Cannabis use is a heritable trait that has been associated with adverse mental health outcomes. In the largest genome-wide association study (GWAS) for lifetime cannabis use to date (N = 184,765), we identified eight genome-wide significant independent single nucleotide polymorphisms in six regions. All measured genetic variants combined explained 11% of the variance. Gene-based tests revealed 35 significant genes in 16 regions, and S-PrediXcan analyses showed that 21 genes had different expression levels for cannabis users versus nonusers. The strongest finding across the different analyses was CADM2, which has been associated with substance use and risk-taking. Significant genetic correlations were found with 14 of 25 tested substance use and mental health-related traits, including smoking, alcohol use, schizophrenia and risk-taking. Mendelian randomization analysis showed evidence for a causal positive influence of schizophrenia risk on cannabis use. Overall, our study provides new insights into the etiology of cannabis use and its relation with mental health.

Brain network hubs are both highly connected and highly inter-connected, forming a critical communication backbone for coherent neural dynamics. The mechanisms driving this organization are poorly understood. Using diffusion-weighted imaging in twins, we identify a major role for genes, showing that they preferentially influence connectivity strength between network hubs of the human connectome. Using transcriptomic atlas data, we show that connected hubs demonstrate tight coupling of transcriptional activity related to metabolic and cytoarchitectonic similarity. Finally, comparing over thirteen generative models of network growth, we show that purely stochastic processes cannot explain the precise wiring patterns of hubs, and that model performance can be improved by incorporating genetic constraints. Our findings indicate that genes play a strong and preferential role in shaping the functionally valuable, metabolically costly connections between connectome hubs.

Abstract Introduction Transcriptome-wide association study (TWAS) integrates expression quantitative trait loci (eQTL) data with genome-wide association study (GWAS) results to infer differential expression. TWAS uses multi-variant models trained using individual-level genotype-expression datasets, but methodological development is required for TWAS to utilise larger eQTL summary statistics. Methods TWAS models predicting gene expression were derived using blood-based eQTL summary statistics from eQTLGen, the Young Finns Study (YFS), and MetaBrain. Summary statistic polygenic scoring methods were used to derive TWAS models, evaluating their predictive utility in GTEx v8. We investigated gene inclusion criteria and omnibus tests for aggregating TWAS associations for a given gene. We performed a schizophrenia TWAS using summary statistic-based TWAS models, comparing results to existing resources and methods. Results TWAS models derived using eQTL summary statistics performed comparably to models derived using individual-level data. Multi-variant TWAS models significantly improved prediction over single variant models for 8.6% of genes. TWAS models derived using eQTLGen summary statistics significantly improved prediction over models derived using a smaller individual-level dataset. The eQTLGen-based schizophrenia TWAS, using the ACAT omnibus test to aggregate associations for each gene, identified novel significant and colocalised associations compared to summary-based mendelian randomisation (SMR) and SMR-multi. Conclusions Using multi-variant TWAS models and larger eQTL summary statistic datasets can improve power to detect differential expression associations. We provide TWAS models based on eQTLGen and MetaBrain summary statistics, and software to easily derive and apply summary statistic-based TWAS models based on eQTL and other molecular QTL datasets released in the future.

ABSTRACT Genome-wide association studies (GWASs) have identified thousands of risk loci for many psychiatric and substance use phenotypes, however the biological consequences of these loci remain largely unknown. We performed a transcriptome-wide association study of 10 psychiatric disorders and 6 substance use phenotypes (collectively termed “mental health phenotypes”) using expression quantitative trait loci data from 532 prefrontal cortex samples. We estimated the correlation due to predicted genetically regulated expression between pairs of mental health phenotypes, and compared the results with the genetic correlations. We identified 1,645 genes with at least one significant trait association, comprising 2,176 significant associations across the 16 mental health phenotypes of which 572 (26%) are novel. Overall, the transcriptomic correlations for phenotype pairs were significantly higher than the respective genetic correlations. For example, attention deficit hyperactivity disorder and autism spectrum disorder, both childhood developmental disorders, showed a much higher transcriptomic correlation (r=0.84) than genetic correlation (r=0.35). Finally, we tested the enrichment of phenotype-associated genes in gene co-expression networks built from prefrontal cortex. Phenotype-associated genes were enriched in multiple gene co-expression modules and the implicated modules contained genes involved in mRNA splicing and glutamatergic receptors, among others. Together, our results highlight the utility of gene expression data in the understanding of functional gene mechanisms underlying psychiatric disorders and substance use phenotypes.

