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.

DNA methylation is associated with age. The deviation of age predicted from DNA methylation from actual age has been proposed as a biomarker for ageing. However, a better prediction of chronological age implies less opportunity for biological age. Here we used 13,661 samples in the age range of 2 to 104 years from 14 cohorts measured on Illumina HumanMethylation450/EPIC arrays to perform prediction analyses using Elastic Net and Best Linear Unbiased Prediction. We show that increasing the sample size achieves a smaller prediction error and higher correlations in test datasets. Our predictors achieved prediction errors of about 4.5 years across cohorts, in contrast to >7 years for the widely-used Horvath and Hannum predictors. We demonstrate that smaller prediction errors provide a limit to how much variation in biological ageing can be captured by methylation and provide evidence that age predictors from small samples are prone to confounding by cell composition.

Background: The relationship between obesity and adverse health is well established, but little is known about the contribution of DNA methylation to obesity-related health outcomes. Additionally, it is of interest whether such contributions are independent of those attributed by the most widely used clinical measure of body mass: the Body Mass Index (BMI). Method: We tested whether an epigenetic BMI score accounts for inter-individual variation in health-related, cognitive, psychosocial and lifestyle outcomes in the Lothian Birth Cohort 1936 (n=903). Weights for the epigenetic BMI score were derived using penalised regression on methylation data from unrelated Generation Scotland participants (n=2566). Results: The Epigenetic BMI score was associated with variables related to poor physical health (R2 ranges from 0.02-0.10), metabolic syndrome (R2 ranges from 0.01-0.09), lower crystallised intelligence (R2=0.01), lower health-related quality of life (R2=0.02), physical inactivity (R2=0.02), and social deprivation (R2=0.02). The epigenetic BMI score (per SD) was also associated with self-reported type 2 diabetes (OR 2.25, 95 % CI 1.74, 2.94), cardiovascular disease (OR 1.44, 95 % CI 1.23, 1.69) and high blood pressure (OR 1.21, 95% CI 1.13, 1.48; all at p<0.0011 after Bonferroni correction). Conclusions: Our results show that regression models with epigenetic and phenotypic BMI scores as predictors account for a greater proportion of all outcome variables than either predictor alone, demonstrating independent and additive effects of epigenetic and phenotypic BMI scores.

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.

Background: Genome-wide DNA methylation (DNAm) profiling has allowed for the development of molecular predictors for a multitude of traits and diseases. Such predictors may be more accurate than the self-reported phenotypes, and could have clinical applications. Here, penalised regression models were used to develop DNAm predictors for body mass index (BMI), smoking status, alcohol consumption, and educational attainment in a cohort of 5,100 individuals. Using an independent test cohort comprising 906 individuals, the proportion of phenotypic variance explained in each trait was examined for DNAm-based and genetic predictors. Receiver operator characteristic curves were generated to investigate the predictive performance of DNAm-based predictors, using dichotomised phenotypes. The relationship between DNAm scores and all-cause mortality (n = 214 events) was assessed via Cox proportional-hazards models. Results: The DNAm-based predictors explained different proportions of the phenotypic variance for BMI (12%), smoking (60%), alcohol consumption (12%) and education (3%). The combined genetic and DNAm predictors explained 20% of the variance in BMI, 61% in smoking, 13% in alcohol consumption, and 6% in education. DNAm predictors for smoking, alcohol, and education but not BMI predicted mortality in univariate models. The predictors showed moderate discrimination of obesity (AUC=0.67) and alcohol consumption (AUC=0.75), and excellent discrimination of current smoking status (AUC=0.98). There was poorer discrimination of college-educated individuals (AUC=0.59). Conclusions: DNAm predictors correlate with lifestyle factors that are associated with health and mortality. They may supplement DNAm-based predictors of age to identify the lifestyle profiles of individuals and predict disease risk.

Variation in the rate at which humans age may be rooted in early life events acting through genomic regions that are influenced by such events and subsequently are related to health phenotypes in later life. The parent-of-origin-effect (POE)-regulated methylome includes regions either enriched for genetically controlled imprinting effects (the typical type of POE) or atypical POE introduced by environmental effects associated with parents. This part of the methylome is heavily influenced by early life events, making it a potential route connecting early environmental exposures, the epigenome and the rate of aging. Here, we aim to test the association of POE-influenced methylation of CpG dinucleotides (POE-CpG sites) with early and later environmental exposures and subsequently with health-related phenotypes and adult aging phenotypes. We do this by performing phenome-wide association analyses of the POE-influenced methylome using a large family-based population cohort (GS:SFHS, Ndiscovery=5,087, Nreplication=4,450). At the single CpG level, 92 associations of POE-CpGs with phenotypic variation were identified and replicated. Most of the associations were contributed by POE-CpGs belonging to the atypical class and the most strongly enriched associations were with aging (DNAmTL acceleration), intelligence and parental (maternal) smoking exposure phenotypes. We further found that a proportion of the atypical-POE-CpGs formed co-methylation networks (modules) which are associated with these phenotypes, with one of the aging-associated modules displaying increased internal module connectivity (strength of methylation correlation across constituent CpGs) with age. Atypical POE-CpGs also displayed high levels of methylation heterogeneity and epigenetic drift (i.e. information loss with age) and a strong correlation with CpGs contained within epigenetic clocks. These results identified associations between the atypical-POE-influenced methylome and aging and provided new evidence for the "early development of origin" hypothesis for aging in humans.

