Abstract Humans vary substantially in their willingness to take risks. In a combined sample of over one million individuals, we conducted genome-wide association studies (GWAS) of general risk tolerance, adventurousness, and risky behaviors in the driving, drinking, smoking, and sexual domains. We identified 611 approximately independent genetic loci associated with at least one of our phenotypes, including 124 with general risk tolerance. We report evidence of substantial shared genetic influences across general risk tolerance and risky behaviors: 72 of the 124 general risk tolerance loci contain a lead SNP for at least one of our other GWAS, and general risk tolerance is moderately to strongly genetically correlated ( to 0.50) with a range of risky behaviors. Bioinformatics analyses imply that genes near general-risk-tolerance-associated SNPs are highly expressed in brain tissues and point to a role for glutamatergic and GABAergic neurotransmission. We find no evidence of enrichment for genes previously hypothesized to relate to risk tolerance.

Background: The methylation status of numerous CpG sites in the human genome varies with age. The Horvath epigenetic clock used a wide variety of published DNA methylation data to produce an age prediction that has been widely used to, predict age in unknown samples, and draw conclusions about speed of ageing in various tissues, environments, and diseases. Despite its utility, there are a number of assumptions in the model that require examination. We explore the characteristics of the model in whole blood and multiple brain regions from older people, who are not well represented in the original training data, and in blood from a cross-sectional population study. Results: We find that the model systematically underestimates age in tissues from older people. A decrease in slope of the predicted ages were observed at approximately 60 years, indicating that some loci in the model may change differently with age, and that age acceleration measures will themselves be age-dependent. This is seen most strongly in the cerebellum but is also present in other examined tissues, and is consistently observed in multiple datasets. An apparent association of Alzheimer s disease with age acceleration disappears when age is used as a covariate. Association tests in the literature use a variety of methods for calculating age acceleration and often do not use age as a covariate. This is a potential cause of misleading findings. Conclusions: Associations of phenotypes with age acceleration should be evaluated cautiously, and chronological age should be included as a covariate in all analyses.

Background: We characterised the phenotypic consequence of genetic variation at the PCSK9 locus and compared findings with recent trials of pharmacological inhibitors of PCSK9. Methods: Published and individual participant level data (300,000+ participants) were combined to construct a weighted PCSK9 gene-centric score (GS). Fourteen randomized placebo controlled PCSK9 inhibitor trials were included, providing data on 79,578 participants. Results were scaled to a one mmol/L lower LDL-C concentration. Results: The PCSK9 GS (comprising 4 SNPs) associations with plasma lipid and apolipoprotein levels were consistent in direction with treatment effects. The GS odds ratio (OR) for myocardial infarction (MI) was 0.53 (95%CI 0.42; 0.68), compared to a PCSK9 inhibitor effect of 0.90 (95%CI 0.86; 0.93). For ischemic stroke ORs were 0.84 (95%CI 0.57; 1.22) for the GS, compared to 0.85 (95%CI 0.78; 0.93) in the drug trials. ORs with type 2 diabetes mellitus (T2DM) were 1.29 (95% CI 1.11; 1.50) for the GS, as compared to 1.00 (95%CI 0.96; 1.04) for incident T2DM in PCSK9 inhibitor trials. No genetic associations were observed for cancer, heart failure, atrial fibrillation, chronic obstructive pulmonary disease, or Alzheimer's disease - outcomes for which large-scale trial data were unavailable. Conclusions: Genetic variation at the PCSK9 locus recapitulates the effects of therapeutic inhibition of PCSK9 on major blood lipid fractions and MI. Apparent discordance between genetic associations and trial outcome for T2DM might be explained lack by a of statistical precision, or differences in the nature and duration of genetic versus pharmacological perturbation of PCSK9.

In high-income countries there is an established link between high body mass index (BMI) and low income, but the direction of this association is unclear. Recent analyses in a large UK population using genetically-instrumented BMI supported a causal influence of BMI on household income, educational attainment and job class. Since analyses were based on an age-restricted and relatively wealthy population, it is unclear whether results are generalizable, and limited income data precluded decomposition of household income effects into own-income and partnership effects. Investigation is therefore warranted in more representative UK populations where associations may differ, and where individual and partner-based mechanisms can be studied separately. Data came from two nationally-representative samples, the UK Household Longitudinal Survey (UKHLS) and the English Longitudinal Study of Ageing (ELSA). Analysis was conducted in each sample, with results then pooled by meta-analysis. We used externally-weighted polygenic scores based on the latest genome-wide association study for BMI to examine the influence of genetically-instrumented BMI on earnings, probability of employment, job class conditional on working, likelihood of partnership, and partners earnings. A one-unit (kg/m2) increase in genetically-instrumented BMI was associated with a roughly 9% decrease in own monthly earnings (pooled coefficient: 0.91, CI:0.86, 0.97) and lower probability of employment (OR: 0.89, CI:0.83, 0.96) or having a university degree (OR: 0.95, CI:0.90, 0.99). Employed individuals with higher genetically-instrumented BMI were less likely to have professional or managerial occupations (OR: 0.91, CI:0.86, 0.96). No associations were seen with partnership. A one-unit increase in BMI was associated with a 5% decrease in earnings of partners, but estimates were imprecise (pooled coefficient: 0.95, CI:0.88,1.01). Results are consistent with a negative influence of body mass index on a range of labour market and educational outcomes for both men and women.

