Summary

Background

 Diabetes is presently classified into two main forms, type 1 and type 2 diabetes, but type 2 diabetes in particular is highly heterogeneous. A refined classification could provide a powerful tool to individualise treatment regimens and identify individuals with increased risk of complications at diagnosis. 

Methods

 We did data-driven cluster analysis (k-means and hierarchical clustering) in patients with newly diagnosed diabetes (n=8980) from the Swedish All New Diabetics in Scania cohort. Clusters were based on six variables (glutamate decarboxylase antibodies, age at diagnosis, BMI, HbA_1c, and homoeostatic model assessment 2 estimates of β-cell function and insulin resistance), and were related to prospective data from patient records on development of complications and prescription of medication. Replication was done in three independent cohorts: the Scania Diabetes Registry (n=1466), All New Diabetics in Uppsala (n=844), and Diabetes Registry Vaasa (n=3485). Cox regression and logistic regression were used to compare time to medication, time to reaching the treatment goal, and risk of diabetic complications and genetic associations. 

Findings

 We identified five replicable clusters of patients with diabetes, which had significantly different patient characteristics and risk of diabetic complications. In particular, individuals in cluster 3 (most resistant to insulin) had significantly higher risk of diabetic kidney disease than individuals in clusters 4 and 5, but had been prescribed similar diabetes treatment. Cluster 2 (insulin deficient) had the highest risk of retinopathy. In support of the clustering, genetic associations in the clusters differed from those seen in traditional type 2 diabetes. 

Interpretation

 We stratified patients into five subgroups with differing disease progression and risk of diabetic complications. This new substratification might eventually help to tailor and target early treatment to patients who would benefit most, thereby representing a first step towards precision medicine in diabetes. 

Funding

 Swedish Research Council, European Research Council, Vinnova, Academy of Finland, Novo Nordisk Foundation, Scania University Hospital, Sigrid Juselius Foundation, Innovative Medicines Initiative 2 Joint Undertaking, Vasa Hospital district, Jakobstadsnejden Heart Foundation, Folkhälsan Research Foundation, Ollqvist Foundation, and Swedish Foundation for Strategic Research.

Background Cluster analyses have proposed different diabetes phenotypes using age, BMI, glycaemia, homoeostasis model estimates, and islet autoantibodies. We tested whether comprehensive phenotyping validates and further characterises these clusters at diagnosis and whether relevant diabetes-related complications differ among these clusters, during 5-years of follow-up. Methods Patients with newly diagnosed type 1 or type 2 diabetes in the German Diabetes Study underwent comprehensive phenotyping and assessment of laboratory variables. Insulin sensitivity was assessed using hyperinsulinaemic-euglycaemic clamps, hepatocellular lipid content using magnetic resonance spectroscopy, hepatic fibrosis using non-invasive scores, and peripheral and autonomic neuropathy using functional and clinical criteria. Patients were reassessed after 5 years. The German Diabetes Study is registered with ClinicalTrials.gov, number NCT01055093, and is ongoing. Findings 1105 patients were classified at baseline into five clusters, with 386 (35%) assigned to mild age-related diabetes (MARD), 323 (29%) to mild obesity-related diabetes (MOD), 247 (22%) to severe autoimmune diabetes (SAID), 121 (11%) to severe insulin-resistant diabetes (SIRD), and 28 (3%) to severe insulin-deficient diabetes (SIDD). At 5-year follow-up, 367 patients were reassessed, 128 (35%) with MARD, 106 (29%) with MOD, 88 (24%) with SAID, 35 (10%) with SIRD, and ten (3%) with SIDD. Whole-body insulin sensitivity was lowest in patients with SIRD at baseline (mean 4·3 mg/kg per min [SD 2·0]) compared with those with SAID (8·4 mg/kg per min [3·2]; p<0·0001), MARD (7·5 mg/kg per min [2·5]; p<0·0001), MOD (6·6 mg/kg per min [2·6]; p=0·0011), and SIDD (5·5 mg/kg per min [2·4]; p=0·0035). The fasting adipose-tissue insulin resistance index at baseline was highest in patients with SIRD (median 15·6 [IQR 9·3–20·9]) and MOD (11·6 [7·4–17·9]) compared with those with MARD (6·0 [3·9–10·3]; both p<0·0001) and SAID (6·0 [3·0–9·5]; both p<0·0001). In patients with newly diagnosed diabetes, hepatocellular lipid content was highest at baseline in patients assigned to the SIRD cluster (median 19% [IQR 11–22]) compared with all other clusters (7% [2–15] for MOD, p=0·00052; 5% [2–11] for MARD, p<0·0001; 2% [0–13] for SIDD, p=0·0083; and 1% [0–3] for SAID, p<0·0001), even after adjustments for baseline medication. Accordingly, hepatic fibrosis at 5-year follow-up was more prevalent in patients with SIRD (n=7 [26%]) than in patients with SAID (n=5 [7%], p=0·0011), MARD (n=12 [12%], p=0·012), MOD (n=13 [15%], p=0·050), and SIDD (n=0 [0%], p value not available). Confirmed diabetic sensorimotor polyneuropathy was more prevalent at baseline in patients with SIDD (n=9 [36%]) compared with patients with SAID (n=10 [5%], p<0·0001), MARD (n=39 [15%], p=0·00066), MOD (n=26 [11%], p<0·0001), and SIRD (n=10 [17%], p<0·0001). Interpretation Cluster analysis can characterise cohorts with different degrees of whole-body and adipose-tissue insulin resistance. Specific diabetes clusters show different prevalence of diabetes complications at early stages of non-alcoholic fatty liver disease and diabetic neuropathy. These findings could help improve targeted prevention and treatment and enable precision medicine for diabetes and its comorbidities. Funding German Diabetes Center, German Federal Ministry of Health, Ministry of Culture and Science of the state of North Rhine-Westphalia, German Federal Ministry of Education and Research, German Diabetes Association, German Center for Diabetes Research, Research Network SFB 1116 of the German Research Foundation, and Schmutzler Stiftung.

