Levels of low-density lipoprotein (LDL) cholesterol, high-density lipoprotein (HDL) cholesterol, triglycerides and total cholesterol are heritable, modifiable risk factors for coronary artery disease. To identify new loci and refine known loci influencing these lipids, we examined 188,577 individuals using genome-wide and custom genotyping arrays. We identify and annotate 157 loci associated with lipid levels at P < 5 × 10(-8), including 62 loci not previously associated with lipid levels in humans. Using dense genotyping in individuals of European, East Asian, South Asian and African ancestry, we narrow association signals in 12 loci. We find that loci associated with blood lipid levels are often associated with cardiovascular and metabolic traits, including coronary artery disease, type 2 diabetes, blood pressure, waist-hip ratio and body mass index. Our results demonstrate the value of using genetic data from individuals of diverse ancestry and provide insights into the biological mechanisms regulating blood lipids to guide future genetic, biological and therapeutic research.

Summary

Background

 Hypertension can be detected at the primary health-care level and low-cost treatments can effectively control hypertension. We aimed to measure the prevalence of hypertension and progress in its detection, treatment, and control from 1990 to 2019 for 200 countries and territories. 

Methods

 We used data from 1990 to 2019 on people aged 30–79 years from population-representative studies with measurement of blood pressure and data on blood pressure treatment. We defined hypertension as having systolic blood pressure 140 mm Hg or greater, diastolic blood pressure 90 mm Hg or greater, or taking medication for hypertension. We applied a Bayesian hierarchical model to estimate the prevalence of hypertension and the proportion of people with hypertension who had a previous diagnosis (detection), who were taking medication for hypertension (treatment), and whose hypertension was controlled to below 140/90 mm Hg (control). The model allowed for trends over time to be non-linear and to vary by age. 

Findings

 The number of people aged 30–79 years with hypertension doubled from 1990 to 2019, from 331 (95% credible interval 306–359) million women and 317 (292–344) million men in 1990 to 626 (584–668) million women and 652 (604–698) million men in 2019, despite stable global age-standardised prevalence. In 2019, age-standardised hypertension prevalence was lowest in Canada and Peru for both men and women; in Taiwan, South Korea, Japan, and some countries in western Europe including Switzerland, Spain, and the UK for women; and in several low-income and middle-income countries such as Eritrea, Bangladesh, Ethiopia, and Solomon Islands for men. Hypertension prevalence surpassed 50% for women in two countries and men in nine countries, in central and eastern Europe, central Asia, Oceania, and Latin America. Globally, 59% (55–62) of women and 49% (46–52) of men with hypertension reported a previous diagnosis of hypertension in 2019, and 47% (43–51) of women and 38% (35–41) of men were treated. Control rates among people with hypertension in 2019 were 23% (20–27) for women and 18% (16–21) for men. In 2019, treatment and control rates were highest in South Korea, Canada, and Iceland (treatment >70%; control >50%), followed by the USA, Costa Rica, Germany, Portugal, and Taiwan. Treatment rates were less than 25% for women and less than 20% for men in Nepal, Indonesia, and some countries in sub-Saharan Africa and Oceania. Control rates were below 10% for women and men in these countries and for men in some countries in north Africa, central and south Asia, and eastern Europe. Treatment and control rates have improved in most countries since 1990, but we found little change in most countries in sub-Saharan Africa and Oceania. Improvements were largest in high-income countries, central Europe, and some upper-middle-income and recently high-income countries including Costa Rica, Taiwan, Kazakhstan, South Africa, Brazil, Chile, Turkey, and Iran. 

Interpretation

 Improvements in the detection, treatment, and control of hypertension have varied substantially across countries, with some middle-income countries now outperforming most high-income nations. The dual approach of reducing hypertension prevalence through primary prevention and enhancing its treatment and control is achievable not only in high-income countries but also in low-income and middle-income settings. 

Funding

 WHO.

Background —Inflammatory reactions in coronary plaques play an important role in the pathogenesis of acute atherothrombotic events; inflammation elsewhere is also associated with both atherogenesis generally and its thrombotic complications. Recent studies indicate that systemic markers of inflammation can identify subjects at high risk of coronary events. Methods and Results —We used a sensitive immunoradiometric assay to examine the association of serum C-reactive protein (CRP) with the incidence of first major coronary heart disease (CHD) event in 936 men 45 to 64 years of age. The subjects, who were sampled at random from the general population, participated in the first MONICA Augsburg survey (1984 to 1985) and were followed for 8 years. There was a positive and statistically significant unadjusted relationship, which was linear on the log-hazards scale, between CRP values and the incidence of CHD events (n=53). The hazard rate ratio (HRR) of CHD events associated with a 1-SD increase in log-CRP level was 1.67 (95% CI, 1.29 to 2.17). After adjustment for age, the HRR was 1.60 (95% CI, 1.23 to 2.08). Adjusting further for smoking behavior, the only variable selected from a variety of potential confounders by a forward stepping process with a 5% change in the relative risk of CRP as the selection criterion, yielded an HRR of 1.50 (95% CI, 1.14 to 1.97). Conclusions —These results confirm the prognostic relevance of CRP, a sensitive systemic marker of inflammation, to the risk of CHD in a large, randomly selected cohort of initially healthy middle-aged men. They suggest that low-grade inflammation is involved in pathogenesis of atherosclerosis, especially its thrombo-occlusive complications.

