The serum metabolome contains a plethora of biomarkers and causative agents of various diseases, some of which are endogenously produced and some that have been taken up from the environment1. The origins of specific compounds are known, including metabolites that are highly heritable2,3, or those that are influenced by the gut microbiome4, by lifestyle choices such as smoking5, or by diet6. However, the key determinants of most metabolites are still poorly understood. Here we measured the levels of 1,251 metabolites in serum samples from a unique and deeply phenotyped healthy human cohort of 491 individuals. We applied machine-learning algorithms to predict metabolite levels in held-out individuals on the basis of host genetics, gut microbiome, clinical parameters, diet, lifestyle and anthropometric measurements, and obtained statistically significant predictions for more than 76% of the profiled metabolites. Diet and microbiome had the strongest predictive power, and each explained hundreds of metabolites—in some cases, explaining more than 50% of the observed variance. We further validated microbiome-related predictions by showing a high replication rate in two geographically independent cohorts7,8 that were not available to us when we trained the algorithms. We used feature attribution analysis9 to reveal specific dietary and bacterial interactions. We further demonstrate that some of these interactions might be causal, as some metabolites that we predicted to be positively associated with bread were found to increase after a randomized clinical trial of bread intervention. Overall, our results reveal potential determinants of more than 800 metabolites, paving the way towards a mechanistic understanding of alterations in metabolites under different conditions and to designing interventions for manipulating the levels of circulating metabolites. The levels of 1,251 metabolites are measured in 475 phenotyped individuals, and machine-learning algorithms reveal that diet and the microbiome are the determinants with the strongest predictive power for the levels of these metabolites.

Characterizing genetic influences on DNA methylation (DNAm) provides an opportunity to understand mechanisms underpinning gene regulation and disease. In the present study, we describe results of DNAm quantitative trait locus (mQTL) analyses on 32,851 participants, identifying genetic variants associated with DNAm at 420,509 DNAm sites in blood. We present a database of >270,000 independent mQTLs, of which 8.5% comprise long-range (trans) associations. Identified mQTL associations explain 15–17% of the additive genetic variance of DNAm. We show that the genetic architecture of DNAm levels is highly polygenic. Using shared genetic control between distal DNAm sites, we constructed networks, identifying 405 discrete genomic communities enriched for genomic annotations and complex traits. Shared genetic variants are associated with both DNAm levels and complex diseases, but only in a minority of cases do these associations reflect causal relationships from DNAm to trait or vice versa, indicating a more complex genotype–phenotype map than previously anticipated. DNA methylation quantitative trait locus (mQTL) analyses on 32,851 participants identify genetic variants associated with DNA methylation at 420,509 sites in blood, resulting in a database of >270,000 independent mQTLs.

Although it is assumed that epigenetic mechanisms, such as changes in DNA methylation (DNAm), underlie the relationship between adverse intrauterine conditions and adult metabolic health, evidence from human studies remains scarce. Therefore, we evaluated whether DNAm in whole blood mediated the association between prenatal famine exposure and metabolic health in 422 individuals exposed to famine in utero and 463 (sibling) controls. We implemented a two-step analysis, namely, a genome-wide exploration across 342,596 cytosine-phosphate-guanine dinucleotides (CpGs) for potential mediators of the association between prenatal famine exposure and adult body mass index (BMI), serum triglycerides (TG), or glucose concentrations, which was followed by formal mediation analysis. DNAm mediated the association of prenatal famine exposure with adult BMI and TG but not with glucose. DNAm at PIM3 (cg09349128), a gene involved in energy metabolism, mediated 13.4% [95% confidence interval (CI), 5 to 28%] of the association between famine exposure and BMI. DNAm at six CpGs, including TXNIP (cg19693031), influencing β cell function, and ABCG1 (cg07397296), affecting lipid metabolism, together mediated 80% (95% CI, 38.5 to 100%) of the association between famine exposure and TG. Analyses restricted to those exposed to famine during early gestation identified additional CpGs mediating the relationship with TG near PFKFB3 (glycolysis) and METTL8 (adipogenesis). DNAm at the CpGs involved was associated with gene expression in an external data set and correlated with DNAm levels in fat depots in additional postmortem data. Our data are consistent with the hypothesis that epigenetic mechanisms mediate the influence of transient adverse environmental factors in early life on long-term metabolic health. The specific mechanism awaits elucidation.

Abstract Background Epigenetic clocks use DNA methylation (DNAm) levels of specific sets of CpG dinucleotides to accurately predict individual chronological age. A popular application of these clocks is to explore whether the deviation of predicted age from chronological age is associated with disease phenotypes, where this deviation is interpreted as a potential biomarker of biological age. This wide application, however, contrasts with the limited insight in the processes that may drive the running of epigenetic clocks. Results We perform a functional genomics analysis on four epigenetic clocks, including Hannum’s blood predictor and Horvath’s multi-tissue predictor, using blood DNA methylome and transcriptome data from 3132 individuals. The four clocks result in similar predictions of individual chronological age, and their constituting CpGs are correlated in DNAm level and are enriched for similar histone modifications and chromatin states. Interestingly, DNAm levels of CpGs from the clocks are commonly associated with gene expression in trans . The gene sets involved are highly overlapping and enriched for T cell processes. Further analysis of the transcriptome and methylome of sorted blood cell types identifies differences in DNAm between naive and activated T and NK cells as a probable contributor to the clocks. Indeed, within the same donor, the four epigenetic clocks predict naive cells to be up to 40 years younger than activated cells. Conclusions The ability of epigenetic clocks to predict chronological age involves their ability to detect changes in proportions of naive and activated immune blood cells, an established feature of immuno-senescence. This finding may contribute to the interpretation of associations between clock-derived measures and age-related health outcomes.

