Abstract As vast histological archives are digitised, there is a pressing need to be able to associate specific tissue substructures and incident pathology to disease outcomes without arduous annotation. Here, we learn self-supervised representations using a Vision Transformer, trained on 1.7 M histology images across 23 healthy tissues in 838 donors from the Genotype Tissue Expression consortium (GTEx). Using these representations, we can automatically segment tissues into their constituent tissue substructures and pathology proportions across thousands of whole slide images, outperforming other self-supervised methods (43% increase in silhouette score). Additionally, we can detect and quantify histological pathologies present, such as arterial calcification (AUROC = 0.93) and identify missing calcification diagnoses. Finally, to link gene expression to tissue morphology, we introduce RNAPath, a set of models trained on 23 tissue types that can predict and spatially localise individual RNA expression levels directly from H&E histology (mean genes significantly regressed = 5156, FDR 1%). We validate RNAPath spatial predictions with matched ground truth immunohistochemistry for several well characterised control genes, recapitulating their known spatial specificity. Together, these results demonstrate how self-supervised machine learning when applied to vast histological archives allows researchers to answer questions about tissue pathology, its spatial organisation and the interplay between morphological tissue variability and gene expression.

Tobacco smoking is a risk factor for multiple diseases, including cardiovascular disease and diabetes. Many smoking-associated signals have been detected in the blood methylome, but the extent to which these changes are widespread to metabolically relevant tissues, and impact gene expression or cardio-metabolic health, remains unclear. We investigated smoking-associated DNA methylation and gene expression variation in adipose tissue from 542 healthy female twins with available well-characterized cardio-metabolic phenotype profiles. We identified 42 smoking-methylation and 42 smoking-expression signals, where five genes (AHRR, CYP1A1, CYP1B1, CYTL1, F2RL3) were both hypo-methylated and up-regulated in smokers. We replicated and validated a proportion of the signals in blood, adipose, skin, and lung tissue datasets, identifying tissue-shared effects. Smoking leaves systemic imprints on DNA methylation after smoking cessation, with stronger but shorter-lived effects on gene expression. We tested for associations between the observed smoking signals and several adiposity phenotypes that constitute cardio-metabolic disease risk. Visceral fat and android/gynoid ratio were associated with methylation at smoking-markers with functional impacts on expression, such as CYP1A1, and in signals shared across tissues, such as NOTCH1. At smoking-signals BHLHE40 and AHRR DNA methylation and gene expression levels in current smokers were predictive of future gain in visceral fat upon smoking cessation. Our results provide the first comprehensive characterization of coordinated DNA methylation and gene expression markers of smoking in adipose tissue, a subset of which link to human cardio-metabolic health and may give insights into the wide-ranging risk effects of smoking across the body.

Background: Inhibition of sclerostin is a novel therapeutic approach to lowering fracture risk. However, phase III randomised controlled trials (RCTs) of romosozumab, a monoclonal antibody that inhibits sclerostin, suggest an imbalance of serious cardiovascular events. Methods: We used two independent genetic variants (rs7209826 and rs188810925) in SOST (encoding sclerostin) associated with bone mineral density (BMD) as proxies for therapeutic inhibition of sclerostin. We estimated the effects on risk of osteoporosis, fracture, coronary heart disease (CHD) and a further 22 cardiometabolic risk factors and diseases, by combining data from up to 478,967 participants of European ancestry from three prospective cohorts and up to 1,030,836 participants from nine GWAS consortia. In addition, we performed meta-analyses of cardiovascular outcome data from phase III RCTs of romosozumab. Results: Meta-analysis of RCTs identified a higher risk of cardiac ischemic events in patients randomised to romosozumab (25 events among 4,298 individuals; odds ratio [OR] 2.98; 95% confidence interval [CI], 1.18 to 7.55; P=0.017). Scaled to the equivalent dose of romosozumab (210mg/month; 0.09 g/cm2 higher BMD), the SOST variants associated with lower risk of fracture (OR, 0.59; 95% CI, 0.54-0.66; P= 1.4x10-24), and osteoporosis (OR, 0.43; 95% CI, 0.36-0.52; P=2.4x10-18). The SOST variants associated with higher risk of myocardial infarction and/or coronary revascularisation (69,649 cases; OR, 1.18; 95% CI, 1.06-1.32; P=0.003) and type 2 diabetes (OR 1.15; 95% CI, 1.05-1.27; P=0.003), higher systolic blood pressure (1.3mmHg; 95% CI 0.8-1.9; P=5.9x10-6) and waist-to-hip-ratio adjusted for BMI (0.05 SDs; 95% CI, 0.02 to 0.08; P=8.5x10-4). Conclusion: Genetically and therapeutically lowered sclerostin leads to higher risk of cardiovascular events. Rigorous evaluation of the cardiovascular safety of romosozumab and other sclerostin inhibitors is warranted.

