Glycemic traits are used to diagnose and monitor type 2 diabetes and cardiometabolic health. To date, most genetic studies of glycemic traits have focused on individuals of European ancestry. Here we aggregated genome-wide association studies comprising up to 281,416 individuals without diabetes (30% non-European ancestry) for whom fasting glucose, 2-h glucose after an oral glucose challenge, glycated hemoglobin and fasting insulin data were available. Trans-ancestry and single-ancestry meta-analyses identified 242 loci (99 novel; P < 5 × 10−8), 80% of which had no significant evidence of between-ancestry heterogeneity. Analyses restricted to individuals of European ancestry with equivalent sample size would have led to 24 fewer new loci. Compared with single-ancestry analyses, equivalent-sized trans-ancestry fine-mapping reduced the number of estimated variants in 99% credible sets by a median of 37.5%. Genomic-feature, gene-expression and gene-set analyses revealed distinct biological signatures for each trait, highlighting different underlying biological pathways. Our results increase our understanding of diabetes pathophysiology by using trans-ancestry studies for improved power and resolution. A trans-ancestry meta-analysis of GWAS of glycemic traits in up to 281,416 individuals identifies 99 novel loci, of which one quarter was found due to the multi-ancestry approach, which also improves fine-mapping of credible variant sets.

Abstract Glycaemic traits are used to diagnose and monitor type 2 diabetes, and cardiometabolic health. To date, most genetic studies of glycaemic traits have focused on individuals of European ancestry. Here, we aggregated genome-wide association studies in up to 281,416 individuals without diabetes (30% non-European ancestry) with fasting glucose, 2h-glucose post-challenge, glycated haemoglobin, and fasting insulin data. Trans-ancestry and single-ancestry meta-analyses identified 242 loci (99 novel; P <5×10 -8 ), 80% with no significant evidence of between-ancestry heterogeneity. Analyses restricted to European ancestry individuals with equivalent sample size would have led to 24 fewer new loci. Compared to single-ancestry, equivalent sized trans-ancestry fine-mapping reduced the number of estimated variants in 99% credible sets by a median of 37.5%. Genomic feature, gene-expression and gene-set analyses revealed distinct biological signatures for each trait, highlighting different underlying biological pathways. Our results increase understanding of diabetes pathophysiology by use of trans-ancestry studies for improved power and resolution.

SUMMARY A hallmark of type 2 diabetes (T2D), a major cause of world-wide morbidity and mortality, is dysfunction of insulin-producing pancreatic islet β cells 1–3 . T2D genome-wide association studies (GWAS) have identified hundreds of signals, mostly in the non-coding genome and overlapping β cell regulatory elements, but translating these into biological mechanisms has been challenging 4–6 . To identify early disease-driving events, we performed single cell spatial proteomics, sorted cell transcriptomics, and assessed islet physiology on pancreatic tissue from short-duration T2D and control donors. Here, through integrative analyses of these diverse modalities, we show that multiple gene regulatory modules are associated with early-stage T2D β cell-intrinsic defects. One notable example is the transcription factor RFX6, which we show is a highly connected β cell hub gene that is reduced in T2D and governs a gene regulatory network associated with insulin secretion defects and T2D GWAS variants. We validated the critical role of RFX6 in β cells through direct perturbation in primary human islets followed by physiological and single nucleus multiome profiling, which showed reduced dynamic insulin secretion and large-scale changes in the β cell transcriptome and chromatin accessibility landscape. Understanding the molecular mechanisms of complex, systemic diseases necessitates integration of signals from multiple molecules, cells, organs, and individuals and thus we anticipate this approach will be a useful template to identify and validate key regulatory networks and master hub genes for other diseases or traits with GWAS data.

