Although plasma proteins have important roles in biological processes and are the direct targets of many drugs, the genetic factors that control inter-individual variation in plasma protein levels are not well understood. Here we characterize the genetic architecture of the human plasma proteome in healthy blood donors from the INTERVAL study. We identify 1,927 genetic associations with 1,478 proteins, a fourfold increase on existing knowledge, including trans associations for 1,104 proteins. To understand the consequences of perturbations in plasma protein levels, we apply an integrated approach that links genetic variation with biological pathway, disease, and drug databases. We show that protein quantitative trait loci overlap with gene expression quantitative trait loci, as well as with disease-associated loci, and find evidence that protein biomarkers have causal roles in disease using Mendelian randomization analysis. By linking genetic factors to diseases via specific proteins, our analyses highlight potential therapeutic targets, opportunities for matching existing drugs with new disease indications, and potential safety concerns for drugs under development. A genetic atlas of the human plasma proteome, comprising 1,927 genetic associations with 1,478 proteins, identifies causes of disease and potential drug targets.

Importance

 Human genetic studies have indicated that plasma lipoprotein(a) (Lp[a]) is causally associated with the risk of coronary heart disease (CHD), but randomized trials of several therapies that reduce Lp(a) levels by 25% to 35% have not provided any evidence that lowering Lp(a) level reduces CHD risk. 

Objective

 To estimate the magnitude of the change in plasma Lp(a) levels needed to have the same evidence of an association with CHD risk as a 38.67-mg/dL (ie, 1-mmol/L) change in low-density lipoprotein cholesterol (LDL-C) level, a change that has been shown to produce a clinically meaningful reduction in the risk of CHD. 

Design, Setting, and Participants

 A mendelian randomization analysis was conducted using individual participant data from 5 studies and with external validation using summarized data from 48 studies. Population-based prospective cohort and case-control studies featured 20 793 individuals with CHD and 27 540 controls with individual participant data, whereas summarized data included 62 240 patients with CHD and 127 299 controls. Data were analyzed from November 2016 to March 2018. 

Exposures

 GeneticLPA score and plasma Lp(a) mass concentration. 

Main Outcomes and Measures

 Coronary heart disease. 

Results

 Of the included study participants, 53% were men, all were of white European ancestry, and the mean age was 57.5 years. The association of genetically predicted Lp(a) with CHD risk was linearly proportional to the absolute change in Lp(a) concentration. A 10-mg/dL lower genetically predicted Lp(a) concentration was associated with a 5.8% lower CHD risk (odds ratio [OR], 0.942; 95% CI, 0.933-0.951;P = 3 × 10⁻³⁷), whereas a 10-mg/dL lower genetically predicted LDL-C level estimated using an LDL-C genetic score was associated with a 14.5% lower CHD risk (OR, 0.855; 95% CI, 0.818-0.893;P = 2 × 10⁻¹²). Thus, a 101.5-mg/dL change (95% CI, 71.0-137.0) in Lp(a) concentration had the same association with CHD risk as a 38.67-mg/dL change in LDL-C level. The association of genetically predicted Lp(a) concentration with CHD risk appeared to be independent of changes in LDL-C level owing to genetic variants that mimic the relationship of statins, PCSK9 inhibitors, and ezetimibe with CHD risk. 

Conclusions and Relevance

 The clinical benefit of lowering Lp(a) is likely to be proportional to the absolute reduction in Lp(a) concentration. Large absolute reductions in Lp(a) of approximately 100 mg/dL may be required to produce a clinically meaningful reduction in the risk of CHD similar in magnitude to what can be achieved by lowering LDL-C level by 38.67 mg/dL (ie, 1 mmol/L).

Circulating proteins are vital in human health and disease and are frequently used as biomarkers for clinical decision-making or as targets for pharmacological intervention. Here, we map and replicate protein quantitative trait loci (pQTL) for 90 cardiovascular proteins in over 30,000 individuals, resulting in 451 pQTLs for 85 proteins. For each protein, we further perform pathway mapping to obtain trans-pQTL gene and regulatory designations. We substantiate these regulatory findings with orthogonal evidence for trans-pQTLs using mouse knockdown experiments (ABCA1 and TRIB1) and clinical trial results (chemokine receptors CCR2 and CCR5), with consistent regulation. Finally, we evaluate known drug targets, and suggest new target candidates or repositioning opportunities using Mendelian randomization. This identifies 11 proteins with causal evidence of involvement in human disease that have not previously been targeted, including EGF, IL-16, PAPPA, SPON1, F3, ADM, CASP-8, CHI3L1, CXCL16, GDF15 and MMP-12. Taken together, these findings demonstrate the utility of large-scale mapping of the genetics of the proteome and provide a resource for future precision studies of circulating proteins in human health. Folkersen et al. report the first results from the SCALLOP consortium, a collaborative framework for pQTL mapping and biomarker analysis of proteins on the Olink platform. A total of 315 primary and 136 secondary pQTLs for 85 circulating cardiovascular proteins from over 30,000 individuals were identified and replicated to yield new insights for translational studies and drug development.

