Abstract Background Epigenetic clocks use DNA methylation (DNAm) levels of specific sets of CpG dinucleotides to accurately predict individual chronological age. A popular application of these clocks is to explore whether the deviation of predicted age from chronological age is associated with disease phenotypes, where this deviation is interpreted as a potential biomarker of biological age. This wide application, however, contrasts with the limited insight in the processes that may drive the running of epigenetic clocks. Results We perform a functional genomics analysis on four epigenetic clocks, including Hannum’s blood predictor and Horvath’s multi-tissue predictor, using blood DNA methylome and transcriptome data from 3132 individuals. The four clocks result in similar predictions of individual chronological age, and their constituting CpGs are correlated in DNAm level and are enriched for similar histone modifications and chromatin states. Interestingly, DNAm levels of CpGs from the clocks are commonly associated with gene expression in trans . The gene sets involved are highly overlapping and enriched for T cell processes. Further analysis of the transcriptome and methylome of sorted blood cell types identifies differences in DNAm between naive and activated T and NK cells as a probable contributor to the clocks. Indeed, within the same donor, the four epigenetic clocks predict naive cells to be up to 40 years younger than activated cells. Conclusions The ability of epigenetic clocks to predict chronological age involves their ability to detect changes in proportions of naive and activated immune blood cells, an established feature of immuno-senescence. This finding may contribute to the interpretation of associations between clock-derived measures and age-related health outcomes.

In this observational cross-sectional study, we investigated the relationship between combined obesogenic neighbourhood characteristics and various cardiovascular disease risk factors in adults, including BMI, systolic blood pressure, and blood lipids, as well as the prevalence of overweight/obesity, hypertension, and dyslipidaemia. We conducted a large-scale pooled analysis, comprising data from five Dutch cohort studies (n = 183,871). Neighbourhood obesogenicity was defined according to the Obesogenic Built-environmental CharacterisTics (OBCT) index. The index was calculated for 1000m circular buffers around participants' home addresses. For each cohort, the association between the OBCT index and prevalence of overweight/obesity, hypertension and dyslipidaemia was analysed using robust Poisson regression models. Associations with continuous measures of BMI, systolic blood pressure, LDL-cholesterol, HDL-cholesterol, and triglycerides were analysed using linear regression. All models were adjusted for age, sex, education level and area-level socio-economic status. Cohort-specific estimates were pooled using random-effects meta-analyses. The pooled results show that a 10 point higher OBCT index score was significantly associated with a 0.17 higher BMI (95%CI: 0.10 to 0.24), a 0.01 higher LDL-cholesterol (95% CI: 0.01 to 0.02), a 0.01 lower HDL cholesterol (95% CI: -0.02 to -0.01), and non-significantly associated with a 0.36 mmHg higher systolic blood pressure (95%CI: -0.14 to 0.65). A 10 point higher OBCT index score was also associated with a higher prevalence of overweight/obesity (PR = 1.03; 95% CI: 1.02 to 1.05), obesity (PR = 1.04; 95% CI: 1.01 to 1.08) and hypertension (PR = 1.02; 95% CI: 1.00 to 1.04), but not with dyslipidaemia. This large-scale pooled analysis of five Dutch cohort studies shows that higher neighbourhood obesogenicity, as measured by the OBCT index, was associated with higher BMI, higher prevalence of overweight/obesity, obesity, and hypertension. These findings highlight the importance of considering the obesogenic environment as a potential determinant of cardiovascular health.

The blood metabolome incorporates cues from the environment as well as the host's genetic background, potentially offering a holistic view of an individual's health status. We have compiled a vast resource of 1H-NMR metabolomics and phenotypic data encompassing over 25,000 samples derived from 26 community and hospital-based cohorts. Using this resource, we constructed a metabolomics-based age predictor (metaboAge) to calculate an individual's biological age. Exploration in independent cohorts demonstrates that being judged older by one's metabolome, as compared to one's chronological age, confers an increased risk on future cardiovascular disease, mortality and functionality in older individuals. A web-based tool for calculating metaboAge (metaboage.researchlumc.nl) allows easy incorporation in other epidemiological studies. Access to data can be requested at bbmri.nl/samples-images-data. In summary, we present a vast resource of metabolomics data and illustrate its merit by constructing a metabolomics-based score for biological age that captures aspects of current and future cardio-metabolic health.