Abstract Type 1 diabetes (T1D) is a complex autoimmune disease characterized by the loss of pancreatic islet beta cells. The mechanisms of T1D genetic risk remain poorly understood. Here, we present a multi-omic integrative study of single-cell/nucleus molecular profiles of gene expression and chromatin accessibility in the same biological samples from healthy and beta cell autoantibody + (AAB+) human pancreatic islets to characterize mechanisms of islet-mediated T1D genetic risk. We additionally performed single-cell/nucleus multi-omic profiling of healthy islets under two stimulatory conditions used as in vitro models of T1D (cytokine cocktail and CVB4 infection) to evaluate how environmental exposures recapitulate multi-omic signatures of T1D. In total, we analyzed 121,272 cells/nuclei across 34 libraries, identifying 10 distinct cell types. We identified cell-type-specific and disease-associated cis -regulatory elements and nominated likely target genes. We provide evidence that T1D genetic risk is mediated through multiple pancreatic cell populations, including islet endocrine cells (beta, alpha, gamma, and delta), exocrine acinar and ductal cells, and immune cells. Finally, we identified three independent T1D risk variants acting through pancreatic islet endocrine cells at the TOX, RASGRP1 , and DLK1/MEG3 loci. Together, this work improves our understanding of how non-coding genetic variants encode T1D risk through a complex interplay of different cell types in the pancreas.

Abstract Identifying the tissue-specific molecular signatures of active regulatory elements is critical to understand gene regulatory mechanisms. Here, we identify transcription start sites (TSS) using cap analysis of gene expression (CAGE) across 57 human pancreatic islet samples. We identify 9,954 reproducible CAGE tag clusters (TCs), ~20% of which are islet-specific and occur mostly distal to known gene TSSs. We integrated islet CAGE data with histone modification and chromatin accessibility profiles to identify epigenomic signatures of transcription initiation. Using a massively parallel reporter assay, we validate transcriptional enhancer activity (5% FDR) for 2,279 of 3,378 (~68%) tested islet CAGE elements. TCs within accessible enhancers show higher enrichment to overlap type 2 diabetes genome-wide association study (GWAS) signals than existing islet annotations, which emphasizes the utility of mapping CAGE profiles in disease-relevant tissue. This work provides a high-resolution map of transcriptional initiation in human pancreatic islets with utility for dissecting functional enhancers at GWAS loci.

BackgroundObesity rates have nearly tripled in the past 50 years, and by 2030 more than 1 billion individuals worldwide are projected to be obese. This creates a significant economic strain due to the associated non-communicable diseases. The root cause is an energy expenditure imbalance, owing to an interplay of lifestyle, environmental, and genetic factors. Obesity has a polygenic genetic architecture; however, single genetic variants with large effect size are etiological in a minority of cases. These variants allowed the discovery of novel genes and biology relevant to weight regulation and ultimately led to the development of novel specific treatments.MethodsWe used a case-control approach to determine metabolic differences between individuals homozygous for a loss-of-function genetic variant in the small integral membrane protein 1 (SMIM1) and the general population, leveraging data from five cohorts. Metabolic characterization of SMIM1−/− individuals was performed using plasma biochemistry, calorimetric chamber, and DXA scan.FindingsWe found that individuals homozygous for a loss-of-function genetic variant in SMIM1 gene, underlying the blood group Vel, display excess body weight, dyslipidemia, altered leptin to adiponectin ratio, increased liver enzymes, and lower thyroid hormone levels. This was accompanied by a reduction in resting energy expenditure.ConclusionThis research identified a novel genetic predisposition to being overweight or obese. It highlights the need to investigate the genetic causes of obesity to select the most appropriate treatment given the large cost disparity between them.FundingThis work was funded by the National Institute of Health Research, British Heart Foundation, and NHS Blood and Transplant.

