Genetic discoveries of Alzheimer's disease are the drivers of our understanding, and together with polygenetic risk stratification can contribute towards planning of feasible and efficient preventive and curative clinical trials. We first perform a large genetic association study by merging all available case-control datasets and by-proxy study results (discovery n = 409,435 and validation size n = 58,190). Here, we add six variants associated with Alzheimer's disease risk (near APP, CHRNE, PRKD3/NDUFAF7, PLCG2 and two exonic variants in the SHARPIN gene). Assessment of the polygenic risk score and stratifying by APOE reveal a 4 to 5.5 years difference in median age at onset of Alzheimer's disease patients in APOE ɛ4 carriers. Because of this study, the underlying mechanisms of APP can be studied to refine the amyloid cascade and the polygenic risk score provides a tool to select individuals at high risk of Alzheimer's disease.

Abstract Objective To evaluate the causal association of 22 previously reported risk factors for Alzheimer’s disease (AD) on the “AD phenome”: AD, AD age of onset (AAOS), hippocampal volume, cortical surface area and thickness, cerebrospinal fluid (CSF) levels of Aβ 42 , tau, and ptau 181 , and the neuropathological burden of neuritic plaques, neurofibrillary tangles, and vascular brain injury (VBI). Methods Polygenic risk scores (PRS) for the 22 risk factors were computed in 26,431 AD cases/controls and the association with AD was evaluated using logistic regression. Two-sample Mendelian randomization was used to evaluate the causal effect of risk factors on the AD phenome. Results PRS for increased education and diastolic blood pressure were associated with reduced risk for AD. PRS for increased total cholesterol and moderate-vigorous physical activity were associated with an increased risk of AD. MR indicated that only Education was causally associated with reduced risk of AD, delayed AAOS, and increased cortical surface area and thickness. Total-and LDL-cholesterol levels were causally associated with increased neuritic plaque burden, while diastolic blood pressure and pulse pressure are causally associated with increased risk of VBI. Furthermore, total cholesterol was associated with decreased hippocampal volume; smoking initiation and BMI with decreased cortical thickness; and sleep duration with increased cortical thickness. Interpretation Our comprehensive examination of the genetic evidence for the causal roles of previously reported risk factors in AD using PRS and MR, supports a causal role for education, blood pressure, cholesterol levels, smoking, and BMI with the AD phenome.

ABSTRACT Dementia is multifactorial with Alzheimer (AD) and vascular (VaD) pathologies making the largest contributions. Genome-wide association studies (GWAS) have identified over 70 genetic risk loci for AD but the genomic determinants of other dementias, including VaD remain understudied. We hypothesize that common forms of dementia will share genetic risk factors and conducted the largest GWAS to date of “all-cause dementia” (ACD) and examined the genetic overlap with VaD. Our dataset includes 809,299 individuals from European, African, Asian, and Hispanic ancestries with 46,902 and 8,702 cases of ACD and VaD, respectively. We replicated known AD loci at genome-wide significance for both ACD and VaD and conducted bioinformatic analyses to prioritize genes that are likely functionally relevant, and shared with closely related traits and risk factors. For ACD, novel loci identified were associated with energy transport ( SEMA4D ), neuronal excitability ( ANO3 ), amyloid deposition in the brain ( RBFOX1 ), and MRI markers of small vessel disease ( HBEGF ). Novel VaD loci were associated with hypertension, diabetes, and neuron maintenance ( SPRY2, FOXA2, AJAP1 , and PSMA3 ). Our study identified genetic risks underlying all-cause dementia, demonstrating overlap with neurodegenerative processes, vascular risk factors (Type-II diabetes, blood pressure, lipid) and cerebral small vessel disease. These novel insights could lead to new prevention and treatment strategies for all dementias.

Protein-coding genetic variants that strongly affect disease risk can provide important clues into disease pathogenesis. Here we report an exome sequence analysis of 20,791 type 2 diabetes (T2D) cases and 24,440 controls from five ancestries. We identify rare (minor allele frequency<0.5%) variant gene-level associations in (a) three genes at exome-wide significance, including a T2D protective series of >30 SLC30A8 alleles, and (b) within 12 gene sets, including those corresponding to T2D drug targets (p=6.1×10-3) and candidate genes from knockout mice (p=5.2×10-3). Within our study, the strongest T2D rare variant gene-level signals explain at most 25% of the heritability of the strongest common single variant signals, and the rare variant gene-level effect sizes we observe in established T2D drug targets will require 110K-180K sequenced cases to exceed exome-wide significance. To help prioritize genes using associations from current smaller sample sizes, we present a Bayesian framework to recalibrate association p-values as posterior probabilities of association, estimating that reaching p<0.05 (p<0.005) in our study increases the odds of causal T2D association for a nonsynonymous variant by a factor of 1.8 (5.3). To help guide target or gene prioritization efforts, our data are freely available for analysis at www.type2diabetesgenetics.org.

Dietary intake, a major contributor to the global obesity epidemic, is a complex phenotype partially affected by innate physiological processes. However, previous genome-wide association studies (GWAS) have only implicated a few loci in variability of dietary composition. Here, we present a multi-trait genome-wide association meta-analysis of inter-individual variation in dietary intake in 283,119 European-ancestry participants from UK Biobank and CHARGE consortium, and identify 96 genome-wide significant loci. Dietary intake signals map to different brain tissues and are enriched for genes expressed in b1-tanycytes and serotonergic and GABAergic neurons. We also find enrichment of biological pathways related to neurogenesis. Integration of cell-line and brain-specific epigenomic annotations identify 15 additional loci. Clustering of genome-wide significant variants yields three main genetic clusters with distinct associations with obesity and type 2 diabetes (T2D). Overall, these results enhance biological understanding of dietary composition, highlight neural mechanisms, and support functional follow-up experiments.

