Objectives: To describe and validate the Athens Insomnia Scale (AIS). Methods: The AIS is a self-assessment psychometric instrument designed for quantifying sleep difficulty based on the ICD-10 criteria. It consists of eight items: the first five pertain to sleep induction, awakenings during the night, final awakening, total sleep duration, and sleep quality; while the last three refer to well-being, functioning capacity, and sleepiness during the day. Either the entire eight-item scale (AIS-8) or the brief five-item version (AIS-5), which contains only the first five items, can be utilized. The validation of the AIS was based on its administration to 299 subjects: 105 primary insomniacs, 144 psychiatric patients and 50 non-patient controls. Results: Regarding internal consistency, for both versions of the scale, the Cronbach's α was around 0.90 and the mean item–total correlation coefficient was about 0.70. Moreover, in the factor analysis, the scale emerged as a sole component. The test–retest reliability correlation coefficient was found almost 0.90 at a 1-week interval. As far as external validity is concerned, the correlations of the AIS-8 and AIS-5 with the Sleep Problems Scale were 0.90 and 0.85, respectively. Conclusion: The high measures of consistency, reliability, and validity of the AIS make it an invaluable tool in sleep research and clinical practice.

Polygenic risk scores have shown great promise in predicting complex disease risk and will become more accurate as training sample sizes increase. The standard approach for calculating risk scores involves linkage disequilibrium (LD)-based marker pruning and applying a p value threshold to association statistics, but this discards information and can reduce predictive accuracy. We introduce LDpred, a method that infers the posterior mean effect size of each marker by using a prior on effect sizes and LD information from an external reference panel. Theory and simulations show that LDpred outperforms the approach of pruning followed by thresholding, particularly at large sample sizes. Accordingly, predicted R2 increased from 20.1% to 25.3% in a large schizophrenia dataset and from 9.8% to 12.0% in a large multiple sclerosis dataset. A similar relative improvement in accuracy was observed for three additional large disease datasets and for non-European schizophrenia samples. The advantage of LDpred over existing methods will grow as sample sizes increase. Polygenic risk scores have shown great promise in predicting complex disease risk and will become more accurate as training sample sizes increase. The standard approach for calculating risk scores involves linkage disequilibrium (LD)-based marker pruning and applying a p value threshold to association statistics, but this discards information and can reduce predictive accuracy. We introduce LDpred, a method that infers the posterior mean effect size of each marker by using a prior on effect sizes and LD information from an external reference panel. Theory and simulations show that LDpred outperforms the approach of pruning followed by thresholding, particularly at large sample sizes. Accordingly, predicted R2 increased from 20.1% to 25.3% in a large schizophrenia dataset and from 9.8% to 12.0% in a large multiple sclerosis dataset. A similar relative improvement in accuracy was observed for three additional large disease datasets and for non-European schizophrenia samples. The advantage of LDpred over existing methods will grow as sample sizes increase.

The CNV analysis group of the Psychiatric Genomic Consortium analyzes a large schizophrenia cohort to examine genomic copy number variants (CNVs) and disease risk. They find an enrichment of CNV burden in cases versus controls and identify 8 genome-wide significant loci as well as novel suggestive loci conferring either risk or protection to schizophrenia. Copy number variants (CNVs) have been strongly implicated in the genetic etiology of schizophrenia (SCZ). However, genome-wide investigation of the contribution of CNV to risk has been hampered by limited sample sizes. We sought to address this obstacle by applying a centralized analysis pipeline to a SCZ cohort of 21,094 cases and 20,227 controls. A global enrichment of CNV burden was observed in cases (odds ratio (OR) = 1.11, P = 5.7 × 10−15), which persisted after excluding loci implicated in previous studies (OR = 1.07, P = 1.7 × 10−6). CNV burden was enriched for genes associated with synaptic function (OR = 1.68, P = 2.8 × 10−11) and neurobehavioral phenotypes in mouse (OR = 1.18, P = 7.3 × 10−5). Genome-wide significant evidence was obtained for eight loci, including 1q21.1, 2p16.3 (NRXN1), 3q29, 7q11.2, 15q13.3, distal 16p11.2, proximal 16p11.2 and 22q11.2. Suggestive support was found for eight additional candidate susceptibility and protective loci, which consisted predominantly of CNVs mediated by nonallelic homologous recombination.

