A high body-mass index (BMI, the weight in kilograms divided by the square of the height in meters) is associated with increased mortality from cardiovascular disease and certain cancers, but the precise relationship between BMI and all-cause mortality remains uncertain.

The vast majority of coding variants are rare, and assessment of the contribution of rare variants to complex traits is hampered by low statistical power and limited functional data. Improved methods for predicting the pathogenicity of rare coding variants are needed to facilitate the discovery of disease variants from exome sequencing studies. We developed REVEL (rare exome variant ensemble learner), an ensemble method for predicting the pathogenicity of missense variants on the basis of individual tools: MutPred, FATHMM, VEST, PolyPhen, SIFT, PROVEAN, MutationAssessor, MutationTaster, LRT, GERP, SiPhy, phyloP, and phastCons. REVEL was trained with recently discovered pathogenic and rare neutral missense variants, excluding those previously used to train its constituent tools. When applied to two independent test sets, REVEL had the best overall performance (p < 10⁻¹²) as compared to any individual tool and seven ensemble methods: MetaSVM, MetaLR, KGGSeq, Condel, CADD, DANN, and Eigen. Importantly, REVEL also had the best performance for distinguishing pathogenic from rare neutral variants with allele frequencies <0.5%. The area under the receiver operating characteristic curve (AUC) for REVEL was 0.046–0.182 higher in an independent test set of 935 recent SwissVar disease variants and 123,935 putatively neutral exome sequencing variants and 0.027–0.143 higher in an independent test set of 1,953 pathogenic and 2,406 benign variants recently reported in ClinVar than the AUCs for other ensemble methods. We provide pre-computed REVEL scores for all possible human missense variants to facilitate the identification of pathogenic variants in the sea of rare variants discovered as sequencing studies expand in scale.

Genome-wide association studies (GWAS) and fine-mapping efforts to date have identified more than 100 prostate cancer (PrCa)-susceptibility loci. We meta-analyzed genotype data from a custom high-density array of 46,939 PrCa cases and 27,910 controls of European ancestry with previously genotyped data of 32,255 PrCa cases and 33,202 controls of European ancestry. Our analysis identified 62 novel loci associated (P < 5.0 × 10−8) with PrCa and one locus significantly associated with early-onset PrCa (≤55 years). Our findings include missense variants rs1800057 (odds ratio (OR) = 1.16; P = 8.2 × 10−9; G>C, p.Pro1054Arg) in ATM and rs2066827 (OR = 1.06; P = 2.3 × 10−9; T>G, p.Val109Gly) in CDKN1B. The combination of all loci captured 28.4% of the PrCa familial relative risk, and a polygenic risk score conferred an elevated PrCa risk for men in the ninetieth to ninety-ninth percentiles (relative risk = 2.69; 95% confidence interval (CI): 2.55–2.82) and first percentile (relative risk = 5.71; 95% CI: 5.04–6.48) risk stratum compared with the population average. These findings improve risk prediction, enhance fine-mapping, and provide insight into the underlying biology of PrCa1. A large meta-analysis combining genome-wide and custom high-density genotyping array data identifies 63 new susceptibility loci for prostate cancer, enhancing fine-mapping efforts and providing insights into the underlying biology.

Abstract Background: Although high-risk mutations in identified major susceptibility genes (DNA mismatch repair genes and MUTYH) account for some familial aggregation of colorectal cancer, their population prevalence and the causes of the remaining familial aggregation are not known. Methods: We studied the families of 5,744 colorectal cancer cases (probands) recruited from population cancer registries in the United States, Canada, and Australia and screened probands for mutations in mismatch repair genes and MUTYH. We conducted modified segregation analyses using the cancer history of first-degree relatives, conditional on the proband's age at diagnosis. We estimated the prevalence of mutations in the identified genes, the prevalence of HR for unidentified major gene mutations, and the variance of the residual polygenic component. Results: We estimated that 1 in 279 of the population carry mutations in mismatch repair genes (MLH1 = 1 in 1,946, MSH2 = 1 in 2,841, MSH6 = 1 in 758, PMS2 = 1 in 714), 1 in 45 carry mutations in MUTYH, and 1 in 504 carry mutations associated with an average 31-fold increased risk of colorectal cancer in unidentified major genes. The estimated polygenic variance was reduced by 30% to 50% after allowing for unidentified major genes and decreased from 3.3 for age &lt;40 years to 0.5 for age ≥70 years (equivalent to sibling relative risks of 5.1 to 1.3, respectively). Conclusions: Unidentified major genes might explain one third to one half of the missing heritability of colorectal cancer. Impact: Our findings could aid gene discovery and development of better colorectal cancer risk prediction models. Cancer Epidemiol Biomarkers Prev; 26(3); 404–12. ©2016 AACR.