EndoC-βH1 is emerging as a critical human beta cell model to study the genetic and environmental etiologies of beta cell function, especially in the context of diabetes. Comprehensive knowledge of its molecular landscape is lacking yet required to fully take advantage of this model. Here, we report extensive chromosomal (spectral karyotyping), genetic (genotyping), epigenetic (ChIP-seq, ATAC-seq), chromatin interaction (Hi-C, Pol2 ChIA-PET), and transcriptomic (RNA-seq, miRNA-seq) maps of this cell model. Integrated analyses of these maps define known (e.g., PDX1, ISL1) and putative (e.g., PCSK1, mir-375) beta cell-specific chromatin interactions and transcriptional cis-regulatory networks, and identify allelic effects on cis-regulatory element use and expression. Importantly, comparative analyses with maps generated in primary human islets/beta cells indicate substantial preservation of chromatin looping, but also highlight chromosomal heterogeneity and fetal genomic signatures in EndoC-βH1. Together, these maps, and an interactive web application we have created for their exploration, provide important tools for the broad community in the design and success of experiments to probe and manipulate the genetic programs governing beta cell identity and (dys)function in diabetes.

Most signals detected by genome-wide association studies map to non-coding sequence and their tissue-specific effects influence transcriptional regulation. However, many key tissues and cell-types required for appropriate functional inference are absent from large-scale resources such as ENCODE and GTEx. We explored the relationship between genetic variants influencing predisposition to type 2 diabetes (T2D) and related glycemic traits, and human pancreatic islet transcription using RNA-Seq and genotyping data from 420 islet donors. We find: (a) eQTLs have a variable replication rate across the 44 GTEx tissues (<73%), indicating that our study captured islet-specific cis-eQTL signals; (b) islet eQTL signals show marked overlap with islet epigenome annotation, though eQTL effect size is reduced in the stretch enhancers most strongly implicated in GWAS signal location; (c) selective enrichment of islet eQTL overlap with the subset of T2D variants implicated in islet dysfunction; and (d) colocalization between islet eQTLs and variants influencing T2D or related glycemic traits, delivering candidate effector transcripts at 23 loci, including DGKB and TCF7L2. Our findings illustrate the advantages of performing functional and regulatory studies in tissues of greatest disease-relevance while expanding our mechanistic insights into complex traits association loci activity with an expanded list of putative transcripts implicated in T2D development.

Abstract Background Skeletal muscle accounts for the largest proportion of human body mass, on average, and is a key tissue in complex diseases, mobility, and quality of life. It is composed of several different cell and muscle fiber types. Results Here, we optimize single-nucleus ATAC-seq (snATAC-seq) to map skeletal muscle cell-specific chromatin accessibility landscapes in frozen human and rat samples, and single-nucleus RNA-seq (snRNA-seq) to map cell-specific transcriptomes in human. We capture type I and type II muscle fiber signatures, which are generally missed by existing single-cell RNA-seq methods. We perform cross-modality and cross-species integrative analyses on 30,531 nuclei, representing 11 libraries, profiled in this study, and identify seven distinct cell types ranging in abundance from 63% (type II fibers) to 0.9% (muscle satellite cells) of all nuclei. We introduce a regression-based approach to infer cell types by comparing transcription start site-distal ATAC-seq peaks to reference enhancer maps and show consistency with RNA-based marker gene cell type assignments. We find heterogeneity in enrichment of genetic variants linked to complex phenotypes from the UK Biobank and diabetes genome wide association studies in cell-specific ATAC-seq peaks, with the most striking enrichment patterns in muscle mesenchymal stem cells (∼3% of nuclei). Finally, we overlay these chromatin accessibility maps on GWAS data to nominate causal cell types, SNPs, and transcription factor motifs for creatinine levels and type 2 diabetes signals. Conclusions These chromatin accessibility profiles for human and rat skeletal muscle cell types are a useful resource for investigating specific cell types and nominating causal GWAS SNPs and cell types.

Bisulfite sequencing is widely employed to study the role of DNA methylation in disease; however, the data suffer from biases due to coverage depth variability. Here we describe BoostMe, a method for imputing low quality DNA methylation estimates within whole-genome bisulfite sequencing (WGBS) data. BoostMe uses a gradient boosting algorithm, XGBoost, and leverages information from multiple samples for prediction. We find that BoostMe outperforms existing algorithms in speed and accuracy when applied to WGBS of human tissues. We also show that imputation improves concordance between WGBS and the MethylationEPIC array at low WGBS depth, suggesting improved WGBS accuracy after imputation.