Genome-wide association analyses using high-throughput metabolomics platforms have led to novel insights into the biology of human metabolism1-7. This detailed knowledge of the genetic determinants of systemic metabolism has been pivotal for uncovering how genetic pathways influence biological mechanisms and complex diseases8-11. Here we present a genome-wide association study for 233 circulating metabolic traits quantified by nuclear magnetic resonance spectroscopy in up to 136,016 participants from 33 cohorts. We identify more than 400 independent loci and assign probable causal genes at two-thirds of these using manual curation of plausible biological candidates. We highlight the importance of sample and participant characteristics that can have significant effects on genetic associations. We use detailed metabolic profiling of lipoprotein- and lipid-associated variants to better characterize how known lipid loci and novel loci affect lipoprotein metabolism at a granular level. We demonstrate the translational utility of comprehensively phenotyped molecular data, characterizing the metabolic associations of intrahepatic cholestasis of pregnancy. Finally, we observe substantial genetic pleiotropy for multiple metabolic pathways and illustrate the importance of careful instrument selection in Mendelian randomization analysis, revealing a putative causal relationship between acetone and hypertension. Our publicly available results provide a foundational resource for the community to examine the role of metabolism across diverse diseases.

Type 2 diabetes (T2D) is a global health burden that will benefit from personalised risk prediction and targeted prevention programmes. Omics data have enabled more detailed risk prediction; however, most studies have focussed on directly on the ability of DNA variants predicting T2D onset with less attention given to epigenetic regulation and glycaemic trait variability. By applying machine learning to the longitudinal Northern Finland Birth Cohort 1966 (NFBC 1966) at 31 (T1) and 46 (T2) years old, we predicted fasting glucose (FG) and insulin (FI), glycated haemoglobin (HbA1c) and 2-hour glucose and insulin from oral glucose tolerance test (2hGlu, 2hIns) at T2 in 513 individuals from 1,001 variables at T1 and T2, including anthropometric, metabolic, metabolomic and epigenetic variables. We further tested whether the information obtained by the machine learning models in NFBC could be used to predict glycaemic traits in the independent French study with 48 matching predictors (DESIR, N=769, age range 30-65 years at recruitment, interval between data collections: 9 years). In this study, FG and FI were best predicted, with average R2 values of 0.38 and 0.53. Sex, branched-chain and aromatic amino acids, HDL-cholesterol, glycerol, ketone bodies, blood pressure at T2 and measurements of adiposity at T1, as well as multiple methylation marks at both time points were amongst the top predictors. In the validation analysis, we reached R2 values of 0.41/0.55 for FG/FI when trained and tested in NFBC1966 and 0.17/0.30 when trained in NFBC1966 and tested in DESIR. We identified clinically relevant sets of predictors from a large multi-omics dataset and highlighted the potential of methylation markers and longitudinal changes in prediction.

Integrative analyses of high-throughput omics data have elucidated the aetiology and pathogenesis for complex traits and diseases, and the linking of omics information to electronic health records promises new insights into human health and disease. Recent nuclear magnetic resonance (NMR) spectroscopy biomarker profiling has implicated glycoprotein acetyls (GlycA) as a biomarker for cardiovascular risk and all-cause mortality. To elucidate biological processes contributing to GlycA- associated mortality risk, we leveraged human omics data from three population- based cohorts together with nation-wide Finnish hospital and mortality records. Elevated GlycA was associated with myriad infection-related inflammatory processes. Within individuals, elevated GlycA levels were stable over long time periods, up to a decade, and chronically elevated GlycA was also associated with modest elevation of numerous cytokines. Individuals with elevated GlycA also showed increased expression of a transcriptional sub-network, the Neutrophil Degranulation Module (NDM), suggesting an increased activity of microbe-driven immune response. Subsequent analysis of nation-wide hospitalisation and death records was consistent with a microbial basis for GlycA-associated mortality, with each standard deviation increase in GlycA raising an individual's future risk of hospitalization and death from non-localized infection by 40% and 136%, respectively. These results show that, beyond its established role in acute-phase response, elevated GlycA is more broadly a biomarker for low-grade chronic inflammation and increased neutrophil activity. Further, increased risk of susceptibility to severe microbial-infection events in healthy individuals suggests this inflammation is a contributor to mortality risk. Taken together, this study demonstrates the power of an integrative approach that combines omics data and health records to delineate the biological processes underlying a newly discovered biomarker, providing a model strategy for future systems medicine studies.

