Michael Cho and colleagues report a genome-wide association study of risk for chronic obstructive pulmonary disease (COPD) in a large, multi-ancestry cohort. They identify 22 genome-wide significant loci, including 13 not previously associated with COPD and 4 not previously associated with any lung function trait. Chronic obstructive pulmonary disease (COPD) is a leading cause of mortality worldwide1. We performed a genetic association study in 15,256 cases and 47,936 controls, with replication of select top results (P < 5 × 10−6) in 9,498 cases and 9,748 controls. In the combined meta-analysis, we identified 22 loci associated at genome-wide significance, including 13 new associations with COPD. Nine of these 13 loci have been associated with lung function in general population samples2,3,4,5,6,7, while 4 (EEFSEC, DSP, MTCL1, and SFTPD) are new. We noted two loci shared with pulmonary fibrosis8,9 (FAM13A and DSP) but that had opposite risk alleles for COPD. None of our loci overlapped with genome-wide associations for asthma, although one locus has been implicated in joint susceptibility to asthma and obesity10. We also identified genetic correlation between COPD and asthma. Our findings highlight new loci associated with COPD, demonstrate the importance of specific loci associated with lung function to COPD, and identify potential regions of genetic overlap between COPD and other respiratory diseases.

Chronic obstructive pulmonary disease (COPD) is the leading cause of respiratory mortality worldwide. Genetic risk loci provide new insights into disease pathogenesis. We performed a genome-wide association study in 35,735 cases and 222,076 controls from the UK Biobank and additional studies from the International COPD Genetics Consortium. We identified 82 loci associated with P < 5 × 10

Louise Wain, Ian Hall, Martin Tobin and colleagues report genome-wide association analyses of lung function, identifying 43 new signals associated with one or more lung function traits. A genetic risk score derived from these results was significantly associated with risk for chronic obstructive pulmonary disease in independent populations. Chronic obstructive pulmonary disease (COPD) is characterized by reduced lung function and is the third leading cause of death globally. Through genome-wide association discovery in 48,943 individuals, selected from extremes of the lung function distribution in UK Biobank, and follow-up in 95,375 individuals, we increased the yield of independent signals for lung function from 54 to 97. A genetic risk score was associated with COPD susceptibility (odds ratio per 1 s.d. of the risk score (∼6 alleles) (95% confidence interval) = 1.24 (1.20–1.27), P = 5.05 × 10−49), and we observed a 3.7-fold difference in COPD risk between individuals in the highest and lowest genetic risk score deciles in UK Biobank. The 97 signals show enrichment in genes for development, elastic fibers and epigenetic regulation pathways. We highlight targets for drugs and compounds in development for COPD and asthma (genes in the inositol phosphate metabolism pathway and CHRM3) and describe targets for potential drug repositioning from other clinical indications.

Rationale: Idiopathic pulmonary fibrosis (IPF) is a complex lung disease characterized by scarring of the lung that is believed to result from an atypical response to injury of the epithelium. Genome-wide association studies have reported signals of association implicating multiple pathways including host defense, telomere maintenance, signaling, and cell-cell adhesion.Objectives: To improve our understanding of factors that increase IPF susceptibility by identifying previously unreported genetic associations.Methods: We conducted genome-wide analyses across three independent studies and meta-analyzed these results to generate the largest genome-wide association study of IPF to date (2,668 IPF cases and 8,591 controls). We performed replication in two independent studies (1,456 IPF cases and 11,874 controls) and functional analyses (including statistical fine-mapping, investigations into gene expression, and testing for enrichment of IPF susceptibility signals in regulatory regions) to determine putatively causal genes. Polygenic risk scores were used to assess the collective effect of variants not reported as associated with IPF.Measurements and Main Results: We identified and replicated three new genome-wide significant (P < 5 × 10-8) signals of association with IPF susceptibility (associated with altered gene expression of KIF15, MAD1L1, and DEPTOR) and confirmed associations at 11 previously reported loci. Polygenic risk score analyses showed that the combined effect of many thousands of as yet unreported IPF susceptibility variants contribute to IPF susceptibility.Conclusions: The observation that decreased DEPTOR expression associates with increased susceptibility to IPF supports recent studies demonstrating the importance of mTOR signaling in lung fibrosis. New signals of association implicating KIF15 and MAD1L1 suggest a possible role of mitotic spindle-assembly genes in IPF susceptibility.

Abstract Reduced lung function predicts mortality and is key to the diagnosis of COPD. In a genome-wide association study in 400,102 individuals of European ancestry, we define 279 lung function signals, one-half of which are new. In combination these variants strongly predict COPD in deeply-phenotyped patient populations. Furthermore, the combined effect of these variants showed generalisability across smokers and never-smokers, and across ancestral groups. We highlight biological pathways, known and potential drug targets for COPD and, in phenome-wide association studies, autoimmune-related and other pleiotropic effects of lung function associated variants. This new genetic evidence has potential to improve future preventive and therapeutic strategies for COPD.

