Smoking is a potentially causal behavioral risk factor for type 2 diabetes (T2D), but not all smokers develop T2D. It is unknown whether genetic factors partially explain this variation. We performed genome-environment-wide interaction studies to identify loci exhibiting potential interaction with baseline smoking status (ever vs. never) on incident T2D and fasting glucose (FG). Analyses were performed in participants of European (EA) and African ancestry (AA) separately. Discovery analyses were conducted using genotype data from the 50,000-single-nucleotide polymorphism (SNP) ITMAT-Broad-CARe (IBC) array in 5 cohorts from from the Candidate Gene Association Resource Consortium (n = 23,189). Replication was performed in up to 16 studies from the Cohorts for Heart Aging Research in Genomic Epidemiology Consortium (n = 74,584). In meta-analysis of discovery and replication estimates, 5 SNPs met at least one criterion for potential interaction with smoking on incident T2D at p<1x10-7 (adjusted for multiple hypothesis-testing with the IBC array). Two SNPs had significant joint effects in the overall model and significant main effects only in one smoking stratum: rs140637 (FBN1) in AA individuals had a significant main effect only among smokers, and rs1444261 (closest gene C2orf63) in EA individuals had a significant main effect only among nonsmokers. Three additional SNPs were identified as having potential interaction by exhibiting a significant main effects only in smokers: rs1801232 (CUBN) in AA individuals, rs12243326 (TCF7L2) in EA individuals, and rs4132670 (TCF7L2) in EA individuals. No SNP met significance for potential interaction with smoking on baseline FG. The identification of these loci provides evidence for genetic interactions with smoking exposure that may explain some of the heterogeneity in the association between smoking and T2D.

The widespread dissemination of carbapenem-resistant Klebsiella pneumoniae (CRKP) and its drug resistance transfer poses a global public health threat. While previous studies outlined CRKP’s drug resistance mechanism, there is limited research on strategies inhibiting CRKP drug resistance spread. This study investigates the potential of Bifidobacterium longum (B. longum) FB1-1, a probiotic, in curbing the spread of drug resistance among CRKP by evaluating its cell-free supernatant (CFS) for antibacterial activity. Evaluating the inhibitory effect of FB1-1 CFS on CRKP drug resistance spread involved analyzing its impact on drug resistance and virulence gene expression; drug resistance plasmid transfer FB1-1 CFS exhibited an MIC range of 125 μL/mL against CRKP. After eight hours of co-culture, CFS achieved a 96% and 100% sterilization rate at two and four times the MIC, respectively. At sub-inhibitory concentrations (1/2× MIC), FB1-1 CFS reduced the expression of the bla_KPC gene, which is pivotal for carbapenem resistance, by up to 62.13% across different CRKP strains. Additionally, it markedly suppressed the expression of the uge gene, a key virulence factor, by up to 91%, and the fim_H gene, essential for bacterial adhesion, by up to 53.4%. Our study primarily focuses on determining the inhibitory effect of FB1-1 CFS on CRKP strains harboring the bla_KPC gene, which is a critical resistance determinant in CRKP. Furthermore, FB1-1 CFS demonstrated the ability to inhibit the transfer of drug resistance plasmids among CRKP strains, thus limiting the horizontal spread of resistance genes. This study highlights FB1-1 CFS's inhibitory effect on CRKP drug resistance spread, particularly in strains carrying the bla_KPC gene, thus offering a novel idea and theoretical foundation for developing antibacterial drugs targeting CRKP resistance.

Genotype-phenotype association studies often combine phenotype data from multiple studies to increase power. Harmonization of the data usually requires substantial effort due to heterogeneity in phenotype definitions, study design, data collection procedures, and data set organization. Here we describe a centralized system for phenotype harmonization that includes input from phenotype domain and study experts, quality control, documentation, reproducible results, and data sharing mechanisms. This system was developed for the National Heart, Lung and Blood Institute’s Trans-Omics for Precision Medicine (TOPMed) program, which is generating genomic and other omics data for >80 studies with extensive phenotype data. To date, 63 phenotypes have been harmonized across thousands of participants from up to 17 TOPMed studies per phenotype. We discuss the challenges faced in this undertaking and how they were addressed. The harmonized phenotype data and associated documentation have been submitted to National Institutes of Health data repositories for controlled-access by the scientific community. We also provide materials to facilitate future harmonization efforts by the community, which include (1) the code used to generate the 63 harmonized phenotypes, enabling others to reproduce, modify or extend these harmonizations to additional studies; and (2) results of labeling thousands of phenotype variables with controlled vocabulary terms.

Both short and long sleep are associated with an adverse lipid profile, likely through different biological pathways. To provide new insights in the biology of sleep-associated adverse lipid profile, we conducted multi-ancestry genome-wide sleep-SNP interaction analyses on three lipid traits (HDL-c, LDL-c and triglycerides). In the total study sample (discovery + replication) of 126,926 individuals from 5 different ancestry groups, when considering either long or short total sleep time interactions in joint analyses, we identified 49 novel lipid loci, and 10 additional novel lipid loci in a restricted sample of European-ancestry cohorts. In addition, we identified new gene-sleep interactions for known lipid loci such as LPL and PCSK9. The novel gene-sleep interactions had a modest explained variance in lipid levels: most notable, gene-short-sleep interactions explained 4.25% of the variance in triglyceride concentration. Collectively, these findings contribute to our understanding of the biological mechanisms involved in sleep-associated adverse lipid profiles.