Neural processing of rewarding stimuli involves several distinct regions, including the nucleus accumbens (NAc). The majority of NAc neurons are GABAergic projection neurons known as medium spiny neurons (MSNs). MSNs are broadly defined by dopamine receptor expression, but evidence suggests that a wider array of subtypes exist. To study MSN heterogeneity, we analyzed single-nucleus RNA sequencing data from the largest available rat NAc dataset. Analysis of 48,040 NAc MSN nuclei identified major populations belonging to the striosome and matrix compartments. Integration with mouse and human data indicated consistency across species and disease-relevance scoring using genome-wide association study results revealed potentially differential roles for MSN populations in substance use disorders. Additional high-resolution clustering identified 34 transcriptomically distinct subtypes of MSNs definable by a limited number of marker genes. Together, these data demonstrate the diversity of MSNs in the NAc and provide a basis for more targeted genetic manipulation of specific populations.

Abstract Smoking behaviors and alcohol use disorder (AUD), moderately heritable traits, commonly co-occur in the general population. Single-trait genome-wide association studies (GWAS) have identified multiple loci for smoking and AUD. However, GWASs that have aimed to identify loci contributing to comorbid smoking and AUD have used small samples and thus have not been highly informative. Applying multi-trait analysis of GWASs (MTAG), we conducted a joint GWAS of smoking and AUD with data from the Million Veteran Program (N=318,694). By leveraging GWAS summary statistics for AUD, MTAG identified 21 genome-wide significant (GWS) loci associated with smoking initiation and 18 loci associated with smoking cessation compared to 16 and 8 loci, respectively, identified by single-trait GWAS. The novel loci for smoking behaviors identified by MTAG included those previously associated with psychiatric or substance use traits. Colocalization analysis identified 10 loci shared by AUD and smoking status traits, all of which achieved GWS in MTAG, including variants on SIX3, NCAM1 , and near DRD2 . Functional annotation of the MTAG variants highlighted biologically important regions on ZBTB20, DRD2, PPP6C , and GCKR that contribute to smoking behaviors. In contrast, MTAG of smoking behaviors and alcohol consumption (AC) did not enhance discovery compared with single-trait GWAS for smoking behaviors. We conclude that using MTAG to augment the power of GWAS enables the identification of novel genetic variants for commonly comorbid phenotypes, providing new insights into their pleiotropic effects on smoking behavior and AUD.

Importance Recently, the US Food and Drug Administration gave premarketing approval to an algorithm based on its purported ability to identify individuals at genetic risk for opioid use disorder (OUD). However, the clinical utility of the candidate genetic variants included in the algorithm has not been independently demonstrated. Objective To assess the utility of 15 genetic variants from an algorithm intended to predict OUD risk. Design, Setting, and Participants This case-control study examined the association of 15 candidate genetic variants with risk of OUD using electronic health record data from December 20, 1992, to September 30, 2022. Electronic health record data, including pharmacy records, were accrued from participants in the Million Veteran Program across the US with opioid exposure (n = 452 664). Cases with OUD were identified using International Classification of Diseases, Ninth Revision , or International Classification of Diseases, Tenth Revision , diagnostic codes, and controls were individuals with no OUD diagnosis. Exposures Number of risk alleles present across 15 candidate genetic variants. Main Outcome and Measures Performance of 15 genetic variants for identifying OUD risk assessed via logistic regression and machine learning models. Results A total of 452 664 individuals with opioid exposure (including 33 669 with OUD) had a mean (SD) age of 61.15 (13.37) years, and 90.46% were male; the sample was ancestrally diverse (with individuals of genetically inferred European, African, and admixed American ancestries). Using Nagelkerke R 2 , collectively, the 15 candidate genes accounted for 0.40% of variation in OUD risk. In comparison, age and sex alone accounted for 3.27% of the variation. The ensemble machine learning. The ensemble machine learning model using the 15 variants as predictive factors correctly classified 52.83% (95% CI, 52.07%-53.59%) of individuals in an independent testing sample. Conclusions and Relevance Results of this study suggest that the candidate genetic variants included in the approved algorithm do not meet reasonable standards of efficacy in identifying OUD risk. Given the algorithm’s limited predictive accuracy, its use in clinical care would lead to high rates of both false-positive and false-negative findings. More clinically useful models are needed to identify individuals at risk of developing OUD.