Population stratification refers to differences in allele frequencies between cases and controls due to systematic differences in ancestry rather than association of genes with disease. It has been proposed that false positive associations due to stratification can be controlled by genotyping a few dozen unlinked genetic markers. To assess stratification empirically, we analyzed data from 11 case-control and case-cohort association studies. We did not detect statistically significant evidence for stratification but did observe that assessments based on a few dozen markers lack power to rule out moderate levels of stratification that could cause false positive associations in studies designed to detect modest genetic risk factors. After increasing the number of markers and samples in a case-cohort study (the design most immune to stratification), we found that stratification was in fact present. Our results suggest that modest amounts of stratification can exist even in well designed studies.

The pericentric inversion of chromosome 16 [inv(16)(p13q22)] is a characteristic karyotypic abnormality associated with acute myeloid leukemia, most commonly of the M4Eo subtype. The 16p and 16q breakpoints were pinpointed by yeast artificial chromosome and cosmid cloning, and the two genes involved in this inversion were identified. On 16q the inversion occurred near the end of the coding region for CBFβ, also known as PEBP2β, a subunit of a heterodimeric transcription factor regulating genes expressed in T cells; on 16p a smooth muscle myosin heavy chain (SMMHC) gene (MYH11) was interrupted. In six of six inv(16) patient samples tested, an in-frame fusion messenger RNA was demonstrated that connected the first 165 amino acids of CBFβ with the tail region of SMMHC. The repeated coiled coil of SMMHC may result in dimerization of the CBFβ fusion protein, which in turn would lead to alterations in transcriptional regulation and contribute to leukemic transformation.

Making sense of rapidly evolving evidence on genetic associations is crucial to making genuine advances in human genomics and the eventual integration of this information into the practice of medicine and public health. Assessment of the strengths and weaknesses of this evidence, and hence the ability to synthesize it, has been limited by inadequate reporting of results. The STrengthening the REporting of Genetic Association studies (STREGA) initiative builds on the STrengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement and provides additions to 12 of the 22 items on the STROBE checklist. The additions concern population stratification, genotyping errors, modeling haplotype variation, Hardy-Weinberg equilibrium, replication, selection of participants, rationale for choice of genes and variants, treatment effects in studying quantitative traits, statistical methods, relatedness, reporting of descriptive and outcome data, and issues of data volume that are important to consider in genetic association studies. The STREGA recommendations do not prescribe or dictate how a genetic association study should be designed but seek to enhance the transparency of its reporting, regardless of choices made during design, conduct, or analysis.

Matthew Freedman and colleagues show that a region on 8q24 associated with colorectal cancer risk functions as an enhancer and undergoes long-range interactions with MYC. They further show that alleles at the risk-associated SNP bind differentially to TCF7L2, a transcription factor in the Wnt pathway. An inherited variant on chromosome 8q24, rs6983267, is significantly associated with cancer pathogenesis. We present evidence that the region harboring this variant is a transcriptional enhancer, that the alleles of rs6983267 differentially bind transcription factor 7-like 2 (TCF7L2) and that the risk region physically interacts with the MYC proto-oncogene. These data provide strong support for a biological mechanism underlying this non-protein-coding risk variant.

After the recent discovery that common genetic variation in 8q24 influences inherited risk of prostate cancer, we genotyped 2,973 SNPs in up to 7,518 men with and without prostate cancer from five populations. We identified seven risk variants, five of them previously undescribed, spanning 430 kb and each independently predicting risk for prostate cancer (P = 7.9 x 10(-19) for the strongest association, and P < 1.5 x 10(-4) for five of the variants, after controlling for each of the others). The variants define common genotypes that span a more than fivefold range of susceptibility to cancer in some populations. None of the prostate cancer risk variants aligns to a known gene or alters the coding sequence of an encoded protein.

A whole-genome admixture scan in 1,597 African Americans identified a 3.8 Mb interval on chromosome 8q24 as significantly associated with susceptibility to prostate cancer [logarithm of odds (LOD) = 7.1]. The increased risk because of inheriting African ancestry is greater in men diagnosed before 72 years of age ( P < 0.00032) and may contribute to the epidemiological observation that the higher risk for prostate cancer in African Americans is greatest in younger men (and attenuates with older age). The same region was recently identified through linkage analysis of prostate cancer, followed by fine-mapping. We strongly replicated this association ( P < 4.2 × 10 −9 ) but find that the previously described alleles do not explain more than a fraction of the admixture signal. Thus, admixture mapping indicates a major, still-unidentified risk gene for prostate cancer at 8q24, motivating intense work to find it.