ABSTRACT Genome-wide association studies have identified breast cancer risk variants in over 150 genomic regions, but the mechanisms underlying risk remain largely unknown. These regions were explored by combining association analysis with in silico genomic feature annotations. We defined 205 independent risk-associated signals with the set of credible causal variants (CCVs) in each one. In parallel, we used a Bayesian approach (PAINTOR) that combines genetic association, linkage disequilibrium, and enriched genomic features to determine variants with high posterior probabilities (HPPs) of being causal. Potentially causal variants were significantly over-represented in active gene regulatory regions and transcription factor binding sites. We applied our INQUSIT pipeline for prioritizing genes as targets of potentially causal variants, using gene expression (eQTL), chromatin interaction and functional annotations. Known cancer drivers, transcription factors and genes in the developmental, apoptosis, immune system and DNA integrity checkpoint gene ontology pathways, were over-represented among the 178 highest confidence target genes.

Abstract Background Genome-wide association studies (GWAS) have identified multiple common breast cancer susceptibility variants. Many of these variants have differential associations by estrogen receptor (ER), but how these variants relate with other tumor features and intrinsic molecular subtypes is unclear. Methods Among 106,571 invasive breast cancer cases and 95,762 controls of European ancestry with data on 173 breast cancer variants identified in previous GWAS, we used novel two-stage polytomous logistic regression models to evaluate variants in relation to multiple tumor features (ER, progesterone receptor (PR), human epidermal growth factor receptor 2 (HER2) and grade) adjusting for each other, and to intrinsic-like subtypes. Results Eighty-five of 173 variants were associated with at least one tumor feature (false discovery rate <5%), most commonly ER and grade, followed by PR and HER2. Models for intrinsic-like subtypes found nearly all of these variants (83 of 85) associated at P<0.05 with risk for at least one luminal-like subtype, and approximately half (41 of 85) of the variants were associated with risk of at least one non-luminal subtype, including 32 variants associated with triple-negative (TN) disease. Ten variants were associated with risk of all subtypes in different magnitude. Five variants were associated with risk of luminal A-like and TN subtypes in opposite directions. Conclusion This report demonstrates a high level of complexity in the etiology heterogeneity of breast cancer susceptibility variants and can inform investigations of subtype-specific risk prediction.

Purpose: Reducing colorectal cancer (CRC) incidence and mortality through early detection would improve efficacy if targeted. A CRC risk-prediction model incorporating personal, family, genetic and environmental risk factors could enhance prediction. Methods: We developed risk-prediction models using population-based CRC cases (N=4,445) and controls (N=3,967) recruited by the Colon Cancer Family Registry Cohort (CCFRC). A familial risk profile (FRP) was calculated to summarize individuals risk based on their CRC family history, family structure, germline mutation probability in major susceptibility genes, and a polygenic component. Using logistic regression, we developed risk models including individuals FRP or a binary CRC family-history (FH), and risk factors collected at recruitment. Model validation used follow-up data for population- (N=12,052) and clinic-based (N=5,584) relatives with no cancer history at recruitment, assessing calibration (E/O) and discrimination (AUC). Results: The E/O (95% confidence interval [CI]) for FRP models for population-based relatives were 1.04 (0.74-1.45) and 0.86 (0.64-1.20) for men and women, and for clinic-based relatives 1.15 (0.87-1.58) and 1.04 (0.76-1.45). The age-adjusted AUC (95% CI) for FRP models in population-based relatives were 0.69 (0.60-0.78) and 0.70 (0.62-0.77), and for clinic-based relatives 0.77 (0.69-0.84) and 0.68 (0.60-0.76). The incremental values of AUC (95% CI) for FRP over FH models for population-based relatives were 0.08 (0.01-0.15) and 0.10 (0.04-0.16), and for clinic-based relatives 0.11 (0.05-0.17) and 0.11 (0.06-0.17). Conclusion: The FRP-based model and FH-based model calibrate well in both settings. The FRP-based model provided better risk-prediction and discrimination than the FH-based model. A detailed family history may be useful for targeted risk-based screening and clinical management.

