Patrick Concannon and colleagues present a type 1 diabetes genome-wide association study and meta-analysis in 7,514 cases and 9,045 reference samples, reporting 22 newly identified loci. Type 1 diabetes (T1D) is a common autoimmune disorder that arises from the action of multiple genetic and environmental risk factors. We report the findings of a genome-wide association study of T1D, combined in a meta-analysis with two previously published studies. The total sample set included 7,514 cases and 9,045 reference samples. Forty-one distinct genomic locations provided evidence for association with T1D in the meta-analysis (P < 10−6). After excluding previously reported associations, we further tested 27 regions in an independent set of 4,267 cases, 4,463 controls and 2,319 affected sib-pair (ASP) families. Of these, 18 regions were replicated (P < 0.01; overall P < 5 × 10−8) and 4 additional regions provided nominal evidence of replication (P < 0.05). The many new candidate genes suggested by these results include IL10, IL19, IL20, GLIS3, CD69 and IL27.

The Wellcome Trust Case Control Consortium (WTCCC) primary genome-wide association (GWA) scan1 on seven diseases, including the multifactorial autoimmune disease type 1 diabetes (T1D), shows associations at P < 5 × 10−7 between T1D and six chromosome regions: 12q24, 12q13, 16p13, 18p11, 12p13 and 4q27. Here, we attempted to validate these and six other top findings in 4,000 individuals with T1D, 5,000 controls and 2,997 family trios independent of the WTCCC study. We confirmed unequivocally the associations of 12q24, 12q13, 16p13 and 18p11 (Pfollow-up ≤ 1.35 × 10−9; Poverall ≤ 1.15 × 10−14), leaving eight regions with small effects or false-positive associations. We also obtained evidence for chromosome 18q22 (Poverall = 1.38 × 10−8) from a GWA study of nonsynonymous SNPs. Several regions, including 18q22 and 18p11, showed association with autoimmune thyroid disease. This study increases the number of T1D loci with compelling evidence from six to at least ten.

Copy number variants (CNVs) account for a major proportion of human genetic polymorphism and have been predicted to have an important role in genetic susceptibility to common disease. To address this we undertook a large, direct genome-wide study of association between CNVs and eight common human diseases. Using a purpose-designed array we typed ∼19,000 individuals into distinct copy-number classes at 3,432 polymorphic CNVs, including an estimated ∼50% of all common CNVs larger than 500 base pairs. We identified several biological artefacts that lead to false-positive associations, including systematic CNV differences between DNAs derived from blood and cell lines. Association testing and follow-up replication analyses confirmed three loci where CNVs were associated with disease—IRGM for Crohn’s disease, HLA for Crohn’s disease, rheumatoid arthritis and type 1 diabetes, and TSPAN8 for type 2 diabetes—although in each case the locus had previously been identified in single nucleotide polymorphism (SNP)-based studies, reflecting our observation that most common CNVs that are well-typed on our array are well tagged by SNPs and so have been indirectly explored through SNP studies. We conclude that common CNVs that can be typed on existing platforms are unlikely to contribute greatly to the genetic basis of common human diseases. Copy number variations or CNVs are a common form of genetic variation between individuals, caused by genomic rearrangements, either inherited or due to de novo mutation. A major collaborative effort using tiling oligonucleotide microarrays and HapMap samples has generated a comprehensive working map of 11,700 CNVs in the human genome. About half of these were also genotyped in individuals of different ancestry — European, African or East Asian. Thirty loci with CNVs that are candidates for influencing disease susceptibility were identified. Published online last October, this vast data set is a landmark in terms of completeness and spatial resolution, and as John Armour wrote in News & Views , is likely to stand as a definitive resource for years to come. This resource is the main focus of a new genome-wide association study, from the Wellcome Trust Case Control Consortium, of the links between common CNVs and eight common human diseases. Providing a wealth of technical insights to inform future study design and analysis, the Wellcome study also implies that common CNVs that can be genotyped using existing platforms are unlikely to have a major role in the genetic basis of common diseases. Copy number variants (CNVs) account for a major proportion of human genetic diversity and may contribute to genetic susceptibility to disease. Here, a large, genome-wide study of association between common CNVs and eight common human diseases is presented. The study provides a wealth of technical insights that will inform future study design and analysis. The results also indicate that common CNVs that can be 'typed' on existing platforms are unlikely to contribute much to the genetic basis of common diseases.