Although harmful substance use is common and represented by shared symptom features and high genetic correlations, the underlying genetic relationships between substance use traits have not been fully explored. We have investigated the genetic architecture of substance use traits through exploratory and confirmatory factor analyses using genomic structural equation modeling (Genomic SEM), and explored genetic correlations between different aspects of substance use and mental health-related traits. Genomic SEM was used to identify latent factors representing the relationships between 14 substance use traits (alcohol, nicotine, cannabis and opioid use), and to confirm or modify existing latent factors for 38 mental health-related traits. A bi-factor model best explained the genetic overlap between substance use traits, including a general substance use factor and two sub-factors representing genetic liability specific to alcohol use or smoking. The SNP-based heritability of these factors ranged from 2 to 7 % and each factor had 10 or more independent significant SNPs identified. Bivariate correlations revealed patterns of genetic overlap with other mental health-related factors unique to each substance use factor. Variations in the genetic overlap between psychiatric traits and different aspects of substance use can be used to further investigate the pleiotropy present between these traits, and explore commonalities in etiology.

Abstract Substance use disorders represent a significant public health concern with considerable socioeconomic implications worldwide. Twin and family-based studies have long established a heritable component underlying these disorders. In recent years, genome-wide association studies of large, broadly phenotyped samples have identified regions of the genome that harbour genetic risk variants associated with substance use disorders. These regions have enabled the discovery of putative causal genes and improved our understanding of genetic relationships among substance use disorders and other traits. Furthermore, the integration of these data with clinical information has yielded promising insights into how individuals respond to medications, allowing for the development of personalized treatment approaches based on an individual’s genetic profile. This review article provides an overview of recent advances in the genetics of substance use disorders and demonstrates how genetic data may be used to reduce the burden of disease and improve public health outcomes.

Abstract Mitochondrial dysfunction plays an important role in Parkinson’s disease (PD), with mitochondrial DNA copy number (mtDNA-CN) emerging as a potential marker for mitochondrial health. We investigated the links between blood mtDNA-CN and PD severity and risk using the Accelerating Medicines Partnership program for Parkinson’s Disease dataset, replicating our results in the UK Biobank. Our findings reveal that reduced blood mtDNA-CN levels are associated with heightened PD risk and increased severity of motor symptoms and olfactory dysfunction. We estimated blood cell composition using complete blood cell profile when available or RNA-sequencing data as a surrogate. After adjusting for blood cell composition, the associations between mtDNA-CN and PD risk and clinical symptoms became non-significant. Bidirectional Mendelian randomization analysis also found no evidence of a direct causal relationship between blood mtDNA-CN and PD susceptibility. Hence peripheral inflammatory immune responses rather than mitochondrial dysfunction underpin these previously identified associations in PD.

Major depression is a common and severe psychiatric disorder with a highly polygenic genetic architecture. Genome-wide association studies have successfully identified multiple independent genetic loci that harbour variants associated with major depression, but the exact causal genes and biological mechanisms are largely unknown. Tissue-specific network approaches may identify molecular mechanisms underlying major depression and provide a biological substrate for integrative analyses. We provide a framework for the identification of individual risk genes and gene co-expression networks using genome-wide association summary statistics and gene expression information across multiple human brain tissues and whole blood. We developed a novel gene-based method called eMAGMA that leverages multi-tissue eQTL information to identify 99 biologically plausible risk genes associated with major depression, of which 58 are novel. Among these novel associations is Complement Factor 4A (C4A), recently implicated in schizophrenia through its role in synaptic pruning during postnatal development. Major depression risk genes were enriched in gene co-expression modules in multiple brain tissues and the implicated gene modules contained genes involved in synaptic signalling, neuronal development, and cell transport pathways. Modules enriched with major depression signals were strongly preserved across brain tissues, but were weakly preserved in whole blood, highlighting the importance of using disease-relevant tissues in genetic studies of psychiatric traits. We identified tissue-specific genes and gene co-expression networks associated with major depression. Our novel analytical framework can be used to gain fundamental insights into the functioning of the nervous system in major depression and other brain-related traits.