Background: Numerous large genome-wide association studies (GWASs) have been performed to understand the genetic factors of numerous traits, including type 2 diabetes. Many identified risk loci are located in non-coding and intergenic regions, which complicates the understanding how genes and their downstream pathways are influenced. An integrative data approach is required to understand the mechanism and consequences of identified risk loci. Results: Here, we developed the R-package CONQUER. Data for SNPs of interest (build GRCh38/hg38) were acquired from static- and dynamic repositories, such as, GTExPortal, Epigenomics Project, 4D genome database and genome browsers such as ENSEMBL. CONQUER modularizes SNPs based on the underlying co-expression data and associates them with biological pathways in specific tissues. CONQUER was used to analyze 403 previously identified type 2 diabetes risk loci. In all tissues, the majority of SNPs (mean = 13.50, SD = 11.70) were linked to metabolism. A tissue-shared effect was found for four type 2 diabetes-associated SNPs (rs601945, rs1061810, rs13737, rs4932265) that were associated with differential expression of HLA-DQA2, HSD17B12, MAN2C1 and AP3S2 respectively. Seven SNPs were identified that influenced the expression of seven ribosomal proteins in multiple tissues. Finally, one SNP (rs601945) was found to influence multiple HLA genes in all twelve tissues investigated. Conclusion: We present an universal R-package that aggregates and visualizes data in order to better understand functional consequences of GWAS loci. Using CONQUER, we showed that type 2 diabetes risk loci have many tissue-shared effects on multiple pathways including metabolism, the ribosome and HLA pathway.

The blood metabolome incorporates cues from the environment as well as the host's genetic background, potentially offering a holistic view of an individual's health status. We have compiled a vast resource of 1H-NMR metabolomics and phenotypic data encompassing over 25,000 samples derived from 26 community and hospital-based cohorts. Using this resource, we constructed a metabolomics-based age predictor (metaboAge) to calculate an individual's biological age. Exploration in independent cohorts demonstrates that being judged older by one's metabolome, as compared to one's chronological age, confers an increased risk on future cardiovascular disease, mortality and functionality in older individuals. A web-based tool for calculating metaboAge (metaboage.researchlumc.nl) allows easy incorporation in other epidemiological studies. Access to data can be requested at bbmri.nl/samples-images-data. In summary, we present a vast resource of metabolomics data and illustrate its merit by constructing a metabolomics-based score for biological age that captures aspects of current and future cardio-metabolic health.

Abstract Introduction Micro- and macrovascular complications are common among persons with type 2 diabetes. Recently there has been growing interest to investigate the potential of circulating small non-coding RNAs (sncRNAs) as contributors to the development of diabetic complications. In this study we investigate to what extent circulating sncRNAs levels associate with prevalent diabetic kidney disease (DKD) in persons with type 2 diabetes. Methods Plasma sncRNAs levels were determined using small RNA-seq, allowing detection of miRNAs, snoRNAs, piRNAs, tRNA fragments, and various other sncRNA classes. We tested for differentially expressed sncRNAs in persons with type 2 diabetes, with DKD (n = 69) or without DKD (n = 405). In secondary analyses, we also tested the association with eGFR, albuminuria (UACR), and the plasma proteome. Results In total seven sncRNAs were negatively associated with prevalent DKD (all P FDR ≤ 0.05). Including one microRNA (miR-143-5p), five snoRNAs (U8, SNORD118, SNORD24, SNORD107, SNORD87) and a piRNA (piR-019825 | DQ597218). Proteomic analyses showed that the seven sncRNAs, and especially the piRNA piR-019825, were associated with plasma levels of 24 proteins of which several have known associations with kidney function including TNF sR-I (TNFRFS1A), DAN (NBL1) and cystatin C (CST3). Conclusion We have identified novel small non-coding RNAs, primarily from classes other than microRNAs, that are associated with diabetic kidney disease. Our results show that the involvement of small non-coding RNAs in DKD goes beyond the already known microRNAs and also involves other classes of sncRNA, in particular snoRNAs and the piRNA piR-019825, that have never been studied before in relation to kidney function.