The MHC complex, occupying a sizeable section of human chromosome 6, is linked to almost all known autoimmune disorders. A new study uses a large data set from the Wellcome Trust Case Control Consortium to focus more closely on the MHC genes linked to a specific disease, childhood diabetes. Two susceptibility genes emerge: HLA-A and HLA-B. The discovery clarifies the aetiology of type 1 diabetes and points to a class of peptides worth studying in the search for vaccination strategies. New methods and larger sample groups are used to precisely determine the alleles in the HLA complex which contribute susceptibility to type 1 diabetes. The major histocompatibility complex (MHC) on chromosome 6 is associated with susceptibility to more common diseases than any other region of the human genome, including almost all disorders classified as autoimmune. In type 1 diabetes the major genetic susceptibility determinants have been mapped to the MHC class II genes HLA-DQB1 and HLA-DRB1 (refs 1–3), but these genes cannot completely explain the association between type 1 diabetes and the MHC region4,5,6,7,8,9,10,11. Owing to the region’s extreme gene density, the multiplicity of disease-associated alleles, strong associations between alleles, limited genotyping capability, and inadequate statistical approaches and sample sizes, which, and how many, loci within the MHC determine susceptibility remains unclear. Here, in several large type 1 diabetes data sets, we analyse a combined total of 1,729 polymorphisms, and apply statistical methods—recursive partitioning and regression—to pinpoint disease susceptibility to the MHC class I genes HLA-B and HLA-A (risk ratios >1.5; Pcombined = 2.01 × 10-19 and 2.35 × 10-13, respectively) in addition to the established associations of the MHC class II genes. Other loci with smaller and/or rarer effects might also be involved, but to find these, future searches must take into account both the HLA class II and class I genes and use even larger samples. Taken together with previous studies4,5,6,7,8,10,11,12,13,14,15,16 , we conclude that MHC-class-I-mediated events, principally involving HLA-B*39, contribute to the aetiology of type 1 diabetes.

In the genetic analysis of common, multifactorial diseases, such as type 1 diabetes, true positive irrefutable linkage and association results have been rare to date. Recently, it has been reported that a single nucleotide polymorphism (SNP), 1858C&gt;T, in the gene PTPN22, encoding Arg620Trp in the lymphoid protein tyrosine phosphatase (LYP), which has been shown to be a negative regulator of T-cell activation, is associated with an increased risk of type 1 diabetes. Here, we have replicated these findings in 1,388 type 1 diabetic families and in a collection of 1,599 case and 1,718 control subjects, confirming the association of the PTPN22 locus with type 1 diabetes (family-based relative risk (RR) 1.67 [95% CI 1.46–1.91], and case-control odds ratio (OR) 1.78 [95% CI 1.54–2.06]; overall P = 6.02 × 10−27). We also report evidence for an association of Trp620 with another autoimmune disorder, Graves’ disease, in 1,734 case and control subjects (P = 6.24 × 10−4; OR 1.43 [95% CI 1.17–1.76]). Taken together, these results indicate a more general association of the PTPN22 locus with autoimmune disease.

Identification of candidate causal variants in regions associated with risk of common diseases is complicated by linkage disequilibrium (LD) and multiple association signals. Nonetheless, accurate maps of these variants are needed, both to fully exploit detailed cell specific chromatin annotation data to highlight disease causal mechanisms and cells, and for design of the functional studies that will ultimately be required to confirm causal mechanisms. We adapted a Bayesian evolutionary stochastic search algorithm to the fine mapping problem, and demonstrated its improved performance over conventional stepwise and regularised regression through simulation studies. We then applied it to fine map the established multiple sclerosis (MS) and type 1 diabetes (T1D) associations in the IL-2RA (CD25) gene region. For T1D, both stepwise and stochastic search approaches identified four T1D association signals, with the major effect tagged by the single nucleotide polymorphism, rs12722496. In contrast, for MS, the stochastic search found two distinct competing models: a single candidate causal variant, tagged by rs2104286 and reported previously using stepwise analysis; and a more complex model with two association signals, one of which was tagged by the major T1D associated rs12722496 and the other by rs56382813. There is low to moderate LD between rs2104286 and both rs12722496 and rs56382813 (r2 =~ 0.3) and our two SNP model could not be recovered through a forward stepwise search after conditioning on rs2104286. Both signals in the two variant model for MS affect CD25 expression on distinct subpopulations of CD4 + T cells, which are key cells in the autoimmune process. The results support a shared causal variant for T1D and MS. Our study illustrates the benefit of using a purposely designed model search strategy for fine mapping and the advantage of combining disease and protein expression data.