Summary T cells are the most common immune cells in atherosclerotic plaques and the function of T cells can be altered by fatty acids. Here, we show that pre-exposure of CD4 + T cells to oleic acid, an abundant fatty acid linked to cardiovascular events, results in a preferential differentiation into pro-inflammatory subsets upon activation by upregulating core metabolic pathways. RNA-sequencing of non-activated CD4 + T cells revealed that oleic acid upregulates genes encoding enzymes responsible for cholesterol and fatty acid biosynthesis. Transcription footprint analysis linked this rewiring to the differentiation of pro-inflammatory subsets. Indeed, spectral flow cytometry showed that pre-exposure to oleic acid results in a skew toward IL-9, IL-17A, IL-5 and IL-13 producing T cells upon activation. Importantly, inhibition of either cholesterol or fatty acid biosynthesis abolishes this effect, suggesting a beneficial role for statins beyond cholesterol lowering. Taken together, fatty acids may affect inflammatory diseases by influencing T cell metabolism.

Abstract Sex differences are evident in the clinical presentation and underlying histology of atherosclerotic disease with women developing more stable atherosclerotic lesions than men. It is unknown whether this is explained by sex differences in gene regulation in cellular compartments of atherosclerotic plaques. To study sex differences in gene regulation we performed genome-wide DNA methylation and transcriptomics analysis on plaques of 485 carotid endarterectomy patients (31% female). Sex-differential DNA methylation at 4,848 sites in the autosome was enriched for cell-fate commitment and developmental processes, and its deconvolution predicted more smooth muscle cells in females, as compared to more immune cells in males. RNA-sequencing of the same plaques corroborated the sex differences in DNA methylation predicted cell-types, in which genes that were higher expressed in females were enriched for TGF-beta signaling and extracellular matrix biology. In addition, female-biased genes were enriched for targeting by regulatory loci based on sex differential methylation. Lastly, by using single-cell RNA sequencing we showed that these female-biased genes are mostly expressed in smooth muscle cells, and higher expressed in smooth muscle cells from female (predominantly stable) plaques as compared to male (relatively unstable) plaques. Our approach identified female-biased genes in smooth muscle cells in fibrous atherosclerotic plaques. This points towards new mechanisms in smooth muscle cell biology of stable atherosclerotic plaques and offers new directions for research to develop new sex-specific therapeutics for atherosclerotic disease.

Abstract A twice-daily dose of highly purified eicosapentaenoic acid (EPA) reduces the risk of atherosclerotic cardiovascular disease among patients with high triglycerides and either known cardiovascular disease or those at high risk for developing it. However, the process by which EPA exerts its beneficial effects remains poorly understood. Here, we show that EPA can induce an anti-inflammatory transcriptional profile in non-activated CD4 + T cells. We find that EPA-exposed CD4 + T cells downregulate immune response related genes, such as HLA-DRA, CD69 , and IL2RA , while upregulating genes involved in oxidative stress prevention, such as NQO1 . Furthermore, transcription footprint analysis based on ATAC-sequencing reveals downregulation of GATA3 and PU.1, key transcription factors in T H 2 and T H 9 differentiation, and upregulation of REV-ERB, an antagonist of T H 17 differentiation. By in parallel examining T cell responses to oleic acid, a monounsaturated fatty acid, and palmitic acid, a saturated fatty acid, we find that both the intensity of the transcriptomic response and the involvement of anti-inflammatory pathways is highly specific for EPA. Thus, EPA can induce an anti-inflammatory transcriptomic landscape in CD4 + T cells, a process that may contribute to the unexpectedly strong beneficial effects of EPA on the risk of atherosclerotic cardiovascular disease in clinical trials.

DNA methylation is a key epigenetic modification in human development and disease, yet there is limited understanding of its highly coordinated regulation. Here, we identified 818 genes that influence DNA methylation patterns in blood using large-scale population genomics data. By employing genetic instruments as causal anchors, we identified directed associations between gene expression and distant DNA methylation levels, whilst ensuring specificity of the associations by correcting for linkage disequilibrium and pleiotropy among neighboring genes. We found that DNA methylation patterns are commonly shaped by transcription factors that consistently increase or decrease DNA methylation levels. However, we also observed genes encoding proteins without DNA binding activity with widespread effects on DNA methylation (e.g. NFKBIE , CDCA7(L) and NLRC5 ) and we suggest plausible mechanisms underlying these findings. Many of the reported genes were unknown to influence DNA methylation, resulting in a comprehensive resource providing insights in the principles underlying epigenetic regulation.

Identification of causal drivers behind regulatory gene networks is crucial in understanding gene function. We developed a method for the large-scale inference of gene-gene interactions in observational population genomics data that are both directed (using local genetic instruments as causal anchors, akin to Mendelian Randomization) and specific (by controlling for linkage disequilibrium and pleiotropy). The analysis of genotype and whole-blood RNA-sequencing data from 3,072 individuals identified 49 genes as drivers of downstream transcriptional changes (P < 7 x 10-10), among which transcription factors were overrepresented (P = 3.3 x 10-7). Our analysis suggests new gene functions and targets including for SENP7 (zinc-finger genes involved in retroviral repression) and BCL2A1 (novel target genes possibly involved in auditory dysfunction). Our work highlights the utility of population genomics data in deriving directed gene expression networks. A resource of trans-effects for all 6,600 genes with a genetic instrument can be explored individually using a web-based browser.