Abstract Background Genome-wide association studies (GWAS) uncovered a wealth of associations between common variants and human phenotypes. These results, widely shared across the scientific community as summary statistics, fostered a flurry of secondary analysis: heritability and genetic correlation assessment, pleiotropy characterization and multitrait association test. Amongst these secondary analyses, a rising new field is the decomposition of multitrait genetic effects into distinct profiles of pleiotropy. Results We conducted an integrative analysis of GWAS summary statistics from 36 phenotypes to decipher multitrait genetic architecture and its link to biological mechanisms. We started by benchmarking multitrait association tests on a large panel of phenotype sets and established the Omnibus test as the most powerful in practice. We detected 322 new associations that were not previously reported by univariate screening. Using independent significant associations, we investigated the breakdown of genetic association into clusters of variants harboring similar multitrait association profile. Focusing on two subsets of immunity and metabolism phenotypes, we then demonstrate how SNPs within clusters can be mapped to biological pathways and disease mechanisms, providing a putative insight for numerous SNPs with unknown biological function. Finally, for the metabolism set, we investigate the link between gene cluster assignment and success of drug targets in random control trials. We report additional uninvestigated drug targets classified by clusters. Conclusions Multitrait genetic signals can be decomposed into distinct pleiotropy profiles that reveal consistent with pathways databases and random control trials. We propose this method for the mapping of unannotated SNPs to putative pathways.

Both short and long sleep are associated with an adverse lipid profile, likely through different biological pathways. To provide new insights in the biology of sleep-associated adverse lipid profile, we conducted multi-ancestry genome-wide sleep-SNP interaction analyses on three lipid traits (HDL-c, LDL-c and triglycerides). In the total study sample (discovery + replication) of 126,926 individuals from 5 different ancestry groups, when considering either long or short total sleep time interactions in joint analyses, we identified 49 novel lipid loci, and 10 additional novel lipid loci in a restricted sample of European-ancestry cohorts. In addition, we identified new gene-sleep interactions for known lipid loci such as LPL and PCSK9. The novel gene-sleep interactions had a modest explained variance in lipid levels: most notable, gene-short-sleep interactions explained 4.25% of the variance in triglyceride concentration. Collectively, these findings contribute to our understanding of the biological mechanisms involved in sleep-associated adverse lipid profiles.

Background Models including an interaction term and performing a joint test of SNP and/or interaction effect are often used to discover Gene-Environment (GxE) interactions. When the environmental exposure is a binary variable, analyses from exposure-stratified models which consist of estimating genetic effect in unexposed and exposed individuals separately can be of interest. In large-scale consortia focusing on GxE interactions in which only the joint test has been performed, it may be challenging to get summary statistics from both exposure-stratified and marginal (i.e not accounting for interaction) models.Results In this work, we developed a simple framework to estimate summary statistics in each stratum of a binary exposure and in the marginal model using summary statistics from the “joint” model. We performed simulation studies to assess our estimators’ accuracy and examined potential sources of bias, such as correlation between genotype and exposure and differing phenotypic variances within exposure strata. Results from these simulations highlight the high theoretical accuracy of our estimators and yield insights into the impact of potential sources of bias. We then applied our methods to real data and demonstrate our estimators’ retained accuracy after filtering SNPs by sample size to mitigate potential bias.Conclusions These analyses demonstrated the accuracy of our method in estimating both stratified and marginal summary statistics from a joint model of gene-environment interaction. In addition to facilitating the interpretation of GxE screenings, this work could be used to guide further functional analyses. We provide a user-friendly Python script to apply this strategy to real datasets. The Python script and documentation are available at .* GLIWG : Gene-Lifestyle Interaction Working Group GxE : Gene-Environment ICC : Intraclass Correlation Coefficient SNP : Single Nucleotide Polymorphism

Many genomic analyses, such as genome-wide association studies (GWAS) or genome-wide screening for Gene-Environment (GxE) interactions have been performed to elucidate the underlying mechanisms of human traits and diseases. When the analyzed outcome is quantitative, the overall contribution of identified genetic variants to the outcome is often expressed as the percentage of phenotypic variance explained. In practice, this is commonly estimated using individual genotype data. However, using individual-level data faces practical and ethical challenges when the GWAS results are derived in large consortia through meta-analysis of results from multiple cohorts. In this work, we present a R package, "VarExp", that allows for the estimation of the percentage of phenotypic variance explained by variants of interest using summary statistics only. Our package allows for a range of models to be evaluated, including marginal genetic effects, GxE interaction effects, and main genetic and interaction effects jointly. Its implementation integrates all recent methodological developments on the topic and does not need external data to be uploaded by users.