Quantifying the genetic correlation between cancers can provide important insights into the mechanisms driving cancer etiology. Using genome-wide association study summary statistics across six cancer types based on a total of 296,215 cases and 301,319 controls of European ancestry, we estimate the pair-wise genetic correlations between breast, colorectal, head/neck, lung, ovary and prostate cancer, and between cancers and 38 other diseases. We observed statistically significant genetic correlations between lung and head/neck cancer (rg=0.57, p=4.6x10-8), breast and ovarian cancer (rg=0.24, p=7x10-5), breast and lung cancer (rg=0.18, p=1.5x10-6) and breast and colorectal cancer (rg=0.15, p=1.1x10-4). We also found that multiple cancers are genetically correlated with non-cancer traits including smoking, psychiatric diseases and metabolic characteristics. Functional enrichment analysis revealed a significant excess contribution of conserved and regulatory regions to cancer heritability. Our comprehensive analysis of cross-cancer heritability suggests that solid tumors arising across tissues share in part a common germline genetic basis.

Background: A number of single nucleotide polymorphisms (SNPs), which are common inherited genetic variants, have been identified that are associated with risk of colorectal cancer. The aim of this study was to determine the ability of these SNPs to estimate colorectal cancer (CRC) risk for persons with and without a family history of CRC, and the screening implications. Methods: We estimated the association with CRC of a 45 SNP-based risk using 1,181 cases and 999 controls, and its correlation (r) with CRC risk predicted from detailed family history. We estimated the predicted change in the distribution across predefined risk categories, and implications for recommended age to commence screening, from adding SNP-based risk to family history. Results: The inter-quintile risk ratio for colorectal cancer risk of the SNP-based risk was 2.46 (95% CI 1.91 - 3.11). SNP-based and family history-based risks were not correlated (r = 0.02). For persons with no first-degree relatives with CRC, recommended screening would commence 2 years earlier for women (4 years for men) in the highest quintile of SNP-based risk, and 12 years later for women (7 years for men) in the lowest quintile. For persons with two first-degree relatives with CRC, recommended screening would commence 15 years earlier for men and women in the highest quintile, and 8 years earlier for men and women in the lowest quintile. Conclusions: Risk reclassification by 45 SNPs could inform targeted screening for CRC prevention, particularly in clinical genetics settings when mutations in high-risk genes cannot be identified.

Breast cancer susceptibility variants frequently show heterogeneity in associations by tumor subtype. To identify novel loci, we performed a genome-wide association study (GWAS) including 133,384 breast cancer cases and 113,789 controls, plus 18,908 BRCA1 mutation carriers (9,414 with breast cancer) of European ancestry, using both standard and novel methodologies that account for underlying tumor heterogeneity by estrogen receptor (ER), progesterone receptor (PR), and human epidermal growth factor receptor 2 (HER2) status and tumor grade. We identified 32 novel susceptibility loci ( P <5.0×10-8), 15 of which showed evidence for associations with at least one tumor feature (false discovery rate <0.05). Five loci showed associations ( P <0.05) in opposite directions between luminal- and non-luminal subtypes. In-silico analyses showed these five loci contained cell-specific enhancers that differed between normal luminal and basal mammary cells. The genetic correlations between five intrinsic-like subtypes ranged from 0.35 to 0.80. The proportion of genome-wide chip heritability explained by all known susceptibility loci was 37.6% for triple-negative and 54.2% for luminal A-like disease. These findings provide an improved understanding of genetic predisposition to breast cancer subtypes and will inform the development of subtype-specific polygenic risk scores.