Abstract Genetically predicted levels of multi-omic traits can uncover the molecular underpinnings of common phenotypes in a highly efficient manner. Here, we utilised a large cohort (INTERVAL; N=50,000 participants) with extensive multi-omic data for plasma proteomics (SomaScan, N=3,175; Olink, N=4,822), plasma metabolomics (Metabolon HD4, N=8,153), serum metabolomics (Nightingale, N=37,359), and whole blood Illumina RNA sequencing (N=4,136). We used machine learning to train genetic scores for 17,227 molecular traits, including 10,521 which reached Bonferroni-adjusted significance. We evaluated genetic score performances in external validation across European, Asian and African American ancestries, and assessed their longitudinal stability within diverse individuals. We demonstrated the utility of these multi-omic genetic scores by quantifying the genetic control of biological pathways and by generating a synthetic multi-omic dataset of UK Biobank to identify disease associations using a phenome-wide scan. Finally, we developed a portal ( OmicsPred.org ) to facilitate public access to all genetic scores and validation results as well as to serve as a platform for future extensions and enhancements of multi-omic genetic scores.

SUMMARY Thousands of genetic associations with phenotypes of blood cells are known, but few are with phenotypes relevant to cell function. We performed GWAS of 63 flow-cytometry phenotypes, including measures of cell granularity, nucleic acid content, and reactivity, in 39,656 participants in the INTERVAL study, identifying 2,172 variant-trait associations. These include associations mediated by functional cellular structures such as secretory granules, implicated in vascular, thrombotic, inflammatory and neoplastic diseases. By integrating our results with epigenetic data and with signals from molecular abundance/disease GWAS, we infer the hematopoietic origins of population phenotypic variation and identify the transcription factor FOG2 as a regulator of platelet α -granularity. We show how flow cytometry genetics can suggest cell types mediating complex disease risk and suggest efficacious drug targets, presenting Daclizumab/Vedolizumab in autoimmune disease as positive controls. Finally, we add to existing evidence supporting IL7/IL7-R as drug targets for multiple sclerosis.

Circulating proteins are vital in human health and disease and are frequently used as biomarkers for clinical decision-making or as targets for pharmacological intervention. By mapping and replicating protein quantitative trait loci (pQTL) for 90 cardiovascular proteins in over 30,000 individuals, we identified 467 pQTLs for 85 proteins. The pQTLs were used in combination with other sources of information to evaluate known drug targets, and suggest new target candidates or repositioning opportunities, underpinned by a) causality assessment using Mendelian randomization, b) pathway mapping using trans-pQTL gene assignments, and c) protein-centric polygenic risk scores enabling matching of plausible target mechanisms to sub-groups of individuals enabling precision medicine.

Aims: To systematically investigate causal relationships between circulating lipids and cardiovascular outcomes, using a Mendelian randomization approach. Methods and Results: In the primary analysis, we performed two-sample multivariable Mendelian randomization using data from participants of European ancestry. We also conducted univariable analyses using inverse-variance weighted and robust methods, and gene-specific analyses using variants that can be considered as proxies for specific lipid-lowering medications. We obtained associations with lipid fractions from the Global Lipids Genetics Consortium, a meta-analysis of 188,577 participants, and genetic associations with cardiovascular outcomes from 367,703 participants in UK Biobank. For LDL-cholesterol, in addition to the expected positive associations with coronary artery disease (CAD) risk (odds ratio per 1 standard deviation increase [OR], 1.45; 95% confidence interval [95%CI] 1.35-1.57) and other atheromatous outcomes (ischemic cerebrovascular disease and peripheral vascular disease), we found independent associations of genetically-predicted LDL-cholesterol with abdominal aortic aneurysm (OR 1.75; 95%CI 1.40-2.17), and aortic valve stenosis (OR 1.46; 95%CI 1.25-1.70). Genetically-predicted triglyceride levels were positively associated with CAD (OR 1.25; 95%CI 1.12-1.40), aortic valve stenosis (OR 1.29; 95%CI 1.04-1.61), and hypertension (OR 1.17; 95%CI 1.07-1.27), but inversely associated with venous thromboembolism (OR 0.79; 95%CI 0.67-0.93). The positive associations of genetically-predicted LDL-cholesterol and triglycerides with heart failure and aortic stenosis appeared to be mediated by CAD. Conclusion: Lowering LDL-cholesterol is likely to prevent abdominal aortic aneurysm and aortic stenosis, in addition to CAD and other atheromatous cardiovascular outcomes. Lowering triglycerides is likely to prevent CAD and aortic valve stenosis, but may increase risk of thromboembolism.

