Abstract Polycystic ovary syndrome (PCOS) is a common, highly heritable complex disorder of unknown aetiology characterized by hyperandrogenism, chronic anovulation and defects in glucose homeostasis. Increased luteinizing hormone relative to follicle-stimulating hormone secretion, insulin resistance and developmental exposure to androgens are hypothesized to play a causal role in PCOS. Here we map common genetic susceptibility loci in European ancestry women for the National Institutes of Health PCOS phenotype, which confers the highest risk for metabolic morbidities, as well as reproductive hormone levels. Three loci reach genome-wide significance in the case–control meta-analysis, two novel loci mapping to chr 8p23.1 and chr 11p14.1, and a chr 9q22.32 locus previously found in Chinese PCOS. The same chr 11p14.1 SNP, rs11031006, in the region of the follicle-stimulating hormone B polypeptide ( FSHB ) gene strongly associates with PCOS diagnosis and luteinizing hormone levels. These findings implicate neuroendocrine changes in disease pathogenesis.

Genome-wide association studies (GWAS) are being conducted at an unprecedented rate in population-based cohorts and have increased our understanding of the pathophysiology of complex disease. Regardless of context, the practical utility of this information will ultimately depend upon the quality of the original data. Quality control (QC) procedures for GWAS are computationally intensive, operationally challenging, and constantly evolving. Here we enumerate some of the challenges in QC of GWAS data and describe the approaches that the electronic MEdical Records and Genomics (eMERGE) network is using for quality assurance in GWAS data, thereby minimizing potential bias and error in GWAS results. We discuss common issues associated with QC of GWAS data, including data file formats, software packages for data manipulation and analysis, sex chromosome anomalies, sample identity, sample relatedness, population substructure, batch effects, and marker quality. We propose best practices and discuss areas of ongoing and future research.

Genome-wide association studies (GWAS) require high specificity and large numbers of subjects to identify genotype-phenotype correlations accurately. The aim of this study was to identify type 2 diabetes (T2D) cases and controls for a GWAS, using data captured through routine clinical care across five institutions using different electronic medical record (EMR) systems.An algorithm was developed to identify T2D cases and controls based on a combination of diagnoses, medications, and laboratory results. The performance of the algorithm was validated at three of the five participating institutions compared against clinician review. A GWAS was subsequently performed using cases and controls identified by the algorithm, with samples pooled across all five institutions.The algorithm achieved 98% and 100% positive predictive values for the identification of diabetic cases and controls, respectively, as compared against clinician review. By standardizing and applying the algorithm across institutions, 3353 cases and 3352 controls were identified. Subsequent GWAS using data from five institutions replicated the TCF7L2 gene variant (rs7903146) previously associated with T2D.By applying stringent criteria to EMR data collected through routine clinical care, cases and controls for a GWAS were identified that subsequently replicated a known genetic variant. The use of standard terminologies to define data elements enabled pooling of subjects and data across five different institutions to achieve the robust numbers required for GWAS.An algorithm using commonly available data from five different EMR can accurately identify T2D cases and controls for genetic study across multiple institutions.

Importance

 Neonates born to overweight or obese women are larger and at higher risk of birth complications. Many maternal obesity-related traits are observationally associated with birth weight, but the causal nature of these associations is uncertain. 

Objective

 To test for genetic evidence of causal associations of maternal body mass index (BMI) and related traits with birth weight. 

Design, Setting, and Participants

 Mendelian randomization to test whether maternal BMI and obesity-related traits are potentially causally related to offspring birth weight. Data from 30 487 women in 18 studies were analyzed. Participants were of European ancestry from population- or community-based studies in Europe, North America, or Australia and were part of the Early Growth Genetics Consortium. Live, term, singleton offspring born between 1929 and 2013 were included. 

Exposures

 Genetic scores for BMI, fasting glucose level, type 2 diabetes, systolic blood pressure (SBP), triglyceride level, high-density lipoprotein cholesterol (HDL-C) level, vitamin D status, and adiponectin level. 

Main Outcome and Measure

 Offspring birth weight from 18 studies. 

Results

 Among the 30 487 newborns the mean birth weight in the various cohorts ranged from 3325 g to 3679 g. The maternal genetic score for BMI was associated with a 2-g (95% CI, 0 to 3 g) higher offspring birth weight per maternal BMI-raising allele (P = .008). The maternal genetic scores for fasting glucose and SBP were also associated with birth weight with effect sizes of 8 g (95% CI, 6 to 10 g) per glucose-raising allele (P = 7 × 10⁻¹⁴) and −4 g (95% CI, −6 to −2g) per SBP-raising allele (P = 1×10⁻⁵), respectively. A 1-SD ( ≈ 4 points) genetically higher maternal BMI was associated with a 55-g higher offspring birth weight (95% CI, 17 to 93 g). A 1-SD ( ≈ 7.2 mg/dL) genetically higher maternal fasting glucose concentration was associated with 114-g higher offspring birth weight (95% CI, 80 to 147 g). However, a 1-SD ( ≈ 10 mm Hg) genetically higher maternal SBP was associated with a 208-g lower offspring birth weight (95% CI, −394 to −21 g). For BMI and fasting glucose, genetic associations were consistent with the observational associations, but for systolic blood pressure, the genetic and observational associations were in opposite directions. 

Conclusions and Relevance

 In this mendelian randomization study, genetically elevated maternal BMI and blood glucose levels were potentially causally associated with higher offspring birth weight, whereas genetically elevated maternal SBP was potentially causally related to lower birth weight. If replicated, these findings may have implications for counseling and managing pregnancies to avoid adverse weight-related birth outcomes.

Objective: Genetic screening is the gold standard for biogeographical ancestry (i.e. race), but this information is often unavailable to those developing research studies. We assessed agreement between census- and electronic health record (EHR)-derived demographic data with genetic ancestry to determine if these sources could support selection of diverse cohorts. Materials and Methods: We identified a population of 4,837 genotyped patients and determined concordance between genetic measures of ancestry against race derived from decennial nationwide census, electronic medical records, and self-report. Results: We identified a 90% or greater concordance between the EHR-derived data and genetic ancestry. Census data had a high concordance (97%) with genetic and self reported data for patients of European ancestry but low concordance for patients of African ancestry (64%). Discussion and Conclusions: The high concordance between EHR-derived race and genetic ancestry suggests that EHR-derived information could be an effective proxy for race when recruiting for diverse research cohorts.