Approximately 1.5 billion people worldwide are overweight or affected by obesity, and are at risk of developing type 2 diabetes, cardiovascular disease and related metabolic and inflammatory disturbances. Although the mechanisms linking adiposity to associated clinical conditions are poorly understood, recent studies suggest that adiposity may influence DNA methylation, a key regulator of gene expression and molecular phenotype. Here we use epigenome-wide association to show that body mass index (BMI; a key measure of adiposity) is associated with widespread changes in DNA methylation (187 genetic loci with P < 1 × 10-7, range P = 9.2 × 10-8 to 6.0 × 10-46; n = 10,261 samples). Genetic association analyses demonstrate that the alterations in DNA methylation are predominantly the consequence of adiposity, rather than the cause. We find that methylation loci are enriched for functional genomic features in multiple tissues (P < 0.05), and show that sentinel methylation markers identify gene expression signatures at 38 loci (P < 9.0 × 10-6, range P = 5.5 × 10-6 to 6.1 × 10-35, n = 1,785 samples). The methylation loci identify genes involved in lipid and lipoprotein metabolism, substrate transport and inflammatory pathways. Finally, we show that the disturbances in DNA methylation predict future development of type 2 diabetes (relative risk per 1 standard deviation increase in methylation risk score: 2.3 (2.07-2.56); P = 1.1 × 10-54). Our results provide new insights into the biologic pathways influenced by adiposity, and may enable development of new strategies for prediction and prevention of type 2 diabetes and other adverse clinical consequences of obesity.

Genome-wide association studies have identified numerous loci linked with complex diseases, for which the molecular mechanisms remain largely unclear. Comprehensive molecular profiling of circulating metabolites captures highly heritable traits, which can help to uncover metabolic pathophysiology underlying established disease variants. We conduct an extended genome-wide association study of genetic influences on 123 circulating metabolic traits quantified by nuclear magnetic resonance metabolomics from up to 24,925 individuals and identify eight novel loci for amino acids, pyruvate and fatty acids. The LPA locus link with cardiovascular risk exemplifies how detailed metabolic profiling may inform underlying aetiology via extensive associations with very-low-density lipoprotein and triglyceride metabolism. Genetic fine mapping and Mendelian randomization uncover wide-spread causal effects of lipoprotein(a) on overall lipoprotein metabolism and we assess potential pleiotropic consequences of genetically elevated lipoprotein(a) on diverse morbidities via electronic health-care records. Our findings strengthen the argument for safe LPA-targeted intervention to reduce cardiovascular risk.

Background Circulating lipoprotein lipids cause coronary heart disease (CHD). However, the precise way in which one or more lipoprotein lipid-related entities account for this relationship remains unclear. Using genetic instruments for lipoprotein lipid traits implemented through multivariable Mendelian randomisation (MR), we sought to compare their causal roles in the aetiology of CHD. Methods and findings We conducted a genome-wide association study (GWAS) of circulating non-fasted lipoprotein lipid traits in the UK Biobank (UKBB) for low-density lipoprotein (LDL) cholesterol, triglycerides, and apolipoprotein B to identify lipid-associated single nucleotide polymorphisms (SNPs). Using data from CARDIoGRAMplusC4D for CHD (consisting of 60,801 cases and 123,504 controls), we performed univariable and multivariable MR analyses. Similar GWAS and MR analyses were conducted for high-density lipoprotein (HDL) cholesterol and apolipoprotein A-I. The GWAS of lipids and apolipoproteins in the UKBB included between 393,193 and 441,016 individuals in whom the mean age was 56.9 y (range 39–73 y) and of whom 54.2% were women. The mean (standard deviation) lipid concentrations were LDL cholesterol 3.57 (0.87) mmol/L and HDL cholesterol 1.45 (0.38) mmol/L, and the median triglycerides was 1.50 (IQR = 1.11) mmol/L. The mean (standard deviation) values for apolipoproteins B and A-I were 1.03 (0.24) g/L and 1.54 (0.27) g/L, respectively. The GWAS identified multiple independent SNPs associated at P < 5 × 10−8 for LDL cholesterol (220), apolipoprotein B (n = 255), triglycerides (440), HDL cholesterol (534), and apolipoprotein A-I (440). Between 56%–93% of SNPs identified for each lipid trait had not been previously reported in large-scale GWASs. Almost half (46%) of these SNPs were associated at P < 5 × 10−8 with more than one lipid-related trait. Assessed individually using MR, LDL cholesterol (odds ratio [OR] 1.66 per 1-standard-deviation–higher trait; 95% CI: 1.49–1.86; P < 0.001), triglycerides (OR 1.34; 95% CI: 1.25–1.44; P < 0.001) and apolipoprotein B (OR 1.73; 95% CI: 1.56–1.91; P < 0.001) had effect estimates consistent with a higher risk of CHD. In multivariable MR, only apolipoprotein B (OR 1.92; 95% CI: 1.31–2.81; P < 0.001) retained a robust effect, with the estimate for LDL cholesterol (OR 0.85; 95% CI: 0.57–1.27; P = 0.44) reversing and that of triglycerides (OR 1.12; 95% CI: 1.02–1.23; P = 0.01) becoming weaker. Individual MR analyses showed a 1-standard-deviation–higher HDL cholesterol (OR 0.80; 95% CI: 0.75–0.86; P < 0.001) and apolipoprotein A-I (OR 0.83; 95% CI: 0.77–0.89; P < 0.001) to lower the risk of CHD, but these effect estimates attenuated substantially to the null on accounting for apolipoprotein B. A limitation is that, owing to the nature of lipoprotein metabolism, measures related to the composition of lipoprotein particles are highly correlated, creating a challenge in making exclusive interpretations on causation of individual components. Conclusions These findings suggest that apolipoprotein B is the predominant trait that accounts for the aetiological relationship of lipoprotein lipids with risk of CHD.