Eosinophilic granulomatosis with polyangiitis (EGPA: formerly Churg-Strauss syndrome) is a rare inflammatory disease of unknown cause. 30% of patients have anti-neutrophil cytoplasm antibodies (ANCA) specific for myeloperoxidase (MPO). We performed a genome-wide association study (GWAS) of EGPA, testing 7.5 million genetic variants in 684 cases and 6,838 controls. Case-control analyses were performed for EGPA as a whole, and stratified by ANCA. To increase power, we used a conditional false discovery rate method to leverage findings from GWASs of related phenotypes. In total, 11 variants were associated with EGPA, two specifically with ANCA-negative EGPA, and one (HLA-DQ) with MPO+ANCA EGPA. Many variants were associated with asthma, eosinophilic and immune-mediated diseases and, strikingly, nine were associated with eosinophil count in the general population. Through Mendelian randomisation, we show that a primary tendency to eosinophilia underlies EGPA susceptibility. We demonstrate that EGPA comprises two genetically and clinically distinct syndromes, with ANCA-negative EGPA genetically more similar to asthma. MPO+ANCA EGPA is an eosinophilic autoimmune disease sharing certain clinical features and an MHC association with MPO+ ANCA-associated vasculitis, while ANCA-negative EGPA may instead have a mucosal/barrier dysfunction origin. Five identified candidate genes are targets of therapies in development, supporting their exploration in EGPA.

Objective: The Asp358Ala variant (rs2228145; A>C) in the interleukin-6 receptor (IL6R) gene has been implicated in the development of abdominal aortic aneurysms (AAAs), but its effect on AAA growth over time is not known. We aimed to investigate the clinical association between the IL6R-Asp358Ala variant and AAA growth, and to assess the effect of blocking the IL-6 signalling pathway in mouse models of aneurysm rupture. Approach: Using data from 2,863 participants with AAA from nine prospective cohorts, age- and sex-adjusted mixed-effects linear regression models were used to estimate the association between the IL6R-Asp358Ala variant and annual change in AAA diameter (mm/year). In a series of complementary randomised trials in mice, the effect of blocking the IL-6 signalling pathways was assessed on plasma biomarkers, systolic blood pressure, aneurysm diameter and time to aortic rupture and death. Results: After adjusting for age and sex, baseline aneurysm size was 0.55mm (95% confidence interval [CI]: 0.13, 0.98mm) smaller per copy of the minor allele [C] of the Asp358Ala variant. There was no evidence of a reduction in AAA growth rate (change in growth=-0.06mm per year [-0.18, 0.06] per copy of the minor allele). In two mouse models of AAA, selective blockage of the IL-6 trans-signalling pathway, but not combined blockage of both, the classical and trans-signalling pathways, was associated with improved survival (p<0.05). Conclusions: Our proof-of-principle data are compatible with the concept that IL-6 trans-signalling is relevant to AAA growth, encouraging larger-scale evaluation of this hypothesis.

Proteins are the primary functional units of biology and the direct targets of most drugs, yet there is limited knowledge of the genetic factors determining inter-individual variation in protein levels. Here we reveal the genetic architecture of the human plasma proteome, testing 10.6 million DNA variants against levels of 2,994 proteins in 3,301 individuals. We identify 1,927 genetic associations with 1,478 proteins, a 4-fold increase on existing knowledge, including trans associations for 1,104 proteins. To understand consequences of perturbations in plasma protein levels, we introduce an approach that links naturally occurring genetic variation with biological, disease, and drug databases. We provide insights into pathogenesis by uncovering the molecular effects of disease-associated variants. We identify causal roles for protein biomarkers in disease through Mendelian randomization analysis. Our results reveal new drug targets, opportunities for matching existing drugs with new disease indications, and potential safety concerns for drugs under development.