Objective: To provide documentation for the diagnostic validity of the Athens Insomnia Scale (AIS), a self-assessment psychometric tool which has previously shown high consistency, reliability and external validity for the evaluation of the intensity of sleep difficulty. Methods: The AIS was administered to a total of 299 subjects (105 primary insomniacs, 100 psychiatric outpatients, 44 psychiatric inpatients and 50 nonpatient controls) who were also assessed for the ICD-10 diagnosis of “nonorganic insomnia” blindly in terms of the AIS scores. Results: 176 subjects were identified as insomniacs and 123 as noninsomniacs. Logistic regression of AIS total score against the ICD-10 diagnosis of insomnia demonstrated that a score of 6 is the optimum cutoff based on the balance between sensitivity and specificity. When diagnosing individuals with a score of 6 or higher as insomniacs, the scale presents with 93% sensitivity and 85% specificity (90% overall correct case identification). For this cutoff score, in the general population, the scale has a positive predictive value (PPV) of 41% and a negative predictive value (NPV) of 99%. For the same cutoff score, among unselected psychiatric patients, the PPV was found to be 86% and the NPV 92%. Other cutoff scores can be also considered, however, depending on the importance of avoiding false positive or false negative results; for example, for a cutoff score of 10, the PPV in the general population reaches about 90% without the NPV becoming lower than 94%. Conclusion: The AIS can be utilized in clinical practice and research, not only as an instrument to measure the intensity of sleep-related problems, but also as a screening tool in reliably establishing the diagnosis of insomnia.

Abstract Theoretical and empirical accounts suggest that adolescence is associated with heightened reward learning and impulsivity. Experimental tasks and computational models that can dissociate reward learning from the tendency to initiate actions impulsively (action initiation bias) are thus critical to characterise the mechanisms that drive developmental differences. However, existing work has rarely quantified both learning ability and action initiation, or it has tested small samples. Here, using computational modelling of a learning task collected from a large sample ( N =742, 9-18 years, 11 countries), we tested differences in reward and punishment learning and action initiation from childhood to adolescence. Computational modelling revealed that whilst punishment learning rates increased with age, reward learning remained stable. In parallel, action initiation biases decreased with age. Results were similar when considering pubertal stage instead of chronological age. We conclude that heightened reward responsivity in adolescence can reflect differences in action initiation rather than enhanced reward learning.

Abstract Background Youth with conduct disorder (CD) and high callous‐unemotional (CU) traits are not a homogenous group and can be disaggregated into primary and secondary subgroups. However, there are inconsistencies in defining primary and secondary subgroups, with some studies using anxiety, others using maltreatment and still others using both features to identify subgroups. There is a paucity of work comparing primary and secondary subgroups with typically developing (TD) youth on experiences of maltreatment and parenting as well as a lack of studies investigating sex differences. Methods In a large sample of TD youth ( n = 946, 66% female) and youth with CD ( n = 885, 60% female), we used latent profile analysis in youth with CD aged between 9 and 18 years to address four aims: (i) to demonstrate how primary and secondary subgroup membership differs when anxiety, maltreatment, or both are used as continuous indicators, (ii) to compare primary and secondary subgroups with TD youth on abuse and neglect measures, and (iii) to compare primary and secondary subgroups with TD youth on parenting experiences, and (iv) to examine whether the results were consistent across sexes. Results Anxiety without maltreatment yielded the best fitting and most theoretically interpretable classification of primary and secondary subgroups across both sexes (Bayesian information criterion = 17832.33, Entropy = 0.75, Lo‐Mendell‐Rubin: p < 0.01). Compared with TD youth, youth with primary and secondary CU traits experienced greater levels of abuse and neglect ( p < 0.001, η 2 p = 0.04−0.16) and maladaptive parenting practices ( p < 0.001, η 2 p = 0.04−0.13). Youth with primary and secondary CU traits were equally high on levels of abuse, neglect, and maladaptive parenting (all p values >0.05). Conclusions We provide evidence that anxiety and maltreatment cannot be used interchangeably to identify youth with primary versus secondary CU traits. Anxiey yielded the best fitting and most theoretically interpretable classifications across both sexes. Our results signify the need for researchers and clinicians to adopt a unified approach to defining primary and secondary subgroups of CU traits using anxiety in both sexes.