Characterizing the complex relationship between genetic, epigenetic and transcriptomic variation has the potential to increase understanding about the mechanisms underpinning health and disease phenotypes. In this study, we describe the most comprehensive analysis of common genetic variation on DNA methylation (DNAm) to date, using the Illumina EPIC array to profile samples from the UK Household Longitudinal study. We identified 12,689,548 significant DNA methylation quantitative trait loci (mQTL) associations (P < 6.52x10-14) occurring between 2,907,234 genetic variants and 93,268 DNAm sites, including a large number not identified using previous DNAm-profiling methods. We demonstrate the utility of these data for interpreting the functional consequences of common genetic variation associated with > 60 human traits, using Summary data-based Mendelian Randomization (SMR) to identify 1,662 pleiotropic associations between 36 complex traits and 1,246 DNAm sites. We also use SMR to characterize the relationship between DNAm and gene expression, identifying 6,798 pleiotropic associations between 5,420 DNAm sites and the transcription of 1,702 genes. Our mQTL database and SMR results are available via a searchable online database (www.epigenomicslab.com) as a resource to the research community.

ABSTRACT Background Epigenetic changes in the form of DNA methylation (DNAm) may act as biological markers of risk factors or adverse health states. We investigated associations between night shift work and established DNAm predictors of lifestyle, and compared them with those observed between night shift work and self-reported or conventionally-measured phenotypes. Methods In two cohort studies, Generation Scotland (GS) (n=7,028) and Understanding Society (UKHLS) (n=1,175), we evaluated associations between night shift work and four lifestyle factors (body mass index, smoking, alcohol, education) using both conventionally-measured phenotypes and DNA methylation-based scores proxying the phenotypes. DNA methylation-based measures of biological ageing were also generated using six established “epigenetic clocks”. Meta-analysis of GS and UKHLS results was conducted using inverse-variance weighted fixed effects. Results Night shift work was associated with higher BMI (0.79; 95%CI 0.02, 1.56; p=0.04) and lower education (−0.18; −0.30, −0.07; p=0.002). There was weak evidence of association between night shift work and DNAm scores for smoking (0.06, −0.03, 0.15; p=0.18) and education (−0.24; −0.49, 0.01; p=0.06) in fully adjusted models. Two of the epigenetic age measures demonstrated higher age acceleration among night shift workers (0.80; 0.42, 1.18; p<0.001 for GrimAge and 0.46; 0.00, 0.92; p=0.05 for PhenoAge). Conclusions Night shift work is associated with phenotypic and DNAm-based measures of lower education. Night shift work was also related to DNAm predictors of smoking and ageing.

Abstract We conducted a genome-wide association study (GWAS) on income among individuals of European descent and leveraged the results to investigate the socio-economic health gradient ( N =668,288). We found 162 genomic loci associated with a common genetic factor underlying various income measures, all with small effect sizes. Our GWAS-derived polygenic index captures 1 - 4% of income variance, with only one-fourth attributed to direct genetic effects. A phenome-wide association study using this polygenic index showed reduced risks for a broad spectrum of diseases, including hypertension, obesity, type 2 diabetes, coronary atherosclerosis, depression, asthma, and back pain. The income factor showed a substantial genetic correlation (0.92, s.e . = .006) with educational attainment (EA). Accounting for EA’s genetic overlap with income revealed that the remaining genetic signal for higher income related to better mental health but reduced physical health benefits and increased participation in risky behaviours such as drinking and smoking.

Abstract Several computational and statistical methods have been developed to analyse data generated through the 3C-based methods, especially the Hi-C. Most of existing methods do not account for dependency in Hi-C data. Here, we present ZipHiC, a novel statistical method to explore Hi-C data focusing on detection of enriched contacts. ZipHiC implements a Bayesian method based on a hidden Markov random field (HMRF) model and the Approximate Bayesian Computation (ABC) to detect interactions in two-dimensional space based on Hi-C contact frequency matrix. ZipHiC uses data on the sources of biases related to contact frequency matrix, allows borrowing information from neighbours using the Potts model and improves computation speed by using the ABC model. In addition to outperforming existing tools on both simulated and real data, our model also provides insights into different sources of biases that affects Hi-C data. We show that some datasets display higher biases from DNA accessibility or Transposable Elements content. Furthermore, approximately half of the detected significant interactions connect promoters with other parts of the genome indicating a functional biological role. Finally, we found that the micro-C datasets display higher biases from DNA accessibility compared to a similar Hi-C experiment, but this can be corrected by ZipHiC.