Chronic musculoskeletal pain has a negative impact on all aspects of human life. Genetic studies of pain are complicated by the high complexity and heterogeneity of pain phenotypes. In this research, we aimed to reduce phenotype heterogeneity and reveal genes and pathways shared by chronic musculoskeletal pain at four locations: back, neck/shoulder, hip, and knee. Our study was based on the results of genome-wide association studies performed using UK Biobank data with a total sample size of 456,000 individuals. We applied principal component analysis based on the matrix of genetic covariances between the studied pain traits and constructed four genetically independent phenotypes (GIPs). The leading GIP (GIP1) explains the largest proportion of the genetic variance of and covariance between the analyzed phenotypes (78.4%), and the later GIPs (GIP2-4) explain progressively less. We identified and replicated five loci associated with GIP1 and one locus associated with GIP2. The genes decisively prioritized for the GIP1-associated loci were SLC39A8, ECM1, and FOXP2. For the remaining two GIP1-associated loci, we proposed several candidates (AMIGO3, BSN, RBM6, FAM212A, RNF123, UBA7 and MIR7114, NSMF, NOXA1, GRIN1), but were unable to prioritize any of them convincingly. The most likely causal gene in the locus associated with GIP2 was GDF5. For GIP1, gene set/tissue/cell type enrichment analyses identified multiple terms related to the nervous system. Genetic correlations analysis revealed a genetic overlap between GIP1 and osteoarthritis as well as a set of anthropometric (such as overweight and waist circumference), sociodemographic (such as age of first birth and college completion) and psychiatric/personality (such as depressive symptoms and neuroticism) traits. We suggest that GIP1 represents a biopsychological component of chronic musculoskeletal pain, related to physiological and psychological aspects and likely reflecting pain perception and processing.

Associations between magnetic resonance imaging (MRI)-detected lumbar intervertebral disc degeneration (LDD) and LBP are often of modest magnitude. This association may be larger in specific patient subgroups.

Background The association between lumbar intervertebral disc degeneration (LDD) and low back pain (LBP) is modest. We have recently shown that genetic propensity to pain is an effect modifier of the LDD-LBP relationship when LDD is defined as a summary score of LDD (LSUM), suggesting the association may be driven by individuals with the greatest genetic predisposition to pain. This study examined the association between individual spine magnetic resonance imaging (MRI)-determined LDD features and LBP in subgroups defined by genetic predisposition to pain. Method We developed a polygenic risk score (PRS) for “genetic propensity to pain” defined as the number of non-back pain locations (head, face, neck/shoulder, stomach/abdomen, hip, and knee) with duration ≥3 months in 377,538 UK Biobank participants of European ancestry. This PRS was used to stratify TwinsUK MRI samples (n=645) into four strata of genetic propensity to pain. We examined the association between LBP and MRI features of lumbar disc height, disc signal intensity, disc bulge, and osteophytes with adjustments for age, sex, PRS strata, interaction terms for each MRI feature x PRS strata, and twin status. Results We found significant effect modification of the LDD-LBP relationship by genetic propensity to pain for the lumbar MRI features of disc height (p=0.03 for the interaction term with highest quartile of genetically-predicted propensity to pain) and disc signal intensity (p=0.001), but not for disc bulge and osteophytes. Conclusion Genetic propensity to pain modifies the association between individual LDD features and LBP and should be considered in LBP clinical studies. Conflicts of interest No conflicts of interest Sources of funding No funding obtained Acknowledgement UKBB data were obtained under the project #18219 This paper is submitted to the Spine journal and is under review.

Abstract We propose a novel effective framework for analysis of the shared genetic background for a set of genetically correlated traits using SNP-level GWAS summary statistics. This framework called SHAHER is based on the construction of a linear combination of traits by maximizing the proportion of its genetic variance explained by the shared genetic factors. SHAHER requires only full GWAS summary statistics and matrices of genetic and phenotypic correlations between traits as inputs. Our framework allows both shared and unshared genetic factors to be to effectively analyzed. We tested our framework using simulation studies, compared it with previous developments, and assessed its performance using three real datasets: anthropometric traits, psychiatric conditions and lipid concentrations. SHAHER is versatile and applicable to summary statistics from GWASs with arbitrary sample sizes and sample overlaps, allows incorporation of different GWAS models (Cox, linear and logistic) and is computationally fast.