Background: Major Depressive Disorder (MDD) is a clinically heterogeneous disorder. Previous large-scale genetic studies of MDD have explored genetic risk factors of MDD case-control status or aggregated sums of depressive symptoms, ignoring possible clinical or genetic heterogeneity. Aim: In this study, we present the results of symptom-level genetic analyses and compare SNP-based heritability (h2 SNP) and genetic correlations across major depression symptoms. We further investigate genetic correlations with a range of psychiatric disorders and other associated traits. Methods: We have analysed data from the UK biobank and included 148,752 subjects of White British ancestry with genotype data who completed nine items of a self-rated measure of depression: the Patient Health Questionnaire (PHQ-9). Genome-Wide Association analyses were conducted for nine symptoms and two composite measures. LD score regression analysis was used to calculate SNP-based heritability (h2 SNP) and genetic correlations (rg) across symptoms and to investigate genetic correlations with 25 external phenotypes. Confirmatory factor analyses were applied to test whether one, two, or three-factor models best fit the pattern of genetic correlations across the nine symptoms. Results: We identified 9 novel genome-wide significant genomic loci, with no overlap in loci across depression symptoms. h2 SNP ranged from 3% (suicidal ideation) to 11% (fatigue). Genetic correlations range from 0.54 to 0.96 (all p < 1.39e-3) with 30 of 36 correlations being significantly smaller than 1. A 3-factor model provided the best fit to the genetic correlation matrix, with factors representing psychological, neurovegetative, and psychomotor / concentration symptoms. The genetic correlations with external phenotypes showed large variation across the nine symptoms. Discussion: Patterns of h2 SNP and genetic correlations differed across the nine symptoms of depression. Our findings suggest that the large phenotypic heterogeneity observed for MDD is recapitulated at a genetic level. Future studies should investigate how genetic heterogeneity in MDD influences the efficacy of clinical interventions.

ABSTRACT Genome-wide association studies (GWASs) have identified thousands of risk loci for many psychiatric and substance use phenotypes, however the biological consequences of these loci remain largely unknown. We performed a transcriptome-wide association study of 10 psychiatric disorders and 6 substance use phenotypes (collectively termed “mental health phenotypes”) using expression quantitative trait loci data from 532 prefrontal cortex samples. We estimated the correlation due to predicted genetically regulated expression between pairs of mental health phenotypes, and compared the results with the genetic correlations. We identified 1,645 genes with at least one significant trait association, comprising 2,176 significant associations across the 16 mental health phenotypes of which 572 (26%) are novel. Overall, the transcriptomic correlations for phenotype pairs were significantly higher than the respective genetic correlations. For example, attention deficit hyperactivity disorder and autism spectrum disorder, both childhood developmental disorders, showed a much higher transcriptomic correlation (r=0.84) than genetic correlation (r=0.35). Finally, we tested the enrichment of phenotype-associated genes in gene co-expression networks built from prefrontal cortex. Phenotype-associated genes were enriched in multiple gene co-expression modules and the implicated modules contained genes involved in mRNA splicing and glutamatergic receptors, among others. Together, our results highlight the utility of gene expression data in the understanding of functional gene mechanisms underlying psychiatric disorders and substance use phenotypes.

Although harmful substance use is common and represented by shared symptom features and high genetic correlations, the underlying genetic relationships between substance use traits have not been fully explored. We have investigated the genetic architecture of substance use traits through exploratory and confirmatory factor analyses using genomic structural equation modeling (Genomic SEM), and explored genetic correlations between different aspects of substance use and mental health-related traits. Genomic SEM was used to identify latent factors representing the relationships between 14 substance use traits (alcohol, nicotine, cannabis and opioid use), and to confirm or modify existing latent factors for 38 mental health-related traits. A bi-factor model best explained the genetic overlap between substance use traits, including a general substance use factor and two sub-factors representing genetic liability specific to alcohol use or smoking. The SNP-based heritability of these factors ranged from 2 to 7 % and each factor had 10 or more independent significant SNPs identified. Bivariate correlations revealed patterns of genetic overlap with other mental health-related factors unique to each substance use factor. Variations in the genetic overlap between psychiatric traits and different aspects of substance use can be used to further investigate the pleiotropy present between these traits, and explore commonalities in etiology.

Abstract Background Diagnostic criteria for major depressive disorder allow for heterogeneous symptom profiles but genetic analysis of major depressive symptoms has the potential to identify clinical and etiological subtypes. There are several challenges to integrating symptom data from genetically informative cohorts, such as sample size differences between clinical and community cohorts and various patterns of missing data. Methods We conducted genome-wide association studies of major depressive symptoms in three cohorts that were enriched for participants with a diagnosis of depression (Psychiatric Genomics Consortium, Australian Genetics of Depression Study, Generation Scotland) and three community cohorts who were not recruited on the basis of diagnosis (Avon Longitudinal Study of Parents and Children, Estonian Biobank, and UK Biobank). We fit a series of confirmatory factor models with factors that accounted for how symptom data was sampled and then compared alternative models with different symptom factors. Results The best fitting model had a distinct factor for Appetite/Weight symptoms and an additional measurement factor that accounted for the skip-structure in community cohorts (use of Depression and Anhedonia as gating symptoms). Conclusion The results show the importance of assessing the directionality of symptoms (such as hypersomnia versus insomnia) and of accounting for study and measurement design when meta-analyzing genetic association data.

Abstract Substance use disorders represent a significant public health concern with considerable socioeconomic implications worldwide. Twin and family-based studies have long established a heritable component underlying these disorders. In recent years, genome-wide association studies of large, broadly phenotyped samples have identified regions of the genome that harbour genetic risk variants associated with substance use disorders. These regions have enabled the discovery of putative causal genes and improved our understanding of genetic relationships among substance use disorders and other traits. Furthermore, the integration of these data with clinical information has yielded promising insights into how individuals respond to medications, allowing for the development of personalized treatment approaches based on an individual’s genetic profile. This review article provides an overview of recent advances in the genetics of substance use disorders and demonstrates how genetic data may be used to reduce the burden of disease and improve public health outcomes.