Background— High-throughput profiling of circulating metabolites may improve cardiovascular risk prediction over established risk factors. Methods and Results— We applied quantitative nuclear magnetic resonance metabolomics to identify the biomarkers for incident cardiovascular disease during long-term follow-up. Biomarker discovery was conducted in the National Finnish FINRISK study (n=7256; 800 events). Replication and incremental risk prediction was assessed in the Southall and Brent Revisited (SABRE) study (n=2622; 573 events) and British Women’s Health and Heart Study (n=3563; 368 events). In targeted analyses of 68 lipids and metabolites, 33 measures were associated with incident cardiovascular events at P <0.0007 after adjusting for age, sex, blood pressure, smoking, diabetes mellitus, and medication. When further adjusting for routine lipids, 4 metabolites were associated with future cardiovascular events in meta-analyses: higher serum phenylalanine (hazard ratio per standard deviation, 1.18; 95% confidence interval, 1.12–1.24; P =4×10 –10 ) and monounsaturated fatty acid levels (1.17; 1.11–1.24; P =1×10 –8 ) were associated with increased cardiovascular risk, while higher omega-6 fatty acids (0.89; 0.84–0.94; P =6×10 –5 ) and docosahexaenoic acid levels (0.90; 0.86–0.95; P =5×10 –5 ) were associated with lower risk. A risk score incorporating these 4 biomarkers was derived in FINRISK. Risk prediction estimates were more accurate in the 2 validation cohorts (relative integrated discrimination improvement, 8.8% and 4.3%), albeit discrimination was not enhanced. Risk classification was particularly improved for persons in the 5% to 10% risk range (net reclassification, 27.1% and 15.5%). Biomarker associations were further corroborated with mass spectrometry in FINRISK (n=671) and the Framingham Offspring Study (n=2289). Conclusions— Metabolite profiling in large prospective cohorts identified phenylalanine, monounsaturated fatty acids, and polyunsaturated fatty acids as biomarkers for cardiovascular risk. This study substantiates the value of high-throughput metabolomics for biomarker discovery and improved risk assessment.

A high-throughput proton (1H) nuclear magnetic resonance (NMR) metabonomics approach is introduced to characterise systemic metabolic phenotypes. The methodology combines two molecular windows that contain the majority of the metabolic information available by 1H NMR from native serum, e.g. serum lipids, lipoprotein subclasses as well as various low-molecular-weight metabolites. The experimentation is robotics-controlled and fully automated with a capacity of about 150-180 samples in 24 h. To the best of our knowledge, the presented set-up is unique in the sense of experimental high-throughput, cost-effectiveness, and automated multi-metabolic data analyses. As an example, we demonstrate that the NMR data as such reveal associations between systemic metabolic phenotypes and the metabolic syndrome (n = 4407). The high-throughput of up to 50,000 serum samples per year is also paving the way for this technology in large-scale clinical and epidemiological studies. In contradiction to single 'biomarkers', the application of this holistic NMR approach and the integrated computational methods provides a data-driven systems biology approach to biomedical research.