OBJECTIVE Proinsulin is a precursor of mature insulin and C-peptide. Higher circulating proinsulin levels are associated with impaired β-cell function, raised glucose levels, insulin resistance, and type 2 diabetes (T2D). Studies of the insulin processing pathway could provide new insights about T2D pathophysiology. RESEARCH DESIGN AND METHODS We have conducted a meta-analysis of genome-wide association tests of ∼2.5 million genotyped or imputed single nucleotide polymorphisms (SNPs) and fasting proinsulin levels in 10,701 nondiabetic adults of European ancestry, with follow-up of 23 loci in up to 16,378 individuals, using additive genetic models adjusted for age, sex, fasting insulin, and study-specific covariates. RESULTS Nine SNPs at eight loci were associated with proinsulin levels (P &lt; 5 × 10−8). Two loci (LARP6 and SGSM2) have not been previously related to metabolic traits, one (MADD) has been associated with fasting glucose, one (PCSK1) has been implicated in obesity, and four (TCF7L2, SLC30A8, VPS13C/C2CD4A/B, and ARAP1, formerly CENTD2) increase T2D risk. The proinsulin-raising allele of ARAP1 was associated with a lower fasting glucose (P = 1.7 × 10−4), improved β-cell function (P = 1.1 × 10−5), and lower risk of T2D (odds ratio 0.88; P = 7.8 × 10−6). Notably, PCSK1 encodes the protein prohormone convertase 1/3, the first enzyme in the insulin processing pathway. A genotype score composed of the nine proinsulin-raising alleles was not associated with coronary disease in two large case-control datasets. CONCLUSIONS We have identified nine genetic variants associated with fasting proinsulin. Our findings illuminate the biology underlying glucose homeostasis and T2D development in humans and argue against a direct role of proinsulin in coronary artery disease pathogenesis.

Close to 50 genetic loci have been associated with type 2 diabetes (T2D), but they explain only 15% of the heritability. In an attempt to identify additional T2D genes, we analyzed global gene expression in human islets from 63 donors. Using 48 genes located near T2D risk variants, we identified gene coexpression and protein-protein interaction networks that were strongly associated with islet insulin secretion and HbA1c. We integrated our data to form a rank list of putative T2D genes, of which CHL1, LRFN2, RASGRP1, and PPM1K were validated in INS-1 cells to influence insulin secretion, whereas GPR120 affected apoptosis in islets. Expression variation of the top 20 genes explained 24% of the variance in HbA1c with no claim of the direction. The data present a global map of genes associated with islet dysfunction and demonstrate the value of systems genetics for the identification of genes potentially involved in T2D.