Background and aims: Understanding the aetiology, clinical presentation and prognosis of type 2 diabetes (T2D) and optimizing its treatment might be facilitated by biomarkers that help predict a person's susceptibility to the risk factors that cause diabetes or its complications, or response to treatment. The IMI DIRECT (Diabetes Research on Patient Stratification) Study is a European Union (EU) Innovative Medicines Initiative (IMI) project that seeks to test these hypotheses in two recently established epidemiological cohorts. Here, we describe the characteristics of these cohorts at baseline and at the first main follow-up examination (18-months). Materials and methods: From a sampling-frame of 24,682 European-ancestry adults in whom detailed health information was available, participants at varying risk of glycaemic deterioration were identified using a risk prediction algorithm and enrolled into a prospective cohort study (n=2127) undertaken at four study centres across Europe (Cohort 1: prediabetes). We also recruited people from clinical registries with recently diagnosed T2D (n=789) into a second cohort study (Cohort 2: diabetes). The two cohorts were studied in parallel with matched protocols. Endogenous insulin secretion and insulin sensitivity were modelled from frequently sampled 75g oral glucose tolerance (OGTT) in Cohort 1 and with mixed-meal tolerance tests (MMTT) in Cohort 2. Additional metabolic biochemistry was determined using blood samples taken when fasted and during the tolerance tests. Body composition was assessed using MRI and lifestyle measures through self-report and objective methods. Results: Using ADA-2011 glycaemic categories, 33% (n=693) of Cohort 1 (prediabetes) had normal glucose regulation (NGR), and 67% (n=1419) had impaired glucose regulation (IGR). 76% of the cohort was male, age=62(6.2) years; BMI=28.4(4.0) kg/m2; fasting glucose=5.7(0.6)mmol/l; 2-hr glucose=5.9(1.6) mmol/l [mean(SD)]. At follow-up, 18.5(1.4) months after baseline, fasting glucose=5.8(0.6)mmol/l; 2-hr OGTT glucose=6.1(1.7) mmol/l [mean(SD)]. In Cohort 2 (diabetes): 65% (n=508) were lifestyle treated (LS) and 35% (n=271) were lifestyle + metformin treated (LS+MET). 58% of the cohort was male, age=62(8.1) years; BMI=31(5.0)kg/m2; fasting glucose=7.2(1.4)mmol/l; 2-hr glucose=8.6(2.8)mmol/l [mean(SD)]. At follow-up, 18.2(0.6) months after baseline, fasting glucose=7.8(1.8)mmol/l; 2-hr MMTT glucose=9.5(3.3) mmol/l [mean(SD)]. Conclusion: The epidemiological IMI DIRECT cohorts are the most intensely characterised prospective studies of glycaemic deterioration to date. Data from these cohorts help illustrate the heterogeneous characteristics of people at risk of or with T2D, highlighting the rationale for biomarker stratification of the disease - the primary objective of the DIRECT consortium.

Objectives: 20-30% of patients with metformin treated type 2 diabetes experience gastrointestinal side effects leading to premature discontinuation in 5-10% of the cases. Gastrointestinal intolerance may reflect localised high concentrations of metformin in the gut. We hypothesized that reduced transport of metformin into the circulation via the plasma membrane monoamine transporter (PMAT) and organic cation transporter 1 (OCT1) could increase the risk of severe GI side effects. Research Design and Methods: The study included 286 severe metformin intolerant and 1128 tolerant individuals from the IMI DIRECT consortium. We assessed the association of patient characteristics, concomitant medication and the burden of mutations in the SLC29A4 and SLC22A1, genes that encode PMAT and OCT1, respectively, on odds of metformin intolerance using a logistic regression model. Results: Women (p < 0.001) and older people (p < 0.001) were more likely to develop metformin intolerance. Concomitant use of metformin transporter inhibiting drugs increased the odds of intolerance by more than 70% (OR = 1.72 [1.26-2.32], p < 0.001). In a logistic regression model adjusted for age, sex, weight and population substructure, the G allele at rs3889348 (SLC29A4) was associated with GI intolerance (OR = 1.34[1.09-1.65], p = 0.005). rs3889348 is the top cis-eQTL for SLC29A4 in gut tissue where carriers of the G allele had reduced expression. Homozygous carriers of the G allele treated with metformin transporter inhibiting drugs had over three times higher odds of intolerance compared to carriers of no G allele and not treated with inhibiting drugs (OR = 3.23 [1.71-6.39], p < 0.001). Using a genetic risk score (GRS) derived from SLC29A4 (rs3889348) and previously reported SLC22A1 variants (M420del, R61C, G401S), the odds of intolerance was more than twice in individuals who carry three or more risk alleles compared with those carrying none (OR = 2.15 [1.20-4.12], p = 0.01). Conclusions: These results suggest that intestinal metformin transporters and concomitant medications play an important role in gastrointestinal side effects of metformin.