Genomic copy number variants (CNVs) have been strongly implicated in the etiology of schizophrenia (SCZ). However, apart from a small number of risk variants, elucidation of the CNV contribution to risk has been difficult due to the rarity of risk alleles, all occurring in less than 1% of cases. We sought to address this obstacle through a collaborative effort in which we applied a centralized analysis pipeline to a SCZ cohort of 21,094 cases and 20,227 controls. We observed a global enrichment of CNV burden in cases (OR=1.11, P=5.7e-15), which persisted after excluding loci implicated in previous studies (OR=1.07, P=1.7e-6). CNV burden is also enriched for genes associated with synaptic function (OR = 1.68, P = 2.8e-11) and neurobehavioral phenotypes in mouse (OR = 1.18, P= 7.3e-5). We identified genome-wide significant support for eight loci, including 1q21.1, 2p16.3 (NRXN1), 3q29, 7q11.2, 15q13.3, distal 16p11.2, proximal 16p11.2 and 22q11.2. We find support at a suggestive level for nine additional candidate susceptibility and protective loci, which consist predominantly of CNVs mediated by non-allelic homologous recombination (NAHR).

Eating disorders and substance use disorders frequently co-occur. Twin studies reveal shared genetic variance between liabilities to eating disorders and substance use, with the strongest associations between symptoms of bulimia nervosa (BN) and problem alcohol use (genetic correlation [rg], twin-based=0.23-0.53). We estimated the genetic correlation between eating disorder and substance use and disorder phenotypes using data from genome-wide association studies (GWAS). Four eating disorder phenotypes (anorexia nervosa [AN], AN with binge-eating, AN without binge-eating, and a BN factor score), and eight substance-use-related phenotypes (drinks per week, alcohol use disorder [AUD], smoking initiation, current smoking, cigarettes per day, nicotine dependence, cannabis initiation, and cannabis use disorder) from eight studies were included. Significant genetic correlations were adjusted for variants associated with major depressive disorder (MDD). Total sample sizes per phenotype ranged from ~2,400 to ~537,000 individuals. We used linkage disequilibrium score regression to calculate single nucleotide polymorphism-based genetic correlations between eating disorder and substance-use-related phenotypes. Significant positive genetic associations emerged between AUD and AN (rg=0.18; false discovery rate q=0.0006), cannabis initiation and AN (rg=0.23; q<0.0001), and cannabis initiation and AN with binge-eating (rg=0.27; q=0.0016). Conversely, significant negative genetic correlations were observed between three non-diagnostic smoking phenotypes (smoking initiation, current smoking, and cigarettes per day) and AN without binge-eating (rgs=-0.19 to -0.23; qs<0.04). The genetic correlation between AUD and AN was no longer significant after co-varying for MDD loci. The patterns of association between eating disorder- and substance-use-related phenotypes highlights the potentially complex and substance-specific relationships between these behaviors.

Anorexia nervosa (AN) is a complex and serious eating disorder, occurring in ~1% of individuals. Despite having the highest mortality rate of any psychiatric disorder, little is known about the aetiology of AN, and few effective treatments exist. Global efforts to collect large sample sizes of individuals with AN have been highly successful, and a recent study consequently identified the first genome-wide significant locus involved in AN. This result, coupled with other recent studies and epidemiological evidence, suggest that previous characterizations of AN as a purely psychiatric disorder are over-simplified. Rather, both neurological and metabolic pathways may also be involved. In order to elucidate more of the system-specific aetiology of AN, we applied transcriptomic imputation methods to 3,495 cases and 10,982 controls, collected by the Eating Disorders Working Group of the Psychiatric Genomics Consortium (PGC-ED). Transcriptomic Imputation (TI) methods approaches use machine-learning methods to impute tissue-specific gene expression from large genotype data using curated eQTL reference panels. These offer an exciting opportunity to compare gene associations across neurological and metabolic tissues. Here, we applied CommonMind Consortium (CMC) and GTEx-derived gene expression prediction models for 13 brain tissues and 12 tissues with potential metabolic involvement (adipose, adrenal gland, 2 colon, 3 esophagus, liver, pancreas, small intestine, spleen, stomach). We identified 35 significant gene-tissue associations within the large chromosome 12 region described in the recent PGC-ED GWAS. We applied forward stepwise conditional analyses and FINEMAP to associations within this locus to identify putatively causal signals. We identified four independently associated genes; RPS26, C12orf49, SUOX, and RDH16. We also identified two further genome-wide significant gene-tissue associations, both in brain tissues; REEP5, in the dorso-lateral pre-frontal cortex (DLPFC; p=8.52x10-07), and CUL3, in the caudate basal ganglia (p=1.8x10-06). These genes are significantly enriched for associations with anthropometric phenotypes in the UK BioBank, as well as multiple psychiatric, addiction, and appetite/satiety pathways. Our results support a model of AN risk influenced by both metabolic and psychiatric factors.