Genome Wide Association Study (GWAS) has been the driving force for identifying association between genetic variants and human phenotypes. Thousands of GWAS summary statistics covering a broad range of human traits and diseases are now publicly available, and studies have demonstrated their utility for a range of secondary analyses. This includes in particular the joint analysis of multiple GWAS to identify new genetic variants missed by univariate screenings. However, although several methods have been proposed, there are very few large scale applications published so far because of challenges in implementing these methods on real data. Here, we present JASS (Joint Analysis of Summary Statistics), a polyvalent Python package that addresses this need. Our package solves all practical and computational barriers for large-scale multivariate analysis of GWAS summary statistics. This includes data cleaning and harmonization tools, an efficient algorithm for fast derivation of various joint statistics, an optimized data management process, and a web interface for exploration purposes. Benchmark analyses confirmed the strong performances of JASS. We also performed multiple real data analyses demonstrating the strong potential of JASS for the detection of new associated genetic variants across various scenarios. Our package is freely available at https://gitlab.pasteur.fr/statistical-genetics/jass.

The CHARGE Gene-Lifestyle Interactions Working Group is a unique initiative formed to improve our understanding of the role and biological significance of gene-environment interactions in human traits and diseases. The consortium published several multi-ancestry genome-wide interaction studies (GWIS) involving up to 610,475 individuals for three lipids and four blood pressure traits while accounting for interaction effects with drinking and smoking exposures. Here we used GWIS summary statistics from these studies to decipher potential differences in genetic associations and GxE interactions across phenotype-exposure-population trios, and to derive new insights on the potential mechanistic underlying GxE through in-silico functional analyses. Our comparative analysis shows first that interaction effects likely contribute to the commonly reported ancestry-specific genetic effect in complex traits, and second, that some phenotype-exposures pairs are more likely to benefit from a greater detection power when accounting for interactions. It also highlighted a negligible correlation between main and interaction effects, providing material for future methodological development and biological discussions. We also estimated contributions to phenotypic variance, including in particular the genetic heritability conditional on the exposure, and heritability partitioned across a range of functional annotations and cell-types. In these analyses, we found multiple instances of heterogeneity of functional partitions between exposed and unexposed individuals, providing new evidence for likely exposure-specific genetic pathways. Finally, along this work we identified potential biases in methods used to jointly meta-analyses genetic and interaction effects. We performed a series of simulations to characterize these limitations and to provide the community with guideline for future GxE studies.

Abstract The inner cell mass (ICM) of early mouse embryos is specified into Epiblast (Epi) and primitive endoderm (PrE) lineages during blastocyst formation. The antagonistic transcription factors (TFs) NANOG and GATA6 in combination with FGF/ERK signalling are central actors in ICM fate choice. However, what initiates the specification of ICM progenitors and whether other factors are involved in this process is not fully understood yet. Here, we show that PI3K/AKT is constitutively active during preimplantation development. Using pharmacological inhibition, we demonstrate that PI3K/AKT enables the formation of a functional ICM capable of giving rise to both the EPI and the PrE: it maintains the expression of the TF NANOG, which specifies the EPI, and confers responsiveness to FGF4, which is essential for PrE specification. Our observations thus identify PI3K/AKT signalling as an upstream regulator orchestrating the molecular events required for both EPI and PrE specification.

Abstract The muscle stem cell (MuSC) population is recognized as functionally heterogeneous. Cranial muscle stem cells, which originate from head mesoderm, can have greater proliferative capacity in culture and higher regenerative potential in transplantation assays when compared to those in the limb. The existence of such functional differences in phenotypic outputs remain unresolved as a comprehensive understanding of the underlying mechanisms is lacking. We addressed this issue using a combination of clonal analysis, live imaging, and scRNA-seq, identifying critical biological features that distinguish extraocular (EOM) and limb (Tibialis anterior, TA) MuSC populations. Time-lapse studies using a Myogenin tdTomato reporter showed that the increased proliferation capacity of EOM MuSCs is accompanied by a differentiation delay in vitro . Unexpectedly, in vitro activated EOM MuSCs expressed a large array of distinct extracellular matrix (ECM) components, growth factors, and signaling molecules that are typically associated with mesenchymal non-muscle cells. These unique features are regulated by a specific set of transcription factors that constitute a coregulating module. This transcription factor network, which includes Foxc1 as one of the major players, appears to be hardwired to EOM identity as it is present in quiescent adult MuSCs, in the activated counterparts during growth and retained upon passages in vitro. These findings provide insights into how high-performing MuSCs regulate myogenic commitment by active remodeling of their local environment.