Difficulties in identifying causal variants and genes underlying genetic associations have limited the translational potential of genetic studies of body fat distribution, an important, partly-heritable risk factor for cardio-metabolic disease. Rare variant associations facilitate fine-mapping of causal alleles, but their contribution to fat distribution is understudied. We performed a genome-wide scan of rare nonsynonymous variants for body mass index-adjusted waist-to-hip-ratio (BMI-adjusted WHR; a widely-used measure of fat distribution) in 450,562 European ancestry individuals, followed by systematic Bayesian fine-mapping at six genome-wide (p<5x10^-08; main-analysis) and two subthreshold signals (significant at a Bonferroni-corrected p<1.3x10^-06). We found strong statistical evidence of causal association for nonsynonymous alleles in CALCRL (p.L87P, pconditional=5.9x10^-12; posterior-probability of association [PPA]=52%), PLIN1 (p.L90P, pconditional=5.5x10^-13; PPA>99%), PDE3B (p.R783X, pconditional=6.2x10^-15; PPA>99%), ACVR1C (p.I195T; pconditional=5.4x10^-12; PPA>99%), and FGF1 (p.G21E, pconditional=1.6x10^-07; PPA=98%). Alleles at the four likely-causal main-analysis genes affected fat distribution primarily via larger hip- rather than smaller waist-circumference and six of nine conditionally-independent WHR-lowering index-variants were associated with protection from cardiovascular or metabolic disease. All four genes are expressed in adipose tissue and have been linked with the regulation of intracellular lipolysis, which controls fat retention in mature cells. Targeted follow-up analyses of key intracellular-lipolysis genes revealed associations for a variant in the initiator of intracellular lipolysis PNPLA2 (p.N252K) with higher BMI-adjusted-WHR and higher cardio-metabolic risk. This study provides human genetic evidence of a link between intracellular lipolysis, fat-distribution and its cardio-metabolic complications in the general population.

GWAS of erectile dysfunction (ED) in 6,175 cases among 223,805 European men identified one new locus at 6q16.3 (lead variant rs57989773, OR 1.20 per C-allele; p = 5.71×10-14), located between MCHR2 and SIM1. In-silico analysis suggests SIM1 to confer ED risk through hypothalamic dysregulation; Mendelian randomization indicates genetic risk of type 2 diabetes causes ED. Our findings provide novel insights into the biological underpinnings of ED.

Genetic studies have recently highlighted the importance of fat distribution, as well as overall adiposity, in the pathogenesis of obesity-associated diseases. Using a large study (n = 1,288) from 4 independent studies, we aimed to investigate the relationship between adipocyte area and obesity-related traits, and identify genetic factors associated with adipocyte cell size. To perform the first large-scale study of automatic adipocyte phenotyping using both histological and genetic data, we developed a deep learning-based method, the Adipocyte U-Net, to rapidly derive area estimates from histology images. We validate our method using three state-of-the-art approaches; Adiposoft, CellProfiler and floating adipocytes, all run blindly on two external cohorts. We observe high concordance between our method and the state-of-the-art approaches (Adipocyte U-net vs. CellProfiler: R2visceral= 0.94, P < 2.2 × 10−16, R2subcutaneous= 0.91, P < 2.2 × 10−16), and faster run times (10,000 images: 6mins vs 3.5hrs). We applied the Adipocyte U-Net to 4 cohorts with histology, genetic, and phenotypic data (total N = 820). After meta-analysis, we found that adipocyte area positively correlated with body mass index (BMI) (Psubq= 8.13 × 10−69, βsubq = 0.45; Pvisc= 2.5 × 10−55, βvisc = 0.49; average R2 across cohorts = 0.49) and that adipocytes in subcutaneous depots are larger than their visceral counterparts (Pmeta= 9.8 × 10−7). Lastly, we performed the largest GWAS and subsequent meta-analysis of adipocyte area and intra-individual adipocyte variation (N = 820). Despite having twice the number of samples than any similar study, we found no genome-wide significant associations, suggesting that larger sample sizes and a homogenous collection of adipose tissue are likely needed to identify robust genetic associations.