The Alzheimer's Disease Sequencing Project (ADSP) performed whole genome sequencing (WGS) of 584 subjects from 111 multiplex families at three sequencing centers. Genotype calling of single nucleotide variants (SNVs) and insertion-deletion variants (indels) was performed centrally using GATK-HaplotypeCaller and Atlas V2. The ADSP Quality Control (QC) Working Group applied QC protocols to project-level variant call format files (VCFs) from each pipeline, and developed and implemented a novel protocol, termed consensus calling, to combine genotype calls from both pipelines into a single high-quality set. QC was applied to autosomal bi-allelic SNVs and indels, and included pipeline-recommended QC filters, variant-level QC, and sample-level QC. Low-quality variants or genotypes were excluded, and sample outliers were noted. Quality was assessed by examining Mendelian inconsistencies (MIs) among 67 parent-offspring pairs, and MIs were used to establish additional genotype-specific filters for GATK calls. After QC, 578 subjects remained. Pipeline-specific QC excluded ~12.0% of GATK and 14.5% of Atlas SNVs. Between pipelines, ~91% of SNV genotypes across all QCed variants were concordant; 4.23% and 4.56% of genotypes were exclusive to Atlas or GATK, respectively; the remaining ~0.01% of discordant genotypes were excluded. For indels, variant-level QC excluded ~36.8% of GATK and 35.3% of Atlas indels. Between pipelines, ~55.6% of indel genotypes were concordant; while 10.3% and 28.3% were exclusive to Atlas or GATK, respectively; and ~0.29% of discordant genotypes were. The final WGS consensus dataset contains 27,896,774 SNVs and 3,133,926 indels and is publicly available.

Abstract Deeply phenotyped cohort data can elucidate differences associated with genetic risk for common complex diseases across an age spectrum. Previous work has identified genetic variants associated with Alzheimer’s disease (AD) risk from large-scale genome-wide association study meta-analyses. To explore effects of known AD-risk variants, we performed a phenome-wide association study on ~2000 clinical, proteomic, and metabolic blood-based analytes obtained from 2,831 cognitively normal adult clients of a consumer-based scientific wellness company. Results uncovered statistically significant SNP-analyte associations for five genetic variants after correction for multiple testing (for SNPs in or near NYAP1, ABCA7, INPP5D , and APOE ). These effects were detectable from early adulthood. Sex modified the effects of four genetic variants, with multiple interrelated immune-modulating effects associated with the PICALM variant. Sex-stratified GWAS results from an independent AD case-control meta-analysis supported sexspecific disease effects of the PICALM variant, highlighting the importance of sex as a biological variable. These analyses support evidence from previous functional genomics studies in the identification of a causal variant within the PILRA gene. Taken together, this study highlights clues to the earliest effects of AD genetic risk variants in individuals where disease symptoms have not (yet) arisen.

A major goal of biomedicine is to understand the function of every gene in the human genome. Null mutations can disrupt both copies of a given gene in humans and phenotypic analysis of such 'human knockouts' can provide insight into gene function. To date, comprehensive analysis of genes knocked out in humans has been limited by the fact that null mutations are infrequent in the general population and so, observing an individual homozygous null for a given gene is exceedingly rare. However, consanguineous unions are more likely to result in offspring who carry homozygous null mutations. In Pakistan, consanguinity rates are notably high. Here, we sequenced the protein-coding regions of 7,078 adult participants living in Pakistan and performed phenotypic analysis to identify homozygous null individuals and to understand consequences of complete gene disruption in humans. We enumerated 36,850 rare (<1 % minor allele frequency) null mutations. These homozygous null mutations led to complete inactivation of 961 genes in at least one participant. Homozygosity for null mutations at APOC3 was associated with absent plasma apolipoprotein C-III levels; at PLAG27, with absent enzymatic activity of soluble lipoprotein-associated phospholipase A2; at CYP2F1, with higher plasma interleukin-8 concentrations; and at either A3GALT2 or NRG4, with markedly reduced plasma insulin C-peptide concentrations. After physiologic challenge with oral fat, APOC3 knockouts displayed marked blunting of the usual post-prandial rise in plasma triglycerides compared to wild-type family members. These observations provide a roadmap to understand the consequences of complete disruption of a large fraction of genes in the human genome.

Transcriptome-wide association analysis is a powerful approach to studying the genetic architecture of complex traits. A key component of this approach is to build a model to predict (impute) gene expression levels from genotypes from samples with matched genotypes and expression levels in a specific tissue. However, it is challenging to develop robust and accurate imputation models with limited sample sizes for any single tissue. Here, we first introduce a multi-task learning approach to jointly impute gene expression in 44 human tissues. Compared with single-tissue methods, our approach achieved an average 39% improvement in imputation accuracy and generated effective imputation models for an average 120% (range 13%-339%) more genes in each tissue. We then describe a summary statistic-based testing framework that combines multiple single-tissue associations into a single powerful metric to quantify overall gene-trait association at the organism level. When our method, called UTMOST, was applied to analyze genome wide association results for 50 complex traits (N_total=4.5 million), we were able to identify considerably more genes in tissues enriched for trait heritability, and cross-tissue analysis significantly outperformed single-tissue strategies (p=1.7e-8). Finally, we performed a cross-tissue genome-wide association study for late-onset Alzheimer's disease (LOAD) and replicated our findings in two independent datasets (N_total=175,776). In total, we identified 69 significant genes, many of which are novel, leading to novel insights on LOAD etiologies.