Smoking status, alcohol consumption and HPV infection (acquired through sexual activity) are the predominant risk factors for oropharyngeal cancer and are thought to alter the prognosis of the disease. Here, we conduct epigenome-wide association studies (EWAS) of these factors and ∼3-year survival using Illumina Methylation EPIC blood DNA methylation profiles from 409 individuals in the Head and Neck 5000 (HN5000) study. CpG site associations below our multiple-testing threshold ( P Bonferroni < 0.05) with both a prognostic factor and with survival were observed in four gene regions: SPEG (smoking), GFI1 (smoking), PPT2 (smoking), and KHD3CL (alcohol consumption). These were further analysed using 2-step Mendelian randomization to assess whether methylation may be a causal mediator of cancer survival. Evidence for mediation was observed only in the SPEG gene region, showing an association with decreased survival (mortality HR: 1.28, 95% CI: 1.14 to 1.43, P: 2.12×10−05). Replication in data from independent datasets, and from HN5000 participants with longer follow-up times is needed to confirm these findings.

Background: The causes of poor respiratory function and COPD are incompletely understood, but it is clear that genes and the environment play a role. As DNA methylation is under both genetic and environmental control, we hypothesised that investigation of differential methylation associated with these phenotypes would permit mechanistic insights, and improve prediction of COPD. We investigated genome-wide differential DNA methylation patterns using the recently released 850K Illumina EPIC array in the largest single population sample to date. Methods: Epigenome-wide association studies (EWASs) of respiratory function and COPD were performed in peripheral blood samples from the Generation Scotland: Scottish Family Health Study (GS:SFHS) cohort (N=3,791; 274 COPD cases and 2,928 controls). In independent COPD incidence data (N=150), significantly differentially methylated sites (DMSs; p<3.6*10−8) were evaluated for their added predictive power when added to a model including clinical variables, age, sex, height and smoking history using receiver operating characteristic analysis. The Lothian Birth Cohort 1936 (LBC1936) was used to replicate association (N=895) and prediction (N=178) results. Findings: We identified 29 respiratory function and/or COPD associated DMSs, which mapped to genes involved in alternative splicing, JAK-STAT signalling, and axon guidance. In prediction analyses, we observed significant improvement in discrimination between COPD cases and controls (p<0.05) in independent GS:SFHS (p=0.014) and LBC1936 (p=0.018) datasets by adding DMSs to a clinical model. Interpretation: Identification of novel DMSs has provided insight into the molecular mechanisms regulating respiratory function and aided prediction of COPD risk. Funding: Wellcome Trust Strategic Award 10436/Z/14/Z.

Background: DNA methylation reflect health-related environmental exposures and genetic risk, providing insights into aetiological mechanisms and potentially predicting disease onset, progression and treatment response. An increasingly recognised need for large-scale, longitudinally-profiled samples collected world-wide has made the development of efficient and straightforward sample collection and storage procedures a pressing issue. An alternative to the low-temperature storage of EDTA tubes of venous blood samples, which are frequently the source of the DNA used in such studies, is to collect and store at room temperature blood samples using filter paper engineered for the purpose, such as Whatman FTA® cards. Our goal was to determine whether DNA stored in this manner can be used to generate DNA methylation profiles comparable to those generated using blood samples frozen in EDTA tubes. Methods: DNA methylation profiles were obtained from matched EDTA tube and Whatman FTA® card whole-blood samples from 62 Generation Scotland: Scottish Family Health Study participants using the Infinium HumanMethylation450 BeadChip. Multiple quality control procedures were implemented, the relationship between the two sample types assessed, and EWASs performed for smoking status, age and the interaction between these variables and sample storage method. Results: Dried blood spot (DBS) DNA methylation profiles were of good quality and DNA methylation profiles from matched DBS and EDTA tube samples were highly correlated (mean r = 0.991) and could distinguish between participants. EWASs replicated established associations for smoking and age, with no evidence for moderation by storage method. Conclusions: Our results support the use of Whatman FTA® cards for collecting and storing blood samples for DNA methylation profiling. This approach is likely to be particularly beneficial for large-scale studies and those carried out in areas where freezer access is limited. Furthermore, our results will inform consideration of the use of newborn heel prick DBSs for research use.

Genetic variation in the apolipoprotein E (APOE) gene is associated with Alzheimer's disease (AD) and risk factors for cardiovascular disease (CVD). DNA methylation at APOE has been linked to altered cognition and AD. It is unclear if epigenetic marks could be used for predicting future disease. We assessed blood-based DNA methylation at 13 CpGs in the APOE gene in 5828 participants from the Generation Scotland (GS) cohort. Using linear regression, we examined the relationship between APOE methylation, cognition, cholesterol, and the risks for AD and CVD. DNA methylation at two CpGs was associated with the ratio of total-to-HDL cholesterol, but not with cognition, or the risks of AD or CVD. APOE methylation could be involved in the levels of blood cholesterol, but there is no evidence for the utility of APOE methylation as a biomarker for predicting AD or CVD.