Abstract Background Diabetes is presently classified into two main forms, type 1 (T1D) and type 2 diabetes (T2D), but especially T2D is highly heterogeneous. A refined classification could provide a powerful tool individualize treatment regimes and identify individuals with increased risk of complications already at diagnosis. Methods We applied data-driven cluster analysis (k-means and hierarchical clustering) in newly diagnosed diabetic patients (N=8,980) from the Swedish ANDIS (All New Diabetics in Scania) cohort, using five variables (GAD-antibodies, BMI, HbA1c, HOMA2-B and HOMA2-IR), and related to prospective data on development of complications and prescription of medication from patient records. Replication was performed in three independent cohorts: the Scania Diabetes Registry (SDR, N=1466), ANDIU (All New Diabetics in Uppsala, N=844) and DIREVA (Diabetes Registry Vaasa, N=3485). Cox regression and logistic regression was used to compare time to medication, time to reaching the treatment goal and risk of diabetic complications and genetic associations. Findings We identified 5 replicable clusters of diabetes patients, with significantly different patient characteristics and risk of diabetic complications. Particularly, individuals in the most insulin-resistant cluster 3 had significantly higher risk of diabetic kidney disease, but had been prescribed similar diabetes treatment compared to the less susceptible individuals in clusters 4 and 5. The insulin deficient cluster 2 had the highest risk of retinopathy. In support of the clustering, genetic associations to the clusters differed from those seen in traditional T2D. Interpretation We could stratify patients into five subgroups predicting disease progression and development of diabetic complications more precisely than the current classification. This new substratificationn may help to tailor and target early treatment to patients who would benefit most, thereby representing a first step towards precision medicine in diabetes. Funding The funders of the study had no role in study design, data collection, analysis, interpretation or writing of the report. Research in context Evidence before this study The current diabetes classification into T1D and T2D relies primarily on presence (T1D) or absence (T2D) of autoantibodies against pancreatic islet beta cell autoantigens and age at diagnosis (earlier for T1D). With this approach 75-85% of patients are classified as T2D. A third subgroup, Latent Autoimmune Diabetes in Adults (LADA,<10%), is defined by presence of autoantibodies against glutamate decarboxylase (GADA) with onset in adult age. In addition, several rare monogenic forms of diabetes have been described, including Maturity Onset Diabetes of the Young (MODY) and neonatal diabetes. This information is provided by national guidelines (ADA,WHO, IDF, Diabetes UK etc) but has not been much updated during the past 20 years and very few attempts have been made to explore heterogeneity of T2D. A topological analysis of potential T2D subgroups using electronic health records was published in 2015 but this information has not been implemented in the clinic. Added value of this study Here we applied a data-driven cluster analysis of 5 simple variables measured at diagnosis in 4 independent cohorts of newly-diagnosed diabetic patients (N=14755) and identified 5 replicable clusters of diabetes patients, with significantly different patient characteristics and risk of diabetic complications. Particularly, individuals in the most insulin-resistant cluster 3 had significantly higher risk of diabetic kidney disease. Implications of the available evidence This new sub-stratification may help to tailor and target early treatment to patients who would benefit most, thereby representing a first step towards precision medicine in diabetes

Summary Metabolic dysregulation in multiple tissues alters glucose homeostasis and influences risk for type 2 diabetes (T2D). To identify pathways and tissues influencing T2D-relevant glycemic traits (fasting glucose [FG], fasting insulin [FI], two-hour glucose [2hGlu] and glycated hemoglobin [HbA1c]), we investigated associations of exome-array variants in up to 144,060 individuals without diabetes of multiple ancestries. Single-variant analyses identified novel associations at 21 coding variants in 18 novel loci, whilst gene-based tests revealed signals at two genes, TF (HbA1c) and G6PC (FG, FI). Pathway and tissue enrichment analyses of trait-associated transcripts confirmed the importance of liver and kidney for FI and pancreatic islets for FG regulation, implicated adipose tissue in FI and the gut in 2hGlu, and suggested a role for the non-endocrine pancreas in glucose homeostasis. Functional studies demonstrated that a novel FG/FI association at the liver-enriched G6PC transcript was driven by multiple rare loss-of-function variants. The FG/HbA1c-associated, islet-specific G6PC2 transcript also contained multiple rare functional variants, including two alleles within the same codon with divergent effects on glucose levels. Our findings highlight the value of integrating genomic and functional data to maximize biological inference. Highlights 23 novel coding variant associations (single-point and gene-based) for glycemic traits 51 effector transcripts highlighted different pathway/tissue signatures for each trait The exocrine pancreas and gut influence fasting and 2h glucose, respectively Multiple variants in liver-enriched G6PC and islet-specific G6PC2 influence glycemia