Background Cardiovascular disease (CVD) is the most important comorbidity in patients with chronic obstructive pulmonary disease (COPD). COPD exacerbations not only contribute to COPD progression but may also elevate the risk of CVD. This study aimed to determine whether COPD exacerbations increase the risk of subsequent CVD events using up to 15 years of prospective longitudinal follow‐up data from the COPDGene (Genetic Epidemiology of Chronic Obstructive Pulmonary Disease) study. Methods and Results The COPDGene study is a large, multicenter, longitudinal investigation of COPD, including subjects at enrollment aged 45 to 80 years with a minimum of 10 pack‐years of smoking history. Cox proportional hazards models and Kaplan‐Meier survival curves were used to assess the risk of a composite end point of CVD based on the COPD exacerbation rate. Frequent exacerbators exhibited a higher cumulative incidence of composite CVD end points than infrequent exacerbators, irrespective of the presence of CVD at baseline. After adjusting for covariates, frequent exacerbators still maintained higher hazard ratios (HRs) than the infrequent exacerbator group (without CVD: HR, 1.81 [95% CI, 1.47–2.22]; with CVD: HR, 1.92 [95% CI, 1.51–2.44]). This observation remained consistently significant in moderate to severe COPD subjects and the preserved ratio impaired spirometry population. In the mild COPD population, frequent exacerbators showed a trend toward more CVD events. Conclusions COPD exacerbations are associated with an increased risk of subsequent cardiovascular events in subjects with and without preexisting CVD. Patients with COPD experiencing frequent exacerbations may necessitate careful monitoring and additional management for subsequent potential CVD. Registration URL: https://www.clinicaltrials.gov ; Unique identifier: NCT00608764.

Abstract Although high-dimensional clinical data (HDCD) are increasingly available in biobank-scale datasets, their use for genetic discovery remains challenging. Here we introduce an unsupervised deep learning model, Representation Learning for Genetic Discovery on Low-Dimensional Embeddings (REGLE), for discovering associations between genetic variants and HDCD. REGLE leverages variational autoencoders to compute nonlinear disentangled embeddings of HDCD, which become the inputs to genome-wide association studies (GWAS). REGLE can uncover features not captured by existing expert-defined features and enables the creation of accurate disease-specific polygenic risk scores (PRSs) in datasets with very few labeled data. We apply REGLE to perform GWAS on respiratory and circulatory HDCD—spirograms measuring lung function and photoplethysmograms measuring blood volume changes. REGLE replicates known loci while identifying others not previously detected. REGLE are predictive of overall survival, and PRSs constructed from REGLE loci improve disease prediction across multiple biobanks. Overall, REGLE contain clinically relevant information beyond that captured by existing expert-defined features, leading to improved genetic discovery and disease prediction.

Nearly 100 loci have been identified for pulmonary function, almost exclusively in studies of European ancestry populations. We extend previous research by meta-analyzing genome-wide association studies of 1000 Genomes imputed variants in relation to pulmonary function in a multiethnic population of 90,715 individuals of European (N=60,552), African (N=8,429), Asian (N=9,959), and Hispanic/Latino (N=11,775) ethnicities. We identified over 50 novel loci at genome-wide significance in ancestry-specific and/or multiethnic meta-analyses. Recent fine mapping methods incorporating functional annotation, gene expression, and/or differences in linkage disequilibrium between ethnicities identified potential causal variants and genes at known and newly identified loci. Sixteen of the novel genes encode proteins with predicted or established drug targets, including KCNK2 and CDK12.

Abstract The identification and understanding of gene-environment interactions can provide insights into the pathways and mechanisms underlying complex diseases. However, testing for gene-environment interaction remains a challenge since statistical power is often limited, the specification of environmental effects is nontrivial, and such misspecifications can lead to false positive findings. To address the lack of statistical power, recent methods aim to identify interactions on an aggregated level using, for example, polygenic risk scores. While this strategy increases power to detect interactions, identifying contributing key genes and pathways is difficult based on these global results. Here, we propose RITSS (Robust Interaction Testing using Sample Splitting), a gene-environment interaction testing framework for quantitative traits that is based on sample splitting and robust test statistics. RITSS can incorporate multiple genetic variants and/or multiple environmental factors. Using sample splitting, a screening step enables the selection and combination of potential interactions into scores with improved interpretability, based on the user’s unrestricted choices for statistical/machine learning approaches. In the testing step, the application of robust test statistics minimizes the susceptibility of the results to main effect misspecifications. Using extensive simulation studies, we demonstrate that RITSS controls the type 1 error rate in a wide range of scenarios. In an application to lung function phenotypes and human height in the UK Biobank, RITSS identified genome-wide significant interactions with subcomponents of genetic risk scores. While the contributing single variant interactions are moderate, our analysis results indicate interesting interaction patterns that result in strong aggregated signals that provide further insights into gene-environment interaction mechanisms.