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.

Identifying cellular functions dysregulated by disease associated variants could implicate novel pathways for drug targeting or modulation in cell therapies. Variants associated with immune diseases point towards the role of CD4+ regulatory T cells (Tregs), cell type critical for immune homeostasis. To translate the effects of immune disease alleles on Treg function we mapped genetic regulation (QTL) of gene expression and chromatin activity in Tregs. We identified 123 loci where Treg QTLs colocalized with immune disease variants. These colocalizations indicated that dysregulation of key Treg pathways, including cell activation via CD28 and IL-2 signalling mediated by STAT5A contribute to the shared pathobiology of immune diseases. Finally, using disease GWAS signals colocalizing with Treg QTLs, we identified 34 known drug targets and 270 targets with drug tractability evidence. Our study is the first in-depth characterization of immune disease variant effects on Treg gene expression modulation and dysregulation of Treg function.

Gene misexpression is the aberrant transcription of a gene in a context where it is usually inactive. Despite its known pathological consequences in specific rare diseases, we have a limited understanding of its wider prevalence and mechanisms in humans. To address this, we analyzed gene misexpression in 4,568 whole blood bulk RNA sequencing samples from INTERVAL study blood donors. We found that while individual misexpression events occur rarely, in aggregate they were found in almost all samples and over half of inactive genes. Using 2,821 paired whole genome and RNA sequencing samples, we identified that misexpression events are enriched in cis for rare structural variants. We established putative mechanisms through which a subset of SVs lead to gene misexpression, including transcriptional readthrough, transcript fusions and gene inversion. Overall, we develop misexpression as a novel type of transcriptomic outlier analysis and extend our understanding of the variety of mechanisms by which genetic variants can influence gene expression.

Polygenic scores (PGSs) for blood cell traits can be constructed using summary statistics from genome-wide association studies. As the selection of variants and the modelling of their interactions in PGSs may be limited by univariate analysis, therefore, such a conventional method may yield sub-optional performance. This study evaluated the relative effectiveness of four machine learning and deep learning methods, as well as a univariate method, in the construction of PGSs for 26 blood cell traits, using data from UK Biobank (n=~400,000) and INTERVAL (n=~40,000). Our results showed that learning methods can improve PGSs construction for nearly every blood cell trait considered, with this superiority explained by the ability of machine learning methods to capture interactions among variants. This study also demonstrated that populations can be well stratified by the PGSs of these blood cell traits, even for traits that exhibit large differences between ages and sexes, suggesting potential for disease prevention. As our study found genetic correlations between the PGSs for blood cell traits and PGSs for several common human diseases (recapitulating well-known associations between the blood cell traits themselves and certain diseases), it suggests that blood cell traits may be indicators or/and mediators for a variety of common disorders via shared genetic variants and functional pathways.

Most loci identified by GWAS have been found in populations of European ancestry (EA). In trans-ethnic meta-analyses for 15 hematological traits in 746,667 participants, including 184,535 non-EA individuals, we identified 5,552 trait-variant associations at P<5x10-9, including 71 novel loci not found in EA populations. We also identified novel ancestry-specific variants not found in EA, including an IL7 missense variant in South Asians associated with lymphocyte count in vivo and IL7 secretion levels in vitro. Fine-mapping prioritized variants annotated as functional, and generated 95% credible sets that were 30% smaller when using the trans-ethnic as opposed to the EA-only results. We explored the clinical significance and predictive value of trans-ethnic variants in multiple populations, and compared genetic architecture and the impact of natural selection on these blood phenotypes between populations. Altogether, our results for hematological traits highlight the value of a more global representation of populations in genetic studies.

Socio-economic position (SEP) is a multi-dimensional construct reflecting (and influencing) multiple socio-cultural, physical, and environmental factors. Previous genome-wide association studies (GWAS) using household income as a marker of SEP have shown that common genetic variants account for 11% of its variation. Here, in a sample of 286,301 participants from UK Biobank, we identified 30 independent genome-wide significant loci, 29 novel, that are associated with household income. Using a recently-developed method to meta-analyze data that leverages power from genetically-correlated traits, we identified an additional 120 income-associated loci. These loci showed clear evidence of functional enrichment, with transcriptional differences identified across multiple cortical tissues, in addition to links with GABAergic and serotonergic neurotransmission. We identified neurogenesis and the components of the synapse as candidate biological systems that are linked with income. By combining our GWAS on income with data from eQTL studies and chromatin interactions, 24 genes were prioritized for follow up, 18 of which were previously associated with cognitive ability. Using Mendelian Randomization, we identified cognitive ability as one of the causal, partly-heritable phenotypes that bridges the gap between molecular genetic inheritance and phenotypic consequence in terms of income differences. Significant differences between genetic correlations indicated that, the genetic variants associated with income are related to better mental health than those linked to educational attainment (another commonly-used marker of SEP). Finally, we were able to predict 2.5% of income differences using genetic data alone in an independent sample. These results are important for understanding the observed socioeconomic inequalities in Great Britain today.

Schizophrenia is a common, debilitating psychiatric disorder with a substantial genetic component. By analysing the whole-exome sequences of 4,264 schizophrenia cases, 9,343 controls, and 1,077 parent-proband trios, we identified a genome-wide significant association between rare loss-of-function (LoF) variants in KMT2F and risk for schizophrenia. In this dataset, we observed three de novo LoF mutations, seven LoF variants in cases, and none in controls (P=3.3x10^(-9)). To search for LoF variants in KMT2F in individuals without a known neuropsychiatric diagnosis, we examined the exomes of 45,376 individuals in the ExAC database and found only two heterozygous LoF variants, showing that KMT2F is significantly depleted of LoF variants in the general population. Seven of the ten individuals with schizophrenia carrying KMT2F LoF variants also had varying degrees of learning difficulties. We further identified four KMT2F LoF carriers among 4,281 children with diverse, severe, undiagnosed developmental disorders, and two additional carriers in an independent sample of 5,720 Finnish exomes, both with notable neuropsychiatric phenotypes. Together, our observations show that LoF variants in KMT2F cause a range of neurodevelopmental disorders, including schizophrenia. Combined with previous common variant evidence, we more generally implicate epigenetic dysregulation, specifically in the histone H3K4 methylation pathway, as an important mechanism in the pathogenesis of schizophrenia.

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.

Circulating metabolite levels are biomarkers for cardiovascular disease (CVD). We tested association between rare sequence variants and 226 serum lipoproteins, lipids and amino acids in 7,142 healthy participants. Gene-based association analyses identified novel gene-trait associations with ACSL1, MYCN, FBXO36 and B4GALNT3 (p<2.5x10-6), and confirmed established associations. Regulation of the pyruvate dehydrogenase (PDH) complex was associated for the first time, in gene set analyses, with IDL and LDL parameters, as well as circulating cholesterol (pMETASKAT<2.41x10-6). Individuals at the lower tails of the distributions of four out of 49 lipoproteins and lipids had an excess of predicted deleterious variants in lipoprotein disorder and metabolism gene sets (ppermutation<0.00037). These four traits were CVD risk factors (e.g. S-VLDL-C), demonstrating that rare "protective" variation is a significant contributor to lipoprotein levels in a healthy population. In conclusion, rare variant analysis of these important metabolic biomarkers reveals novel loci and pathways involved in their regulation.