Type 2 diabetes (T2D) is a global health burden that will benefit from personalised risk prediction and targeted prevention programmes. Omics data have enabled more detailed risk prediction; however, most studies have focussed on directly on the ability of DNA variants predicting T2D onset with less attention given to epigenetic regulation and glycaemic trait variability. By applying machine learning to the longitudinal Northern Finland Birth Cohort 1966 (NFBC 1966) at 31 (T1) and 46 (T2) years old, we predicted fasting glucose (FG) and insulin (FI), glycated haemoglobin (HbA1c) and 2-hour glucose and insulin from oral glucose tolerance test (2hGlu, 2hIns) at T2 in 513 individuals from 1,001 variables at T1 and T2, including anthropometric, metabolic, metabolomic and epigenetic variables. We further tested whether the information obtained by the machine learning models in NFBC could be used to predict glycaemic traits in the independent French study with 48 matching predictors (DESIR, N=769, age range 30-65 years at recruitment, interval between data collections: 9 years). In this study, FG and FI were best predicted, with average R2 values of 0.38 and 0.53. Sex, branched-chain and aromatic amino acids, HDL-cholesterol, glycerol, ketone bodies, blood pressure at T2 and measurements of adiposity at T1, as well as multiple methylation marks at both time points were amongst the top predictors. In the validation analysis, we reached R2 values of 0.41/0.55 for FG/FI when trained and tested in NFBC1966 and 0.17/0.30 when trained in NFBC1966 and tested in DESIR. We identified clinically relevant sets of predictors from a large multi-omics dataset and highlighted the potential of methylation markers and longitudinal changes in prediction.

Purpose: Homeostasis Model Assessment of β-cell function and Insulin Resistance (HOMA-B/-IR) indices are informative about the pathophysiological processes underlying type 2 diabetes (T2D). Data on both fasting glucose and insulin levels are required to calculate HOMA-B/-IR, leading to underpowered Genome-Wide Association studies (GWAS) of these traits. Methods: We overcame such power loss issues by implementing Genome-Wide Inferred Statistics (GWIS) approach and subsequent dense genome-wide imputation of HOMA-B/-IR summary statistics with SS-imp to 1000 Genomes project variant density, reaching an analytical sample size of 75,240 European individuals without diabetes. We dissected mechanistic heterogeneity of glycaemic trait/T2D loci effects on HOMA-B/-IR and their relationships with 36 inflammatory and cardiometabolic phenotypes. Results: We identified one/three novel HOMA-B (FOXA2)/HOMA-IR (LYPLAL1, PER4, PPP1R3B) loci. We detected novel strong genetic correlations between HOMA-IR/-B and Plasminogen Activator Inhibitor 1 (PAI-1, rg=0.92/0.78, P=2.13×10-4/2.54×10-3). HOMA-IR/-B were also correlated with C-Reactive Protein (rg=0.33/0.28, P=4.67×10-3/3.65×10-3). HOMA-IR was additionally correlated with T2D (rg=0.56, P=2.31×10-9), glycated haemoglobin (rg=0.28, P=0.024) and adiponectin (rg=-0.30, P=0.012). Conclusion: Using innovative GWIS approach for composite phenotypes we report novel evidence for genetic relationships between fasting indices of insulin resistance/beta-cell function and inflammatory markers, providing further support for the role of inflammation in T2D pathogenesis.

Background: Multi-phenotype genome-wide association studies (MP-GWAS) of correlated traits have greater power to detect genotype-phenotype associations than single-trait GWAS. However, no multi-phenotype analysis method exists for epigenome-wide association studies (EWAS). Results: We extended the SCOPA approach developed by us to 'methylSCOPA' software in C++ by 'reversely' regressing DNA hyper/hypo-methylation information on a linear combination of phenotypes. We evaluated two models of association between DNA methylation and fasting glucose (FG) and insulin (FI) levels: Model 1, including FG, FI, and three measured potential confounders (body mass index [BMI], fasting serum triglyceride levels [TG], and waist/hip ratio [WHR]), and Model 2, including FG and FI corrected for the effects of BMI, TG, and WHR. Both models were additionally corrected for participant sex and smoking status (current/ever/never). We meta-analyzed the cohort-specific MP-EWAS results with our novel software META-methylSCOPA, mapped genomic locations to CGCh37/hg19, and adopted P<1x10-7 to denote epigenome-wide significance. We used the Illumina Infinium HumanMethylation450K BeadChip array data from the Northern Finland Birth Cohorts (NFBC) 1966/1986. We quality-controlled the data, regressed out the effects of measured potential confounders, and normalized the methylation signal intensity and FI data. The MP-EWAS included data for 643/457 individuals from NFBC1966 and NFBC1986, respectively (total N=1,100). In Model 1, we detected epigenome-wide significant association in the MP-EWAS meta-analysis at cg13708645 (chr12:121,974,305; P=1.2x10-8) within KDM2B gene. Single-trait effects within KDM2B were on FI, BMI, and WHR. Model with effect on BMI and WHR showed the strongest association at this locus, while effect on FI in single-phenotype analysis was driven by the effect of adiposity. In Model 2, the strongest association was at cg05063096 (chr3:143,689,810; P=2.3x10-7) annotated to C3orf58 with strongest effect on FI in single-trait analysis and multi-phenotype effect on FI and WHI within Model 1. We characterized the effects of established EWAS loci for diabetes and its risk factors and detected suggestive (p<0.01) associations at six markers including PHGDH, TXNIP, SLC7A11, CPT1A, MYO5C and ABCG1, through the dissection of the multi-phenotype effects in Model 1. Conclusions: We implemented MP-EWAS in methylSCOPA and demonstrated its enhanced power over single-trait EWAS for correlated phenotypes in large-scale data.

Polycystic ovary syndrome (PCOS) is a common endocrine condition in women of reproductive age understudied in non-European populations. In India, PCOS affects the life of up to 19.4 million women of age 14-25 years. Gut microbiome composition might contribute to PCOS susceptibility. We profiled the microbiome in DNA isolated from faecal samples by 16S rRNA sequencing in 19/20 women with/without PCOS from Kashmir, India. We assigned genera to sequenced species with an average 121k reads depth and included bacteria detected in at least 1/3 of the subjects or with average relative abundance ≥0.1%. We compared the relative abundances of 40/58 operational taxonomic units in family/genus level between cases and controls, and in relation to 33 hormonal and metabolic factors, by multivariate analyses adjusted for confounders, and corrected for multiple testing. Seven genera were significantly enriched in PCOS cases: Sarcina, Alkalibacterium and Megasphaera , and previously reported for PCOS Bifidobacterium, Collinsella, Paraprevotella and Lactobacillus . We identified significantly increased relative abundance of Bifidobacteriaceae (median 6.07% vs. 2.77%) and Aerococcaceae (0.03% vs. 0.004%), whereas we detected lower relative abundance Peptococcaceae (0.16% vs. 0.25%) in PCOS cases. For the first time, we identified a significant direct association between butyrate producing Eubacterium and follicle-stimulating hormone levels. We observed increased relative abundance of Collinsella and Paraprevotella with higher fasting blood glucose levels, and Paraprevotella and Alkalibacterium with larger hip and waist circumference, and weight. We show a relationship between gut microbiome composition and PCOS linking it to specific reproductive health metabolic and hormonal predictors in Indian women.