Purpose Colorectal cancer is a common cancer in Indonesia, yet it has been understudied. We conduct a genome-wide association study focused on evaluation and discovery of colorectal cancer risk factors in Indonesians.Methods We administered detailed questionnaires and collecting blood samples from 162 colorectal cancer cases throughout Makassar, Indonesia. We also established a control set of 193 healthy individuals frequency matched by age, sex, and ethnicity. A genome-wide association analysis was performed on 84 cases and 89 controls passing quality control. We evaluated known colorectal cancer genetic variants using logistic regression and established a genome-wide polygenic risk model using a Bayesian variable selection technique.Results We replicate associations for rs9497673, rs6936461 and rs7758229 on chromosome 6; rs11255841 on chromosome 10; and rs4779584, rs11632715, and rs73376930 on chromosome 15. Polygenic modeling identified 10 SNP associated with colorectal cancer risk.Conclusions This work helps characterize the relationship between variants in the SCL22A3 , SCG5 , GREM1 , and STXBP5-AS1 genes and colorectal cancer in a diverse Indonesian population. With further biobanking and international research collaborations, variants specific to colorectal cancer risk in Indonesians will be identified.

Regular, long-term aspirin use may act synergistically with genetic variants, particularly those in mechanistically relevant pathways, to confer a protective effect on colorectal cancer (CRC) risk. We leveraged pooled data from 52 clinical trial, cohort, and case-control studies that included 30,806 CRC cases and 41,861 controls of European ancestry to conduct a genome-wide interaction scan between regular aspirin/nonsteroidal anti-inflammatory drug (NSAID) use and imputed genetic variants. After adjusting for multiple comparisons, we identified statistically significant interactions between regular aspirin/NSAID use and variants in 6q24.1 (top hit

Importance Recently, the US Food and Drug Administration gave premarketing approval to an algorithm based on its purported ability to identify individuals at genetic risk for opioid use disorder (OUD). However, the clinical utility of the candidate genetic variants included in the algorithm has not been independently demonstrated. Objective To assess the utility of 15 genetic variants from an algorithm intended to predict OUD risk. Design, Setting, and Participants This case-control study examined the association of 15 candidate genetic variants with risk of OUD using electronic health record data from December 20, 1992, to September 30, 2022. Electronic health record data, including pharmacy records, were accrued from participants in the Million Veteran Program across the US with opioid exposure (n = 452 664). Cases with OUD were identified using International Classification of Diseases, Ninth Revision , or International Classification of Diseases, Tenth Revision , diagnostic codes, and controls were individuals with no OUD diagnosis. Exposures Number of risk alleles present across 15 candidate genetic variants. Main Outcome and Measures Performance of 15 genetic variants for identifying OUD risk assessed via logistic regression and machine learning models. Results A total of 452 664 individuals with opioid exposure (including 33 669 with OUD) had a mean (SD) age of 61.15 (13.37) years, and 90.46% were male; the sample was ancestrally diverse (with individuals of genetically inferred European, African, and admixed American ancestries). Using Nagelkerke R 2 , collectively, the 15 candidate genes accounted for 0.40% of variation in OUD risk. In comparison, age and sex alone accounted for 3.27% of the variation. The ensemble machine learning. The ensemble machine learning model using the 15 variants as predictive factors correctly classified 52.83% (95% CI, 52.07%-53.59%) of individuals in an independent testing sample. Conclusions and Relevance Results of this study suggest that the candidate genetic variants included in the approved algorithm do not meet reasonable standards of efficacy in identifying OUD risk. Given the algorithm’s limited predictive accuracy, its use in clinical care would lead to high rates of both false-positive and false-negative findings. More clinically useful models are needed to identify individuals at risk of developing OUD.