Abstract We report the largest and most ancestrally diverse genetic study of type 1 diabetes (T1D) to date (61,427 participants), yielding 152 regions associated to false discovery rate < 0.01, including 36 regions associated to genome-wide significance for the first time. Credible sets of disease-associated variants are specifically enriched in immune cell accessible chromatin, particularly in CD4 + effector T cells. Colocalization with chromatin accessibility quantitative trait loci (QTL) in CD4 + T cells identified five regions where differences in T1D risk and chromatin accessibility are potentially driven by the same causal variant. Allele-specific chromatin accessibility further refined the set of putative causal variants with functional relevance in CD4 + T cells and integration of whole blood expression QTLs identified candidate T1D genes, providing high-yield targets for mechanistic follow-up. We highlight rs72938038 in BACH2 as a candidate causal T1D variant, where the T1D risk allele leads to decreased enhancer accessibility and BACH2 expression in T cells. Finally, we prioritise potential drug targets by integrating genetic evidence, functional genomic maps, and immune protein-protein interactions, identifying 12 genes implicated in T1D that have been targeted in clinical trials for autoimmune diseases. These findings provide an expanded genomic landscape for T1D, including proposed genetic regulatory mechanisms of T1D-associated variants and genetic support for therapeutic targets for immune intervention.

Abstract For polygenic traits, associations with genetic variants can be detected over many chromosome regions, owing to the availability oflarge sample sizes. Most variants, however, have small effects on disease risk and, therefore, unravelling the causal variants, target genes, and biology of these variants is challenging. Here, we define the Bigger or False Discovery Rate (BFDR) as the probability that either a variant is a false-positive or a randomly drawn, true-positive association exceeds it in effect size. Using the BFDR, we identified 302 previously unreported signals with larger effect associations with type 1 diabetes and autoimmune thyroid disease. Out of 239 genome-wide significant signals in both diseases, only 66 (28%) show evidence for having a large effect using the BFDR, further demonstrating how using a combination of effect size and significance, rather than significance alone, is important in identifying SNPs and candidate genes for further investigation.

Abstract Aims/hypothesis Given the potential shared aetiology between type 1 and type 2 diabetes, we aimed to identify any genetic regions associated with both diseases. For associations where there is a shared signal and the allele that increases risk to one disease also increases risk to the other, inference about shared aetiology could be made, with the potential to develop therapeutic strategies to treat or prevent both diseases simultaneously. Alternatively, if a genetic signal colocalises with divergent effect directions, it could provide valuable biological insight into how the association affects the two diseases differently. Methods Using publicly available type 2 diabetes summary statistics from a genomewide association study (GWAS) meta-analysis of European ancestry individuals (74,124 cases and 824,006 controls) and type 1 diabetes GWAS summary statistics from a meta-analysis of studies on individuals from the UK and Sardinia (7,467 cases and 10,218 controls), we identified all regions of 0.5 Mb that contained variants associated with both diseases (false discovery rate<0.01). In each region, we performed forward stepwise logistic regression to identify independent association signals, then examined colocalisation of each type 1 diabetes signal with each type 2 diabetes signal using coloc . Any association with a colocalisation posterior probability of ≥0.9 was considered a genuine shared association with both diseases. Results Of the 81 association signals from 42 genetic regions that showed association with both type 1 and type 2 diabetes, four association signals colocalised between both diseases (posterior probability ≥0.9): (i) chromosome 16q23.1, near Chymotripsinogen B1 ( CTRB1 ) / Breast Cancer Anti-Estrogen Resistance Protein 1 ( BCAR1 ), which has been previously identified; (ii) chromosome 11p15.5, near the Insulin (INS) gene; (iii) chromosome 4p16.3, near Transmembrane protein 129 ( TMEM129 ), and (iv) chromosome 1p31.3, near Phosphoglucomutase 1 ( PGM1 ). In each of these regions, the effect of genetic variants on type 1 diabetes was in the opposite direction to the effect on type 2 diabetes. Use of additional datasets also supported the previously identified colocalisation on chromosome 9p24.2, near the GLIS Family Zinc Finger Protein 3 ( GLIS3 ) gene, in this case with a concordant direction of effect. Conclusions/interpretation That four of five association signals that colocalise between type 1 diabetes and type 2 diabetes are in opposite directions suggests a complex genetic relationship between the two diseases. Research in Context What is already known about this subject? Other than insulin, there are currently no treatments for both type 1 and type 2 diabetes. Findings that genetic variants near the GLIS3 gene increase risk of both type 1 and type 2 diabetes have indicated shared genetic mechanisms at the level of the pancreatic β cell. What is the key question? By examining chromosome regions associated with both diseases, are there any more variants that affect risk of both diseases and could support common mechanisms and repositioning of therapeutics between the diseases? What are the new findings? At current sample sizes, there is evidence that five genetic variants in different chromosome regions impact risk of developing both diseases. However, four of these variants have the opposite direction of effect in type 1 diabetes compared to type 2 diabetes, with only one, near GLIS3 , having a concordant direction of effect. How might this impact on clinical practise in the foreseeable future? Genetic findings have furthered research in type 1 and type 2 diabetes independently, and suggest therapeutic strategies. However, our current investigation into their shared genetics suggests that repositioning of current type 2 diabetes treatments into type 1 diabetes may not be straightforward.

