SN
Sune Nielsen
Author with expertise in Genomic Studies and Association Analyses
Achievements
This user has not unlocked any achievements yet.
Key Stats
Upvotes received:
0
Publications:
3
(33% Open Access)
Cited by:
6
h-index:
49
/
i10-index:
102
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
38

Combining genome-wide studies of breast, prostate, ovarian and endometrial cancers maps cross-cancer susceptibility loci and identifies new genetic associations

Siddhartha Kar et al.Jun 19, 2020
ABSTRACT We report a meta-analysis of breast, prostate, ovarian, and endometrial cancer genome-wide association data (effective sample size: 237,483 cases/317,006 controls). This identified 465 independent lead variants ( P <5×10 −8 ) across 192 genomic regions. Four lead variants were >1Mb from previously identified risk loci for the four cancers and an additional 23 lead variant-cancer associations were novel for one of the cancers. Bayesian models supported pleiotropic effects involving at least two cancers at 222/465 lead variants in 118/192 regions. Gene-level association analysis identified 13 shared susceptibility genes ( P <2.6×10 −6 ) in 13 regions not previously implicated in any of the four cancers and not uncovered by our variant-level meta-analysis. Several lead variants had opposite effects across cancers, including a cluster of such variants in the TP53 pathway. Fifty-four lead variants were associated with blood cell traits and suggested genetic overlaps with clonal hematopoiesis. Our study highlights the remarkable pervasiveness of pleiotropy across hormone-related cancers, further illuminating their shared genetic and mechanistic origins at variant- and gene-level resolution.
38
Citation6
0
Save
0

Refining The Accuracy Of Validated Target Identification Through Coding Variant Fine-Mapping In Type 2 Diabetes

Anubha Mahajan et al.May 31, 2017
Identification of coding variant associations for complex diseases offers a direct route to biological insight, but is dependent on appropriate inference concerning the causal impact of those variants on disease risk. We aggregated coding variant data for 81,412 type 2 diabetes (T2D) cases and 370,832 controls of diverse ancestry, identifying 40 distinct coding variant association signals (at 38 loci) reaching significance (p<2.2x10-7). Of these, 16 represent novel associations mapping outside known genome-wide association study (GWAS) signals. We make two important observations. First, despite a threefold increase in sample size over previous efforts, only five of the 40 signals are driven by variants with minor allele frequency <5%, and we find no evidence for low-frequency variants with allelic odds ratio >1.29. Second, we used GWAS data from 50,160 T2D cases and 465,272 controls of European ancestry to fine-map these associated coding variants in their regional context, with and without additional weighting to account for the global enrichment of complex trait association signals in coding exons. At the 37 signals for which we attempted fine-mapping, we demonstrate convincing support (posterior probability >80% under the 'annotation-weighted' model) that coding variants are causal for the association at 16 (including novel signals involving POC5 p.His36Arg, ANKH p.Arg187Gln, WSCD2 p.Thr113Ile, PLCB3 p.Ser778Leu, and PNPLA3 p.Ile148Met). However, at 13 of the 37 loci, the associated coding variants represent 'false leads' and naïve analysis could have led to an erroneous inference regarding the effector transcript mediating the signal. Accurate identification of validated targets is dependent on correct specification of the contribution of coding and non-coding mediated mechanisms at associated loci.
0

A genetic risk score to guide age-specific, personalized prostate cancer screening

Tyler Seibert et al.Nov 25, 2016
Background: Prostate-specific-antigen (PSA) screening resulted in reduced prostate cancer (PCa) mortality in a large clinical trial, but due to a high false-positive rate, among other concerns, many guidelines do not endorse universal screening and instead recommend an individualized decision based on each patient's risk. Genetic risk may provide key information to guide the decisions of whether and at what age to screen an individual man for PCa. Methods: Genotype, PCa status, and age from 34,444 men of European ancestry from the PRACTICAL consortium database were analyzed to select single-nucleotide polymorphisms (SNPs) associated with prostate cancer diagnosis. These SNPs were then incorporated into a survival analysis to estimate their effects on age at PCa diagnosis. The resulting polygenic hazard score (PHS) is an assessment of individual genetic risk. The final model was validated in an independent dataset comprised of 6,417 men with screening PSA and genotype data. PHS was calculated for these men to test for prediction of PCa-free survival. PHS was also combined with age-specific PCa incidence data from the U.S. population to generate a PCa-Risk (PCaR) age that relates a given man's risk to that of the population average. PHS and PCaR age were evaluated for prediction of positive predictive value (PPV) of PSA screening. Findings: PHS calculated from 54 SNPs was very highly predictive of age at PCa diagnosis for men in the validation set (p=10^-53). PPV of PSA screening varied from 0.18 to 0.52 for men with low and high genetic risk, respectively. PHS modulates PCa-free survival curves by an estimated 20 years between men in the 1st or 99th percentiles of genetic risk. Interpretation: Polygenic hazard scores give personalized genetic risk estimates and can inform the decisions of whether and at what age to screen a man for PCa.