Branched-chain and aromatic amino acids are associated with the risk for future type 2 diabetes; however, the underlying mechanisms remain elusive. We tested whether amino acids predict insulin resistance index in healthy young adults.Circulating isoleucine, leucine, valine, phenylalanine, tyrosine, and six additional amino acids were quantified in 1,680 individuals from the population-based Cardiovascular Risk in Young Finns Study (baseline age 32 ± 5 years; 54% women). Insulin resistance was estimated by homeostasis model assessment (HOMA) at baseline and 6-year follow-up. Amino acid associations with HOMA of insulin resistance (HOMA-IR) and glucose were assessed using regression models adjusted for established risk factors. We further examined whether amino acid profiling could augment risk assessment of insulin resistance (defined as 6-year HOMA-IR >90th percentile) in early adulthood.Isoleucine, leucine, valine, phenylalanine, and tyrosine were associated with HOMA-IR at baseline and for men at 6-year follow-up, while for women only leucine, valine, and phenylalanine predicted 6-year HOMA-IR (P < 0.05). None of the other amino acids were prospectively associated with HOMA-IR. The sum of branched-chain and aromatic amino acid concentrations was associated with 6-year insulin resistance for men (odds ratio 2.09 [95% CI 1.38-3.17]; P = 0.0005); however, including the amino acid score in prediction models did not improve risk discrimination.Branched-chain and aromatic amino acids are markers of the development of insulin resistance in young, normoglycemic adults, with most pronounced associations for men. These findings suggest that the association of branched-chain and aromatic amino acids with the risk for future diabetes is at least partly mediated through insulin resistance.

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.

Indian Asians, who make up a quarter of the world's population, are at high risk of developing type 2 diabetes. We investigated whether DNA methylation is associated with future type 2 diabetes incidence in Indian Asians and whether differences in methylation patterns between Indian Asians and Europeans are associated with, and could be used to predict, differences in the magnitude of risk of developing type 2 diabetes.We did a nested case-control study of DNA methylation in Indian Asians and Europeans with incident type 2 diabetes who were identified from the 8-year follow-up of 25 372 participants in the London Life Sciences Prospective Population (LOLIPOP) study. Patients were recruited between May 1, 2002, and Sept 12, 2008. We did epigenome-wide association analysis using samples from Indian Asians with incident type 2 diabetes and age-matched and sex-matched Indian Asian controls, followed by replication testing of top-ranking signals in Europeans. For both discovery and replication, DNA methylation was measured in the baseline blood sample, which was collected before the onset of type 2 diabetes. Epigenome-wide significance was set at p<1 × 10(-7). We compared methylation levels between Indian Asian and European controls without type 2 diabetes at baseline to estimate the potential contribution of DNA methylation to increased risk of future type 2 diabetes incidence among Indian Asians.1608 (11·9%) of 13 535 Indian Asians and 306 (4·3%) of 7066 Europeans developed type 2 diabetes over a mean of 8·5 years (SD 1·8) of follow-up. The age-adjusted and sex-adjusted incidence of type 2 diabetes was 3·1 times (95% CI 2·8-3·6; p<0·0001) higher among Indian Asians than among Europeans, and remained 2·5 times (2·1-2·9; p<0·0001) higher after adjustment for adiposity, physical activity, family history of type 2 diabetes, and baseline glycaemic measures. The mean absolute difference in methylation level between type 2 diabetes cases and controls ranged from 0·5% (SD 0·1) to 1·1% (0·2). Methylation markers at five loci were associated with future type 2 diabetes incidence; the relative risk per 1% increase in methylation was 1·09 (95% CI 1·07-1·11; p=1·3 × 10(-17)) for ABCG1, 0·94 (0·92-0·95; p=4·2 × 10(-11)) for PHOSPHO1, 0·94 (0·92-0·96; p=1·4 × 10(-9)) for SOCS3, 1·07 (1·04-1·09; p=2·1 × 10(-10)) for SREBF1, and 0·92 (0·90-0·94; p=1·2 × 10(-17)) for TXNIP. A methylation score combining results for the five loci was associated with future type 2 diabetes incidence (relative risk quartile 4 vs quartile 1 3·51, 95% CI 2·79-4·42; p=1·3 × 10(-26)), and was independent of established risk factors. Methylation score was higher among Indian Asians than Europeans (p=1 × 10(-34)).DNA methylation might provide new insights into the pathways underlying type 2 diabetes and offer new opportunities for risk stratification and prevention of type 2 diabetes among Indian Asians.The European Union, the UK National Institute for Health Research, the Wellcome Trust, the UK Medical Research Council, Action on Hearing Loss, the UK Biotechnology and Biological Sciences Research Council, the Oak Foundation, the Economic and Social Research Council, Helmholtz Zentrum Munchen, the German Research Center for Environmental Health, the German Federal Ministry of Education and Research, the German Center for Diabetes Research, the Munich Center for Health Sciences, the Ministry of Science and Research of the State of North Rhine-Westphalia, and the German Federal Ministry of Health.