Abstract We recently mapped a genetic susceptibility locus on chromosome 6q22.33 for type 1 diabetes diagnosed below age of 7 years near the gene Protein tyrosine phosphatase receptor type K ( PTPRK) and the thymocyte selection associated gene ( THEMIS) . As the thymus plays a central role in shaping the T cell repertoire, we aimed to identify the most likely causal genetic factors behind the association using thymocyte genomic data. In four thymocyte populations we identified 253 DNA sequence motifs underlying histone modifications. The G insertion allele of rs138300818, associated with protection from diabetes, created thymocyte motifs for multiple histone modifications and thymocyte types. The insertion also disrupted a predicted RFX5/7 transcription factor binding site. RFX7 is abundantly expressed in thymus. Chromatin state and RNA sequencing data suggested strong transcription overlapping rs138300818 in fetal thymus, while eQTL and chromatin conformation data indicated that the rs138300818 insertion is associated with lower THEMIS expression. Taken together, our results support a role for thymic THEMIS gene expression and the rs138300818 variant in promoting the development and diagnosis of type 1 diabetes at an earlier age.

Objective Immunohistological analyses of pancreata from patients with type 1 diabetes suggest a stratification of islet pathology of both B and T lymphocyte islet inflammation common in children diagnosed at <7 years (<7 group), whereas B cells are rare in those diagnosed age ≥13 (≥13 group). Based on these observations, we sought to identify differences in genetic susceptibility between these age-at-diagnosis groups, to inform on the aetiology of the most aggressive form of type 1 diabetes that initiates in the first years of life.Research Design and Methods Using multinomial logistic regression models, we tested if known type 1 diabetes loci (17 within the HLA region and 55 non-HLA regions) had significantly stronger effect sizes in the <7 group compared to the ≥13 group, using genotype data from 27,075 individuals (18,488 controls, 3,109 cases diagnosed at <7, 3,754 at 7-13 and 1,724 at ≥13).Results Six HLA haplotypes/classical alleles and seven non-HLA regions, one of which functions specifically in beta cells ( GLIS3 ), and the other six likely affecting key T cell ( IL2RA, IL10, SIRPG, IKZF3, THEMIS ), thymus ( THEMIS ) and B cell development/functions ( IKZF3, IL10 ) or in both immune and beta cells ( CTSH ) had stronger effects in the <7 group.Conclusions In newborn children with the greatest load of certain risk alleles, dysregulated response of immune and beta cells to environmental stresses such as virus infection, combine to cause a rapid loss of insulin production, driving down the age of type 1 diabetes diagnosis.

Early stages of type 1 diabetes (T1D) are characterized by local autoimmune inflammation and progressive loss of insulin-producing pancreatic β cells. We show here that exposure to pro-inflammatory cytokines unmasks a marked plasticity of the β-cell regulatory landscape. We expand the repertoire of human islet regulatory elements by mapping stimulus-responsive enhancers linked to changes in the β-cell transcriptome, proteome and 3D chromatin structure. Our data indicates that the β cell response to cytokines is mediated by the induction of novel regulatory regions as well as the activation of primed regulatory elements pre-bound by islet-specific transcription factors. We found that T1D-associated loci are enriched of the newly mapped cis-regulatory regions and identify T1D-associated variants disrupting cytokine-responsive enhancer activity in human β cells. Our study illustrates how β cells respond to a pro-inflammatory environment and implicate a role for stimulus-response islet enhancers in T1D.

Genome-wide association studies (GWAS) have identified over 150,000 links between common genetic variants and human traits or complex diseases. Over 80% of these associations map to polymorphisms in non-coding DNA. Therefore, the challenge is to identify disease-causing variants, the genes they affect, and the cells in which these effects occur. We have developed a platform using ATAC-seq, DNaseI footprints, NG Capture-C and machine learning to address this challenge. Applying this approach to red blood cell traits identifies a significant proportion of known causative variants and their effector genes, which we show can be validated by direct in vivo modelling.