Genome wide association studies (GWAS) have identified more than 200 mostly new common low-penetrance susceptibility loci for cancers. The predicted risk associated with each locus is generally modest (with a per-allele odds ratio typically less than 2) and so, presumably, are the functional effects of individual genetic variants conferring disease susceptibility. Perhaps the greatest challenge in the ‘post-GWAS’ era is to understand the functional consequences of these loci. Biological insights can then be translated to clinical benefits, including reliable biomarkers and effective strategies for screening and disease prevention. The purpose of this article is to propose principles for the initial functional characterization of cancer risk loci, with a focus on non-coding variants, and to define ‘post-GWAS’ functional characterization. By December 2010, there were 1,212 published GWAS studies1 reporting significant (P < 5 × 10−8) associations for 210 traits (Table 1), and the Catalog of Published GWAS states that by March 2011, 812 publications reported 3,977 SNP associations1. This is likely a small fraction of the common susceptibility loci of low penetrance that will eventually be identified. Despite these successes in identifying risk loci, the causal variant and/or the molecular basis of risk etiology has been determined for only a small fraction of these associations2–4. Plausible candidate genes can be based on proximity to risk loci, but few have so far been defined in a more systematic manner (Supplementary Table 1). Table 1 The genomic context in which a variant is found can be used as preliminary functional analysis Increased investment in post-GWAS functional characterization of risk loci5 has now been advocated across diseases and for cardiovascular disease and diabetes6. For cancer biology, the complex interplay between genetics and the environment in many cancers poses a particularly exciting challenge for post-GWAS research. Here we suggest a systematic strategy for understanding how cancer-associated variants exert their effects. We mostly refer to SNPs throughout the paper, but we recognize that other types of common genetic (for example, copy number variants) or epigenetic variation may influence risk. Our understanding of the way in which a risk variant initiates disease pathogenesis progresses from statistical association between genetic variation and trait or disease variation to functionality and causality. The functional consequences of variants in protein-coding regions causing most monogenic disorders are more readily interpreted because we know the genetic code. For non-Mendelian or multifactorial traits, most of the common DNA variants have so far mapped to non-protein–coding regions2, where our understanding of functional consequences and causality is more rudimentary. Our hypothesis is that the trait-associated alleles exert their effects by influencing transcriptional output (such as transcript levels and splicing) through multiple mechanisms. We emphasize appropriate assays and models to test the functional effects of both SNPs and genes mapping to cancer predisposition loci. Although much of what is written is applicable to alleles discovered for any trait, the section on modeling gene effects will emphasize measuring cancer-related phenotypes. At some loci, multiple, independently associated risk alleles rather than single risk alleles may be functionally responsible for the occurrence of disease. Genotyping susceptibility loci (and their correlated variants) in multiple populations with different linkage disequilibrium (LD) structures may prove effective in substantially reducing the number of potentially causative variants (that is, the same causal variant may segregate in multiple populations), as shown for the FGFR2 locus in breast cancer7, but for most loci there will remain a set of potentially causative variants that cannot be separated at the statistical level from case-control genotype data. A susceptibility locus should be re-sequenced to ascertain all genetic variation, identifying candidate functional or causal variants and identifying candidate causal genes. Ideally, the identification of a causal SNP would be the next step to reveal the molecular mechanisms of risk modification. Practically, however, it is unclear what the criteria for causality should be, particularly in non-protein–coding regions. Thus, although we propose a framework set of analyses (Box 1), we acknowledge that the techniques and methods will continue to evolve with the field. Box 1 Strategies to progress from tag SNP to mechanism Target resequencing efforts using linkage disequilibrium (LD) structure. Use other populations to refine LD regions (for example African ancestry with shorter LD and more heterogeneity). Determine expression levels of nearby genes as a function of genotype at each locus (eQTL). Characterize gene regulatory regions by multiple empirical techniques bearing in mind that these are tissue and context specific. Combine regulatory regions with risk loci using coordinates from multiple reference genomes to capture all variation within the shorter regulatory regions that correlates with the tag SNP at each locus. Multiple experimental manipulations in model systems are needed to progressively implicate transcription units (genes) in mechanisms relevant to the associated loci: Knockouts of regulatory regions in animal (difficult and may be limited by functional redundancy, but new targeting methods in rat are promising) models followed by genome-wide expression analysis. Use chromatin association methods (3C, CHIA-PET) of regulatory regions to determine the identity of target genes (compare with eQTL data). Targeted gene perturbations in somatic cell models. Explore fully genome-wide eQTL and miRNA quantitative variation correlation in relevant tissues and cells. Explore epigenetic mechanisms in the context of genome-wide genetic polymorphism. Employ cell models and tissue reconstructions to evaluate mechanisms using gene perturbations and polymorphic variants. The human cancer cell xenograft has re-emerged as a minimal in vivo validation of these models. Above all, resist the temptation to equate any partial functional evidence as sufficient. Published claims of functional relevance should be fully evaluated using the steps detailed above.

Matthew Freedman and colleagues show that androgen receptor (AR) binding sites undergo extensive reprogramming during prostate epithelial transformation. They further show that FOXA1 and HOXB13 colocalize at reprogrammed AR binding sites in human tumor tissue and are able to reprogram the AR cistrome of an immortalized prostate cell line to resemble that of prostate tumors. Master transcription factors interact with DNA to establish cell type identity and to regulate gene expression in mammalian cells1,2. The genome-wide map of these transcription factor binding sites has been termed the cistrome3. Here we show that the androgen receptor (AR) cistrome undergoes extensive reprogramming during prostate epithelial transformation in man. Using human prostate tissue, we observed a core set of AR binding sites that are consistently reprogrammed in tumors. FOXA1 and HOXB13 colocalized at the reprogrammed AR binding sites in human tumor tissue. Introduction of FOXA1 and HOXB13 into an immortalized prostate cell line reprogrammed the AR cistrome to resemble that of a prostate tumor, functionally linking these specific factors to AR cistrome reprogramming. These findings offer mechanistic insights into a key set of events that drive normal prostate epithelium toward transformation and establish the centrality of epigenetic reprogramming in human prostate tumorigenesis.

The 8q24 gene desert contains risk loci for multiple epithelial cancers, including colon, breast, and prostate. Recent evidence suggests these risk loci contain enhancers. In this study, data are presented showing that each risk locus bears epigenetic marks consistent with enhancer elements and forms a long-range chromatin loop with the MYC proto-oncogene located several hundred kilobases telomeric and that these interactions are tissue-specific. We therefore propose that the 8q24 risk loci operate through a common mechanism—as tissue-specific enhancers of MYC .