Statin treatment increases bone mineral density (BMD) and reduces fracture risk, but the underlying mechanism is unclear. We used Mendelian randomization (MR) to assess whether this relation is explained by a specific effect in response to statin use, or by a general effect of lipid-lowering. We utilized 400 single nucleotide polymorphisms (SNPs) robustly associated with plasma lipid levels and results from a heel BMD GWAS (derived from quantitative ultrasound) in 426,824 individuals from the UK Biobank. We performed univariate and multivariable MR analyses of low-density lipoprotein cholesterol (LDL-C), high density lipoprotein cholesterol (HDL-C) and triglyceride levels on BMD. To test whether the effect of statins on BMD was mediated by lowering lipid levels, MR was repeated with and without SNPs in the HMGCR region, the gene targeted by statins. Univariate MR analyses provided evidence for a causal effect of LDL-C on BMD (β = -0.060; -0.084 to -0.036; P = 4x10-6; standard deviation change in BMD per standard deviation change in LDL-C, with 95% CI), but not HDL or triglycerides. Multivariable MR analysis suggested that the effect of LDL-C on BMD was independent of HDL-C and triglycerides, and sensitivity analyses involving MR Egger and weighted median MR approaches suggested that the LDL-C results were robust to pleiotropy. MR analyses of LDL-C restricted to SNPs in the HMGCR region showed similar effects on BMD (β = -0.083; -0.132 to -0.034; P = 0.001) to those excluding these SNPs (β= -0.063; -0.090 to -0.036; P = 8x10-6). Bidirectional MR analyses provided some evidence for a causal effect of BMD on plasma LDL-C levels. Our results suggest that effects of statins on BMD are at least partly due to their LDL-C lowering effect. Further studies are required to examine the potential role of modifying plasma lipid levels in treating osteoporosis.

Background: High alcohol consumption is a major cause of morbidity, yet alcohol is associated with both favourable and adverse effects on cardiometabolic risk markers. We aimed to characterize the associations of usual alcohol consumption with a comprehensive systemic metabolite profile in young adults. Methods: Cross-sectional associations of alcohol intake with 86 metabolic measures were assessed for 9778 individuals from three population-based cohorts from Finland (age 24 45 years, 52% women). Metabolic changes associated with change in alcohol intake during 6-year follow-up were further examined for 1466 individuals. Alcohol intake was assessed by questionnaires. Circulating lipids, fatty acids and metabolites were quantified by high-throughput nuclear magnetic resonance metabolomics and biochemical assays. Results: Increased alcohol intake was associated with cardiometabolic risk markers across multiple metabolic pathways, including higher lipid concentrations in HDL subclasses and smaller LDL particle size, increased proportions of monounsaturated fatty acids and decreased proportion of omega-6 fatty acids, lower concentrations of glutamine and citrate (P<0.001 for 56 metabolic measures). Many metabolic biomarkers displayed U-shaped associations with alcohol consumption. Results were coherent for men and women, consistent across the three cohorts, and similar if adjusting for body mass index, smoking and physical activity. The metabolic changes accompanying change in alcohol intake during follow-up resembled the cross-sectional association pattern (R2=0.83, slope=0.72±0.04). Conclusions: Alcohol consumption is associated with a complex metabolic signature, including aberrations in multiple biomarkers for elevated cardiometabolic risk. The metabolic signature tracks with long-term changes in alcohol consumption. These results elucidate the double-edged effects of alcohol on cardiovascular risk.

Background: CETP inhibition reduces vascular event rates but confusion surrounds its low-density lipoprotein (LDL)-cholesterol effects. We sought to clarify associations of genetic inhibition of CETP on detailed lipoproteins. Methods and Results: We used variants associated with CETP (rs247617) and HMGCR (rs12916) expression in 62,400 Europeans with detailed lipoprotein profiling from nuclear magnetic resonance spectroscopy. Genetic associations were scaled to 10% lower risk of coronary heart disease (CHD). Associations of lipoprotein measures with risk of incident CHD in three population-based cohorts (770 cases) were examined. CETP and HMGCR had near-identical associations with LDL-cholesterol concentration estimated by Friedewald-equation. HMGCR had a relatively consistent effect on cholesterol concentrations across all apolipoprotein B-containing lipoproteins. CETP had stronger effects on remnant and very-low-density lipoprotein cholesterol but no effect on cholesterol concentrations in LDL defined by particle size (diameter 18-26 nm) (-0.02SD 95%CI: -0.10, 0.05 for CETP versus -0.24SD, 95%CI -0.30, -0.18 for HMGCR). CETP had profound effects on lipid compositions of lipoproteins, with strong reductions in the triglyceride content of all high-density lipoprotein (HDL) particles. These alterations in triglyceride composition within HDL subclasses were observationally associated with risk of CHD, independently of total cholesterol and triglycerides (strongest HR per 1-SD higher triglyceride composition in very-large HDL 1.35; 95%CI: 1.18, 1.54). Conclusion: CETP inhibition does not affect size-specific LDL cholesterol but may lower CHD risk by lowering cholesterol in other apolipoprotein-B containing lipoproteins and lowering triglyceride content of HDL particles. Conventional composite lipid assays may mask heterogeneous effects of lipid-altering therapies.