Blood lipids are established risk factors for myocardial infarction (MI), but uncertainty persists about the relevance of lipids, lipoprotein particles, and circulating metabolites for MI and stroke subtypes. This study sought to investigate the associations of plasma metabolic markers with risks of incident MI, ischemic stroke (IS), and intracerebral hemorrhage (ICH). In a nested case-control study (912 MI, 1,146 IS, and 1,138 ICH cases, and 1,466 common control subjects) 30 to 79 years of age in China Kadoorie Biobank, nuclear magnetic resonance spectroscopy measured 225 metabolic markers in baseline plasma samples. Logistic regression was used to estimate adjusted odds ratios (ORs) for a 1-SD higher metabolic marker. Very low-, intermediate-, and low-density lipoprotein particles were positively associated with MI and IS. High-density lipoprotein (HDL) particles were inversely associated with MI apart from small HDL. In contrast, no lipoprotein particles were associated with ICH. Cholesterol in large HDL was inversely associated with MI and IS (OR: 0.79 and 0.88, respectively), whereas cholesterol in small HDL was not (OR: 0.99 and 1.06, respectively). Triglycerides within all lipoproteins, including most HDL particles, were positively associated with MI, with a similar pattern for IS. Glycoprotein acetyls, ketone bodies, glucose, and docosahexaenoic acid were associated with all 3 diseases. The 225 metabolic markers showed concordant associations between MI and IS, but not with ICH. Lipoproteins and lipids showed similar associations with MI and IS, but not with ICH. Within HDL particles, cholesterol concentrations were inversely associated, whereas triglyceride concentrations were positively associated with MI. Glycoprotein acetyls and several non–lipid-related metabolites associated with all 3 diseases.

Background Early identification of ambulatory persons at high short-term risk of death could benefit targeted prevention. To identify biomarkers for all-cause mortality and enhance risk prediction, we conducted high-throughput profiling of blood specimens in two large population-based cohorts. Methods and Findings 106 candidate biomarkers were quantified by nuclear magnetic resonance spectroscopy of non-fasting plasma samples from a random subset of the Estonian Biobank (n = 9,842; age range 18–103 y; 508 deaths during a median of 5.4 y of follow-up). Biomarkers for all-cause mortality were examined using stepwise proportional hazards models. Significant biomarkers were validated and incremental predictive utility assessed in a population-based cohort from Finland (n = 7,503; 176 deaths during 5 y of follow-up). Four circulating biomarkers predicted the risk of all-cause mortality among participants from the Estonian Biobank after adjusting for conventional risk factors: alpha-1-acid glycoprotein (hazard ratio [HR] 1.67 per 1–standard deviation increment, 95% CI 1.53–1.82, p = 5×10−31), albumin (HR 0.70, 95% CI 0.65–0.76, p = 2×10−18), very-low-density lipoprotein particle size (HR 0.69, 95% CI 0.62–0.77, p = 3×10−12), and citrate (HR 1.33, 95% CI 1.21–1.45, p = 5×10−10). All four biomarkers were predictive of cardiovascular mortality, as well as death from cancer and other nonvascular diseases. One in five participants in the Estonian Biobank cohort with a biomarker summary score within the highest percentile died during the first year of follow-up, indicating prominent systemic reflections of frailty. The biomarker associations all replicated in the Finnish validation cohort. Including the four biomarkers in a risk prediction score improved risk assessment for 5-y mortality (increase in C-statistics 0.031, p = 0.01; continuous reclassification improvement 26.3%, p = 0.001). Conclusions Biomarker associations with cardiovascular, nonvascular, and cancer mortality suggest novel systemic connectivities across seemingly disparate morbidities. The biomarker profiling improved prediction of the short-term risk of death from all causes above established risk factors. Further investigations are needed to clarify the biological mechanisms and the utility of these biomarkers for guiding screening and prevention. Please see later in the article for the Editors' Summary