association studies, and the desire to obtain more precise estimates of causal effects. Since it is unlikely that all genetic variants will be valid instrumental variables, several robust methods have been proposed. We compare nine robust methods for Mendelian randomization based on summary data that can be implemented using standard statistical software. Methods were compared in three ways: by reviewing their theoretical properties, in an extensive simulation study, and in an empirical example to investigate the effect of body mass index on coronary artery disease risk. In the simulation study, the overall best methods, judged by mean squared error, were the contamination mixture method and the mode based estimation method. These methods generally had well-controlled Type 1 error rates with up to 50% invalid instruments across a range of scenarios. Outlier-robust methods such as MR-Lasso, MR-Robust, and MR-PRESSO, had the narrowest confidence intervals in the empirical example. They performed well when most variants were valid instruments with a few outliers, but less well with several invalid instruments. With isolated exceptions, all methods performed badly when over 50\% of the variants were invalid instruments. Our recommendation for investigators is to perform a variety of robust methods that operate in different ways and rely on different assumptions for valid inferences to assess the reliability of Mendelian randomization analyses.