Genetic risk factors often localize in non-coding regions of the genome with unknown effects on disease etiology. Expression quantitative trait loci (eQTLs) help to explain the regulatory mechanisms underlying the association of genetic risk factors with disease. More mechanistic insights can be derived from knowledge of the context, such as cell type or the activity of signaling pathways, influencing the nature and strength of eQTLs. Here, we generated peripheral blood RNA-seq data from 2,116 unrelated Dutch individuals and systematically identified these context-dependent eQTLs using a hypothesis-free strategy that does not require prior knowledge on the identity of the modifiers. Out of the 23,060 significant cis-regulated genes (false discovery rate ≤ 0.05), 2,743 genes (12%) show context-dependent eQTL effects. The majority of those were influenced by cell type composition, revealing eQTLs that are particularly strong in cell types such as CD4+ T-cells, erythrocytes, and even lowly abundant eosinophils. A set of 145 cis-eQTLs were influenced by the activity of the type I interferon signaling pathway and we identified several cis-eQTLs that are modulated by specific transcription factors that bind to the eQTL SNPs. This demonstrates that large-scale eQTL studies in unchallenged individuals can complement perturbation experiments to gain better insight in regulatory networks and their stimuli.

Identification of causal drivers behind regulatory gene networks is crucial in understanding gene function. We developed a method for the large-scale inference of gene-gene interactions in observational population genomics data that are both directed (using local genetic instruments as causal anchors, akin to Mendelian Randomization) and specific (by controlling for linkage disequilibrium and pleiotropy). The analysis of genotype and whole-blood RNA-sequencing data from 3,072 individuals identified 49 genes as drivers of downstream transcriptional changes (P < 7 x 10-10), among which transcription factors were overrepresented (P = 3.3 x 10-7). Our analysis suggests new gene functions and targets including for SENP7 (zinc-finger genes involved in retroviral repression) and BCL2A1 (novel target genes possibly involved in auditory dysfunction). Our work highlights the utility of population genomics data in deriving directed gene expression networks. A resource of trans-effects for all 6,600 genes with a genetic instrument can be explored individually using a web-based browser.

DNA methylation is a key epigenetic modification in human development and disease, yet there is limited understanding of its highly coordinated regulation. Here, we identified 818 genes that influence DNA methylation patterns in blood using large-scale population genomics data. By employing genetic instruments as causal anchors, we identified directed associations between gene expression and distant DNA methylation levels, whilst ensuring specificity of the associations by correcting for linkage disequilibrium and pleiotropy among neighboring genes. We found that DNA methylation patterns are commonly shaped by transcription factors that consistently increase or decrease DNA methylation levels. However, we also observed genes encoding proteins without DNA binding activity with widespread effects on DNA methylation (e.g. NFKBIE , CDCA7(L) and NLRC5 ) and we suggest plausible mechanisms underlying these findings. Many of the reported genes were unknown to influence DNA methylation, resulting in a comprehensive resource providing insights in the principles underlying epigenetic regulation.

Most disease associated genetic risk factors are non-coding, making it challenging to design experiments to understand their functional consequences. Identification of expression quantitative trait loci (eQTLs) has been a powerful approach to infer downstream effects of disease variants but the large majority remains unexplained.. The analysis of DNA methylation, a key component of the epigenome, offers highly complementary data on the regulatory potential of genomic regions. However, a large-scale, combined analysis of methylome and transcriptome data to infer downstream effects of disease variants is lacking. Here, we show that disease variants have wide-spread effects on DNA methylation in trans that likely reflect the downstream effects on binding sites of cis-regulated transcription factors. Using data on 3,841 Dutch samples, we detected 272,037 independent cis-meQTLs (FDR < 0.05) and identified 1,907 trait-associated SNPs that affect methylation levels of 10,141 different CpG sites in trans (FDR < 0.05), an eight-fold increase in the number of downstream effects that was known from trans-eQTL studies. Trans-meQTL CpG sites are enriched for active regulatory regions, being correlated with gene expression and overlap with Hi-C determined interchromosomal contacts. We detected many trans-meQTL SNPs that affect expression levels of nearby transcription factors (including NFKB1, CTCF and NKX2-3), while the corresponding trans-meQTL CpG sites frequently coincide with its respective binding site. Trans-meQTL mapping therefore provides a strategy for identifying and better understanding downstream functional effects of many disease-associated variants.