Importance Although patients with head and neck cancer (HNC) have been shown to experience high distress, few longitudinal studies include a comprehensive evaluation of biopsychosocial factors affecting quality of life (QoL), including genetic risk for depression. Objective To identify factors at the time of cancer diagnosis associated with QoL scores at 3 months after treatment in patients newly diagnosed with a first occurrence of HNC. Design, Setting, and Participants This prospective longitudinal study of 1464 participants with a 3-month follow-up, including structured clinical interviews and self-administered measures was carried out at the Department of Otolaryngology Head and Neck Surgery at 2 tertiary care McGill University Affiliated Hospitals, McGill University Health Centre, and Jewish General Hospital. Eligible patients were adults newly diagnosed within 2 weeks with a primary first occurrence of HNC, had a Karnofsky Performance Scale score higher than 60, and an expected survival of more than 6 months. Two hundred and twenty-three patients (72%) consented to participate and completed the baseline questionnaire, and 71% completed the 3-month follow-up measures. Exposures An a priori conceptual model including sociodemographics, medical variables, psychosocial risk factors, and a polygenic risk score for depression (PRS-D) was tested. Main outcomes and measures The Functional Assessment of Cancer Therapy–Head and Neck measured QoL at baseline and at 3 months. Results Participants were mostly men (68.7%), with a mean (range) age of 62.9 (31-92) years, 36.6% having a university degree, 35.6% living alone, and 71.4% diagnosed with advanced HNC with mostly cancers being of the oropharynx (42.2%), oral cavity (17%), and larynx (16.3%). QoL at 3 months after HNC diagnosis was associated with higher PRS-D (B = −4.71; 95% CI, −9.18 to −0.23), and a diagnosis of major depressive disorder within 2 weeks of an HNC diagnosis (B = −32.24; 95% CI, −51.47 to 13.02), lifetime suicidal ideation (B = −22.39; 95% CI, −36.14 to −8.65), living with someone (B = 12.48; 95% CI, 3.43-21.52), having smoked cigarettes in the past 30 days pre-HNC diagnosis (B = −15.50; 95% CI, −26.07 to −4.93), chemotherapy type (B = −11.13; 95% CI, −21.23 to −1.02), and total radiotherapy dose (Gy) (B = −0.008; 95% CI, −0.01 to −0.002). Conclusions and relevance This study identified the predictive value of a genetic predisposition to depression on QoL and function immediately after oncologic treatments. These findings highlight the potential importance of genetic profiling pretreatment to identify those most susceptible to experience QoL and functional compromise. Depression is a clear area of public health concern and should be a central focus in the treatment of patients with HNC.

Conventional polygenic scores derived from genome-wide association studies do not reflect gene networks that code for biological functions. We present an alternative approach creating a biologically informed polygenic score based on the insulin receptor (IR) gene networks in the mesocorticolimbic system and hippocampus that regulate reward sensitivity/inhibitory control and memory, respectively. Across multiple samples (n = 4300) our biologically-informed IR-PRS score showed better prediction of child impulsivity and cognitive performance, as well as risk for early addiction onset and Alzheimer's disease in comparison to conventional polygenic scores for ADHD, addiction and dementia. This novel, biologically-informed approach enables the use of genomic datasets to probe relevant biological processes involved in neural function and disorders.

Motivation: Polygenic risk scores describe the genomic contribution to complex phenotypes and consistently account for a larger proportion of the variance than single nucleotide polymorphisms alone. However, there is little consensus on the optimal data input for generating polygenic risk scores and existing approaches largely preclude the use of imputed posterior probabilities and strand-ambiguous SNPs. Results: We developed PRS-on-Spark (PRSoS) a polygenic risk score software implemented in Apache Spark and Python that accommodates a variety of data input (e.g., observed genotypes, imputed genotypes or imputed dosage data) and strand-ambiguous SNPs. We show that PRSoS is flexible and efficient, accommodates strand-ambiguous SNP and computes polygenic risk scores at a range of p-value thresholds more quickly than existing software (PRSice). We also show that the use of imputed posterior probabilities and the inclusion of strand ambiguous SNPs increase the proportion of variance explained by a polygenic risk scores for major depression. Availability and Implementation: PRSoS is written in Apache Spark and Python and is freely available (see https://github.com/MeaneyLab/PRSoS).