Integration of systems-level biomolecular information with electronic health records has led to the discovery of robust blood-based biomarkers predictive of future health and disease. Of recent intense interest is the GlycA biomarker, a complex nuclear magnetic resonance (NMR) spectroscopy signal reflective of acute and chronic inflammation, which predicts long term risk of diverse outcomes including cardiovascular disease, type 2 diabetes, and all-cause mortality. To systematically explore the specificity of the disease burden indicated by GlycA we analysed the risk for 468 common incident hospitalization and mortality outcomes occurring during an 8-year follow-up of 11,861 adults from Finland. Our analyses of GlycA replicated known associations, identified associations with specific cardiovascular disease outcomes, and uncovered new associations with risk of alcoholic liver disease (meta-analysed hazard ratio 2.94 per 1-SD, P=5 10-6), chronic renal failure (HR=2.47, P=3 10-6), glomerular diseases (HR=1.95, P=1 10-6), chronic obstructive pulmonary disease (HR=1.58, P=3 10-5), inflammatory polyarthropathies (HR=1.46, P=4 10-8), and hypertension (HR=1.21, P=5 10-5). We further evaluated GlycA as a biomarker in secondary prevention of 12-year cardiovascular mortality in 900 angiography patients with suspected coronary artery disease. We observed hazard ratios of 4.87 and 5.00 for 12-year mortality in angiography patients in the fourth and fifth quintiles by GlycA levels demonstrating the prognostic potential of GlycA for identification of high mortality-risk individuals. Both GlycA and C-reactive protein had shared as well as independent contributions to mortality hazard, emphasising the importance of chronic inflammation in secondary prevention of cardiovascular disease.

Hemoglobin (Hb) is the main carrier of oxygen. In general, high-end Hb levels within the normal range are considered beneficial for health1. However, activation of the hypoxia response has been shown to protect mice against metabolic dysfunction2-4. We used Hb levels as an indicator for oxygenation status and studied its association with >170 anthropometric and metabolic parameters in two Finnish birth cohorts both in cross-sectional and longitudinal design (max n = 7,175). Here we show a positive linear association between Hb levels and body mass index (BMI). Subjects with the lower Hb levels had better glucose tolerance, lower cholesterol and blood pressure levels, less adverse metabolite profiles and lower inflammatory load. Notably, these associations were not only mediated by the lower BMI, and the effect size of many of them increased with age. Polygenic risk score (PRS) analyses indicated shared genetic determinants between Hb levels and BMI, insulin, triglyceride and HDL cholesterol levels. Mendelian randomization (MR) analyses could not demonstrate causal relationships between Hb and metabolic parameters. However, manipulation of Hb levels by venesection in mice showed evidence for causal associations with body weight and metabolic parameters. Our findings suggest that lower-end normal Hb levels may be favorable for systemic metabolism involving mild chronic activation of the hypoxia response. Therefore modulation of Hb levels could be a novel strategy towards maintenance of metabolic health.

Large-scale cohorts with combined genetic and phenotypic data, coupled with methodological advances, have produced increasingly accurate genetic predictors of complex human phenotypes called polygenic risk scores (PRS). In addition to the potential translational impacts of identifying at-risk individuals, PRS are being utilized for a growing list of scientific applications including causal inference, identifying pleiotropy and genetic correlation, and powerful gene-based and mixed model association tests. Existing PRS approaches rely on external large-scale genetic cohorts that have also measured the phenotype of interest. They further require matching on ancestry and genotyping platform or imputation quality. In this work we present a novel reference-free method to produce PRS that does not rely on an external cohort. We show that naive implementations of reference-free PRS either result in substantial over-fitting or prohibitive increases in computational time. We show that our algorithm avoids both of these issues, and can produce informative in-sample PRS over any existing cohort without over-fitting. We then demonstrate several novel applications of reference-free PRS including detection of pleiotropy across 246 metabolic traits and efficient mixed-model association testing.

The interaction between metabolism and the immune system plays a central role in many cardiometabolic diseases. We integrated blood transcriptomic, metabolomic, and genomic profiles from two population-based cohorts, including a subset with 7-year follow-up sampling. We identified topologically robust gene networks enriched for diverse immune functions including cytotoxicity, viral response, B cell, platelet, neutrophil, and mast cell/basophil activity. These immune gene modules showed complex patterns of association with 158 circulating metabolites, including lipoprotein subclasses, lipids, fatty acids, amino acids, and CRP. Genome-wide scans for module expression quantitative trait loci (mQTLs) revealed five modules with mQTLs of both cis and trans effects. The strongest mQTL was in ARHGEF3 (rs1354034) and affected a module enriched for platelet function. Mast cell/basophil and neutrophil function modules maintained their metabolite associations during 7-year follow-up, while our strongest mQTL in ARHGEF3 also displayed clear temporal stability. This study provides a detailed map of natural variation at the blood immuno-metabolic interface and its genetic basis, and facilitates subsequent studies to explain inter-individual variation in cardiometabolic disease.