Abstract Biological ageing estimators derived from DNA methylation (DNAm) data are heritable and correlate with morbidity and mortality. Leveraging DNAm and SNP data from >41,000 individuals, we identify 137 genome-wide significant loci (113 novel) from meta-analyses of four epigenetic clocks and epigenetic surrogate markers for granulocyte proportions and plasminogen activator inhibitor 1 levels, respectively. We report strong genetic correlations with longevity and lifestyle factors such as smoking, education, and obesity. Significant associations are observed in polygenic risk score analysis and to a lesser extent in Mendelian randomization analyses. This study illuminates the genetic architecture underlying epigenetic ageing and its shared genetic contributions with lifestyle factors and longevity.

Abstract Protein biomarkers have been identified across many age-related morbidities. However, characterising epigenetic influences could further inform disease predictions. Here, we leverage epigenome-wide data to study links between the DNAm signatures of the circulating proteome and incident diseases. Using data from four cohorts, we trained and tested epigenetic scores (EpiScores) for 953 plasma proteins, identifying 109 scores that explained between 1% and 58% of the variance in protein levels after adjusting for known protein quantitative trait loci (pQTL) genetic effects. By projecting these EpiScores into an independent sample, (Generation Scotland; n=9,537) and relating them to incident morbidities over a follow-up of 14 years, we uncovered 137 EpiScore – disease associations. These associations were largely independent of immune cell proportions, common lifestyle and health factors and biological aging. Notably, we found that our diabetes-associated EpiScores highlighted previous top biomarker associations from proteome-wide assessments of diabetes. These EpiScores for protein levels can therefore be a valuable resource for disease prediction and risk stratification.

Abstract Accessible and non-invasive biomarkers that measure human ageing processes and the risk of developing age-related disease are paramount in preventative healthcare. In this study, we describe a novel framework to train saliva-based DNA methylation (DNAm) biomarkers that are reproducible and biologically interpretable. By leveraging a reliability dataset with replicates across tissues, we demonstrate that it is possible to transfer knowledge from blood DNAm data to saliva DNAm data using DNAm proxies of blood proteins (EpiScores). We then apply these methods to create a new saliva-based epigenetic clock (InflammAge) that quantifies systemic chronic inflammation (SCI) in humans. Using a large blood DNAm human cohort with linked electronic health records and over 18,000 individuals (Generation Scotland), we demonstrate that InflammAge significantly associates with all-cause mortality, disease outcomes, lifestyle factors and immunosenescence; in many cases outperforming the widely used SCI biomarker C-reactive protein (CRP). We propose that our biomarker discovery framework and InflammAge will be useful to improve our understanding of the molecular mechanisms underpinning human ageing and to assess the impact of gero-protective interventions.

INTRODUCTION: The 'epigenetic clock' is a DNA methylation based estimate of biological age and is correlated with chronological age: the greatest risk factor for Alzheimer's disease (AD). Genetic and environmental risk factors exist for AD, several of which are potentially modifiable. Here, we assess the relationship associations between the epigenetic clock and AD risk factors. METHODS: Linear mixed modelling was used to assess the relationship between age acceleration (the residual of biological age regressed onto chronological age) and AD risk factors relating to cognitive reserve, lifestyle, disease, and genetics in the Generation Scotland study (n=5,100). RESULTS: We report significant associations between the epigenetic clock and BMI, total:HDL cholesterol ratios, socioeconomic status, and smoking behaviour (Bonferroni adjusted P<0.05). DISCUSSION: Associations are present between environmental risk factors for AD and age acceleration. Measures to modify such risk factors might improve the risk profile for AD and the rate of biological ageing. Future longitudinal analyses are therefore warranted.

Introduction: Advanced age is associated with cognitive and physical decline, and is a major risk factor for a multitude of disorders including neurodegenerative diseases such as Alzheimer's disease. There is also a gap in life-expectancy between males and females. DNA methylation differences have been shown to be associated with both age and sex. Here, we investigate age-by-sex differences in DNA methylation in an unrelated cohort of 2,586 individuals between the ages of 18 and 87 years. Methods: Genome-wide DNA methylation was measured on the Illumina HumanMethylationEPIC beadchip in a subset of unrelated individuals from the Generation Scotland cohort. Mixed linear model-based analyses were performed to investigate the relationship between DNA methylation and an interaction term between age and sex, as well as chronological age. Results: At a genome-wide significance level of P < 3.6 x 10-8, 14 loci were associated with the age-by-sex interaction term, the majority of which were X-linked (n = 12). Seven of these loci were annotated to genes. The site with the greatest difference mapped to GAGE10, an X-linked gene. Here, DNA methylation levels remained stable across the male adult age range (DNA methylation x age r = 0.02), but decreased across female adult age range (DNA methylation x age r = -0.61). The seven age-by-sex-associated genes were enriched among differentially-expressed genes in lung, liver, testis and blood. Conclusion: The majority of differences in age-associated DNA methylation trajectories between sexes are present on the X-chromosome. Several of these differences occur within genes which have implicated in multiple cancers, schizophrenia and systemic lupus erythematosus.

