We investigated the associations of plasma neurofilament light (NfL), glial fibrillary acidic protein (GFAP), and total tau (t-tau) with markers of cerebral small vessel disease (SVD) and with incident dementia. We also investigated whether associations of NfL, GFAP, and t-tau with incident dementia were explained by SVD. Data are from a random subsample (n = 1069) of the population-based AGES-Reykjavik Study who underwent brain MRI and in whom plasma NfL, GFAP, and t-tau were measured at baseline (76.1 ± 5.4 years/55.9% women/baseline 2002-2006/follow-up until 2015). A composite SVD burden score was calculated using white matter hyperintensity volume (WMHV), subcortical infarcts, cerebral microbleeds, and large perivascular spaces. Dementia was assessed in a 3-step process and adjudicated by specialists. Higher NfL was associated with a higher SVD burden score. Dementia occurred in 225 (21.0%) individuals. The SVD burden score significantly explained part of the association between NfL and incident dementia. WMHV mostly strongly contributed to the explained effect. GFAP was not associated with the SVD burden score, but was associated with WMHV, and WMHV significantly explained part of the association between GFAP and incident dementia. T-tau was associated with WMHV, but not with incident dementia. In conclusion, the marker most strongly related to SVD is plasma NfL, for which the association with WMHV appeared to explain part of its association with incident dementia. This study suggests that plasma NfL may reflect the contribution of co-morbid vascular disease to dementia. However, the magnitude of the explained effect was relatively small, and further research is required to investigate the clinical implications of this finding.

Abstract With the growing number of genetic association studies, the genotype-phenotype atlas has become increasingly more complex, yet the functional consequences of most disease associated alleles is not understood. The measurement of protein level variation in solid tissues and biofluids integrated with genetic variants offers a path to deeper functional insights. Here we present a large-scale proteogenomic study in 5,368 individuals, revealing 4,113 independent associations between genetic variants and 2,099 serum proteins, of which 37% are previously unreported. The majority of both cis - and trans -acting genetic signals are unique for a single protein, although our results also highlight numerous highly pleiotropic genetic effects on protein levels and demonstrate that a protein’s genetic association profile reflects certain characteristics of the protein, including its location in protein networks, tissue specificity and intolerance to loss of function mutations. Integrating protein measurements with deep phenotyping of the cohort, we observe substantial enrichment of phenotype associations for serum proteins regulated by established GWAS loci, and offer new insights into the interplay between genetics, serum protein levels and complex disease.

Abstract Circulating proteins are prognostic for human outcomes including cancer, heart failure, brain trauma and brain amyloid plaque burden. A deep serum proteome survey recently revealed close associations of serum protein networks and common diseases. The present study reveals unprecedented number of individual serum proteins that overlap genetic signatures of diseases emanating from different tissues of the body. Here, 54,469 low-frequency and common exome-array variants were compared with 4782 protein measurements in the serum of 5343 individuals of the deeply annotated AGES Reykjavik cohort. Using a study-wide significant threshold, 2019 independent exome array variants affecting levels of 2135 serum proteins were identified. These variants overlapped genetic loci for hundreds of complex disease traits, emphasizing the emerging role for serum proteins as biomarkers of and potential causative agents of multiple diseases.

Genome-wide association studies have had great success in identifying human genetic variants associated with disease, disease risk factors, and other biomedical phenotypes. Many variants are associated with multiple traits, even after correction for trait-trait correlation. Discovering subsets of variants associated with a shared subset of phenotypes could help reveal disease mechanisms, suggest new therapeutic options, and increase the power to detect additional variants with similar pattern of associations. Here we introduce two methods based on a Bayesian framework, SNP And Pleiotropic PHenotype Organization (SAPPHO), one modeling independent phenotypes (SAPPHO-I) and the other incorporating a full phenotype covariance structure (SAPPHO-C). These two methods learn patterns of pleiotropy from genotype and phenotype data, using identified associations to discover additional associations with shared patterns. The SAPPHO methods, along with other recent approaches for pleiotropic association tests, were assessed using data from the Atherosclerotic Risk in Communities (ARIC) study of 8,000 individuals, whose gold-standard associations were provided by meta-analysis of 40,000 to 100,000 individuals from the CHARGE consortium. Using power to detect gold-standard associations at genome-wide significance (0.05 family-wise error rate) as a metric, SAPPHO performed best. The SAPPHO methods were also uniquely able to select the most significant variants in a parsimonious model, excluding other less likely variants within a linkage disequilibrium block. For meta-analysis, the SAPPHO methods implement summary modes that use sufficient statistics rather than full phenotype and genotype data. Meta-analysis applied to CHARGE detected 16 additional associations to the gold-standard loci, as well as 124 novel loci, at 0.05 false discovery rate. Reasons for the superior performance were explored by performing simulations over a range of scenarios describing different genetic architectures. With SAPPHO we were able to learn genetic structures that were hidden using the traditional univariate tests.