Adipose tissue is comprised of a heterogeneous collection of cell-types which can differentially impact disease phenotypes. We investigated cell-type heterogeneity in two population-level subcutaneous adipose tissue RNAseq datasets (TwinsUK, N =766 and GTEx, N=326). We find that adipose cell-type composition is heritable and confirm the positive association between macrophage proportion and obesity (BMI), but find a stronger BMI-independent association with DXA-derived body-fat distribution traits. Cellular heterogeneity can confound omic analyses, but is rarely taken into account in analysis of solid-tissue transcriptomes. We benchmark the impact of adipose tissue cell-composition on a range of standard analyses, including phenotype-gene expression association, co-expression networks and cis-eQTL discovery. We applied G x Cell Type Proportion interaction models to identify 26 cell-type specific eQTLs in 20 genes, including 4 autoimmune disease GWAS loci, demonstrating the potential of in silico deconvolution of bulk tissue to identify cell-type restricted regulatory variants.

One in four adults worldwide are either overweight or obese. Epidemiological studies indicate that the location and distribution of excess fat, rather than general adiposity, is most informative for predicting risk of obesity sequellae, including cardiometabolic disease and cancer. We performed a genome-wide association study meta-analysis of body fat distribution, measured by waist-to-hip ratio adjusted for BMI (WHRadjBMI), and identified 463 signals in 346 loci. Heritability and variant effects were generally stronger in women than men, and we found approximately one-third of all signals to be sexually dimorphic. The 5% of individuals carrying the most WHRadjBMI-increasing alleles were 1.62 times more likely than the bottom 5% to have a WHR above the thresholds used for metabolic syndrome. These data, made publicly available, will inform the biology of body fat distribution and its relationship with disease.

Abstract As vast histological archives are digitised, there is a pressing need to be able to associate specific tissue substructures and incident pathology to disease outcomes without arduous annotation. Such automation provides an opportunity to learn fundamental biology about how tissue structure and function varies in a population. Recently, self-supervised learning has proven competitive to supervised machine learning approaches in classification, segmentation and representation learning. Here, we leverage self-supervised learning to generate histology feature representations using 1.7M images across 23 healthy tissues in 838 donors from GTEx. Using these representations, we demonstrate we can automatically segment tissues into their constituent tissue substructures and pathology proportions, and surpass the performance of conventionally used pre-trained models. We observe striking population variability in canonical tissue substructures, highlight examples of missing pathological diagnoses, incorrect assignment of target tissue and cross-tissue contamination. We demonstrate that this variability in tissue composition leads to a likely overestimation of eQTL tissue sharing and drives dramatic differential gene expression changes. We use derived tissue substructures to detect 284 tissue substructures and pathology specific eQTLs. As our derived histology representations are rich morphological descriptors of the underlying tissue, we introduce a multiple instance learning model that can predict and spatially localise individual RNA expression levels directly from histology to specific substructures and pathological features. We validate our RNA spatial predictions with matched ground truth immunohistochemistry (IHC) for several well characterised marker genes, recapitulating their known spatial specificity. Finally, we derive a gene expression spatial enrichment metric, allowing us to detect genes specifically expressed within sites of pathology (e.g. arterial calcification). Together, these results demonstrate the power of self-supervised machine learning when applied to vast histological datasets to allow researchers to pose and answer questions about tissue pathology, its spatial organisation and the interplay between morphological tissue variability and gene expression.