Abstract There is currently only limited understanding of the genetic aetiology of obstructive sleep apnoea (OSA). The aim of our study is to identify genetic loci associated with OSA risk and to test if OSA and its comorbidities share a common genetic background. We conducted the first large-scale genome-wide association study of OSA using FinnGen Study (217,955 individuals) with 16,761 OSA patients identified using nationwide health registries. We estimated 8.3% [0.06-0.11] heritability and identified five loci associated with OSA (P < 5.0 × 10 −8 ): rs4837016 near GTPase activating protein and VPS9 domains 1 ( GAPVD1 ), rs10928560 near C-X-C motif chemokine receptor 4 ( CXCR4 ), rs185932673 near Calcium/calmodulin-dependent protein kinase ID ( CAMK1D ) and rs9937053 near Fat mass and obesity-associated protein ( FTO ) - a variant previously associated with body mass index (BMI). In a BMI-adjusted analysis, an association was observed for rs10507084 near Rhabdomyosarcoma 2 associated transcript ( RMST )/NEDD1 gamma-tubulin ring complex targeting factor ( NEDD1 ). We found genetic correlations between OSA and BMI (rg=0.72 [0.62-0.83]) and with comorbidities including hypertension, type 2 diabetes (T2D), coronary heart disease (CHD), stroke, depression, hypothyroidism, asthma and inflammatory rheumatic diseases (IRD) (rg > 0.30). Polygenic risk score (PRS) for BMI showed 1.98-fold increased OSA risk between the highest and the lowest quintile and Mendelian randomization supported a causal relationship between BMI and OSA. Our findings support the causal link between obesity and OSA and joint genetic basis between OSA and comorbidities.

Diabetic kidney disease (DKD) is a heritable but poorly understood complication of diabetes. To identify genetic variants predisposing to DKD, we performed genome-wide association analyses in 19,406 individuals with type 1 diabetes (T1D) using a spectrum of DKD definitions basedon albuminuria and renal function. We identified 16 genome-wide significant loci. The variant with the strongest association (rs55703767) is a common missense mutation in the collagen type IV alpha 3 chain (COL4A3) gene, which encodes a major structural component of the glomerular basement membrane (GBM) implicated in heritable nephropathies. The rs55703767 minor allele (Asp326Tyr) is protective against several definitions of DKD, including albuminuria and end-stage renal disease. Three other loci are in or near genes with known or suggestive involvement in DKD (BMP7) or renal biology ( COLEC11 and DDR1 ). The 16 DKD-associated loci provide novel insights into the pathogenesis of DKD, identifying potential biological targets for prevention and treatment.

Changes in the hormone producing pancreatic islet cells are culprits in the development of diabetes, and these changes are often reflected by changes in expression of key genes. Analysis of such changes require advanced bioinformatics tools that can translate the process into simple visible information. To achieve these goals we have developed a tool called Islet Gene View (IGW), that aims to make information on gene expression in human pancreatic islets from organ donors easily accessible to the scientific community. Islet Gene View currently consists of information on islets from 188 donors where data on RNA expression of more than 15 000 genes can be related to phenotypic information (gender, age, BMI, HbA1c, insulin and glucagon secretion etc.). Also this information can be related to expression other genes and how gene expression is regulated by genetic variants(so called eQTLs, expression Quantitative Traits) The data will be accessible thorugh the easy-to-use Islet Gene View web application.Significance Statement We present Islet Gene View (IGW), a web resource that aims to make information on gene expression in human pancreatic islets from organ donors easily accessible to the scientific community. In IGW, we leveraged global RNA expression data from 191 donor-islets to understand their relationship with islet phenotypes such as gender, age, BMI, HbA1c, insulin and glucagon secretion as well as with islet hormones coding genes. GWAS based on European studies have shown that 403 genetic variants associate with T2D risk however the target genes and function in islets are largely unknown. We linked T2D risk variants to gene expression in islets and further functionally report if their expression is modulated in relation to T2D status and other related features.

A rare loss-of-function variant p.Arg138* in SLC30A8 encoding the zinc transporter 8 (ZnT8) enriched in Western Finland protects against type 2 diabetes (T2D). We recruited relatives of the identified carriers and showed that protection was associated with better insulin secretion due to enhanced glucose responsiveness and proinsulin conversion, especially compared with individuals matched for the genotype of a common T2D risk variant in SLC30A8, p.Arg325. In genome-edited human IPS-derived β-like cells, we establish that the p.Arg138* variant results in reduced SLC30A8 expression due to haploinsufficiency. In human β-cells loss of SLC30A8 leads to increased glucose responsiveness and reduced KATP channel function, which was also seen in isolated islets from carriers of the T2D-protective allele p.Trp325. These data position ZnT8 as an appealing target for treatment aiming at maintaining insulin secretion capacity in T2D.