Abstract Background CpG methylation levels can help to explain inter-individual differences in phenotypic traits. Few studies have explored whether identifying CpG subsets based on biological and statistical properties can maximise predictions while minimising array content. Methods Variance component analyses and penalised regression (epigenetic predictors) were used to test the influence of (i) the number of CpGs considered, (ii) mean CpG methylation variability and (iii) methylation QTL status on the variance captured in eighteen traits by blood DNA methylation. Training and test sets comprised ≤4,450 and ≤2,578 unrelated individuals from Generation Scotland, respectively. Results As the number of CpG sites under consideration decreased, so too did the estimates from the variance components and prediction analyses. Methylation QTL status and mean CpG variability did not influence variance components. However, relative effect sizes were 15% larger for epigenetic predictors based on CpGs with methylation QTLs compared to sites without methylation QTLs. Relative effect sizes were 45% larger for predictors based on CpGs with mean beta-values between 10%-90% compared to those using hypo- or hypermethylated CpGs (beta-value ≤10% or ≥90%). Conclusion Arrays with fewer CpGs could reduce costs, leading to increased sample sizes for analyses. Our results show that reducing array content can restrict prediction metrics and careful attention must be given to the biological and distribution properties of CpGs in array content selection.

Omics-based association studies typically consider the marginal effects of a feature, such as CpG DNA methylation, on a trait (e.g, independent models for each feature). Although some methods can assess all features together in joint and conditional estimation, this is currently done on a trait-by-trait basis. Here, we introduce MAJA, a method to learn shared and outcome-specific effects for multiple traits in multi-omics data. MAJA determines the unique contribution of individual loci, genes, or molecular pathways, to variation in one or more traits, conditional on all other measured “omics” data genome-wide. Simulations show MAJA accurately finds shared and distinct associations between omics-data and multiple traits and estimates omics-specific (co)variances, allowing for sparsity and correlations within the data. Applying MAJA to 12 outcome traits in Generation Scotland methylation data (n=18,264), we find novel shared epigenetic pathways among cholesterol metabolism, osteoarthritis, blood pressure and asthma. In contrast to marginal testing, we find only 10 CpG probes with significant effects above the genome-wide background. This highlights the need for joint association testing in highly correlated methylation data from whole blood and for studies of increased sample size in order to refine epigenomic associations in observational data.

Although plasma proteins may serve as important markers of disease risk in neurological conditions, the molecular mechanisms responsible for inter-individual variation in plasma protein levels are poorly understood. In this study, we conducted genome- and epigenome-wide association studies on the levels of 92 neurological proteins to identify genetic and epigenetic loci associated with their plasma concentrations (n = 750). We identified 62 independent genome-wide significant loci for 37 proteins (P < 5.4 x 10-10) and 68 epigenome-wide significant sites associated with the levels of 7 proteins (P < 3.9 x 10-10). Using this information, we identified biological pathways in which putative neurological biomarkers are implicated as well as molecular mechanisms through which genetic variation may perturb plasma protein levels. Additionally, we found evidence that poliovirus receptor is causally associated with Alzheimers disease. In conclusion, we identified many novel genetic and epigenetic factors that are associated with neurological protein levels which may inform disease biology and establish causal relationships between biomarkers and neurological diseases.

Epigenetic DNA modification is partly under genetic control, and occurs in response to a wide range of environmental exposures. Linking epigenetic marks to clinical outcomes may provide greater insight into underlying molecular processes of disease, assist in the identification of therapeutic targets, and improve risk prediction. Here, we present a statistical approach, based on Bayesian inference, that estimates associations between disease risk and all measured epigenetic probes jointly, automatically controlling for both data structure (including cell-count effects, relatedness, and experimental batch effects) and correlations among probes. We benchmark our approach in simulation study, finding improved estimation of probe associations across a wide range of scenarios over existing approaches. Our method estimates the total proportion of disease risk captured by epigenetic probe variation, and when we applied it to measures of body mass index (BMI) and cigarette consumption behaviour in 5,101 individuals, we find that 66.7% (95% CI 60.0-72.8) of the variation in BMI and 67.7% (95% CI 58.4-76.9) of the variation in cigarette consumption can be captured by methylation array data from whole blood, independent of the variation explained by single nucleotide polymorphism markers. We find novel associations, with smoking behaviour associated with a methylation probe at the MNDA gene with >95% posterior inclusion probability, which is a myeloid cell nuclear differentiation antigen gene previously implicated as a biomarker for inflammation and non-Hodgkin lymphoma risk. We conduct unique genome-wide enrichment analyses, identifying blood cholesterol, lipid transport and sterol metabolism pathways for BMI, and response to xenobiotic stimulus and negative regulation of RNA polymerase II promoter transcription for smoking, all with >95% posterior inclusion probability of having methylation probes with associations >1.5 times larger than the average. Finally, we improve phenotypic prediction in two independent cohorts by 28.7% and 10.2% for BMI and smoking respectively over a LASSO model. These results imply that probe measures may capture large amounts of variance because they are likely a consequence of the phenotype rather than a cause. As a result, omics data may enable accurate characterization of disease progression and identification of individuals who are on a path to disease. Our approach facilitates better understanding of the underlying epigenetic architecture of complex common disease and is applicable to any kind of genomics data.

The identification of biomarkers that discriminate individual ageing trajectories is a principal target in ageing research. Some of the most promising predictors of biological ageing have been developed using DNA methylation. One recent candidate, which tracks age-related phenotypes in addition to chronological age, is 'DNAm PhenoAge'. Here, we performed a phenome-wide association analysis of this biomarker in a cohort of older adults to assess its relationship with a comprehensive set of both historical and contemporaneously-measured phenotypes. Higher than expected DNAm PhenoAge compared to chronological age, known as epigenetic age acceleration, was found to associate with a number of blood, cognitive, physical fitness and lifestyle variables, and with mortality. Notably, DNAm PhenoAge, assessed at age 70, was associated with cognitive ability at age 11, and with educational attainment. Adjusting for age 11 cognitive ability attenuated the majority of the cross-sectional later-life associations between DNAm PhenoAge and health outcomes. These results highlight the importance of early-life factors on healthy ageing.