Christopher Newton-Cheh and colleagues report a genome-wide association study for blood pressure traits as part of the Global BPgen consortium. They report eight loci with replicated association to systolic and/or diastolic blood pressure, with each also showing association to hypertension. Elevated blood pressure is a common, heritable cause of cardiovascular disease worldwide. To date, identification of common genetic variants influencing blood pressure has proven challenging. We tested 2.5 million genotyped and imputed SNPs for association with systolic and diastolic blood pressure in 34,433 subjects of European ancestry from the Global BPgen consortium and followed up findings with direct genotyping (N ≤ 71,225 European ancestry, N ≤ 12,889 Indian Asian ancestry) and in silico comparison (CHARGE consortium, N = 29,136). We identified association between systolic or diastolic blood pressure and common variants in eight regions near the CYP17A1 (P = 7 × 10−24), CYP1A2 (P = 1 × 10−23), FGF5 (P = 1 × 10−21), SH2B3 (P = 3 × 10−18), MTHFR (P = 2 × 10−13), c10orf107 (P = 1 × 10−9), ZNF652 (P = 5 × 10−9) and PLCD3 (P = 1 × 10−8) genes. All variants associated with continuous blood pressure were associated with dichotomous hypertension. These associations between common variants and blood pressure and hypertension offer mechanistic insights into the regulation of blood pressure and may point to novel targets for interventions to prevent cardiovascular disease.

Recent genome-wide association (GWA) studies of lipids have been conducted in samples ascertained for other phenotypes, particularly diabetes. Here we report the first GWA analysis of loci affecting total cholesterol (TC), low-density lipoprotein (LDL) cholesterol, high-density lipoprotein (HDL) cholesterol and triglycerides sampled randomly from 16 population-based cohorts and genotyped using mainly the Illumina HumanHap300-Duo platform. Our study included a total of 17,797-22,562 persons, aged 18-104 years and from geographic regions spanning from the Nordic countries to Southern Europe. We established 22 loci associated with serum lipid levels at a genome-wide significance level (P < 5 x 10(-8)), including 16 loci that were identified by previous GWA studies. The six newly identified loci in our cohort samples are ABCG5 (TC, P = 1.5 x 10(-11); LDL, P = 2.6 x 10(-10)), TMEM57 (TC, P = 5.4 x 10(-10)), CTCF-PRMT8 region (HDL, P = 8.3 x 10(-16)), DNAH11 (LDL, P = 6.1 x 10(-9)), FADS3-FADS2 (TC, P = 1.5 x 10(-10); LDL, P = 4.4 x 10(-13)) and MADD-FOLH1 region (HDL, P = 6 x 10(-11)). For three loci, effect sizes differed significantly by sex. Genetic risk scores based on lipid loci explain up to 4.8% of variation in lipids and were also associated with increased intima media thickness (P = 0.001) and coronary heart disease incidence (P = 0.04). The genetic risk score improves the screening of high-risk groups of dyslipidemia over classical risk factors.

Sekar Kathiresan and colleagues examine 185 common variants using a modified mendelian randomization approach and provide evidence supporting a causal role of triglyceride-rich lipoproteins in the development of coronary artery disease. Triglycerides are transported in plasma by specific triglyceride-rich lipoproteins; in epidemiological studies, increased triglyceride levels correlate with higher risk for coronary artery disease (CAD). However, it is unclear whether this association reflects causal processes. We used 185 common variants recently mapped for plasma lipids (P < 5 × 10−8 for each) to examine the role of triglycerides in risk for CAD. First, we highlight loci associated with both low-density lipoprotein cholesterol (LDL-C) and triglyceride levels, and we show that the direction and magnitude of the associations with both traits are factors in determining CAD risk. Second, we consider loci with only a strong association with triglycerides and show that these loci are also associated with CAD. Finally, in a model accounting for effects on LDL-C and/or high-density lipoprotein cholesterol (HDL-C) levels, the strength of a polymorphism's effect on triglyceride levels is correlated with the magnitude of its effect on CAD risk. These results suggest that triglyceride-rich lipoproteins causally influence risk for CAD.

Air pollution episodes have been consistently associated with increased mortality, and most strikingly with mortality due to cardiovascular disease. One hypothesis to explain this association is that inflammation of the peripheral airways caused by pollution might increase blood coagulability. We have tested this hypothesis in a cross-sectional study by comparing measurements of plasma viscosity during a severe episode of air pollution during 1985 with those made on less polluted days.Plasma viscosity was measured as part of the MONICA Augsburg survey during the winter of 1984-85 in 3256 randomly selected men and women aged 25-64 years. Daily mean concentrations of air pollutants and meteorological variables were measured in Augsburg as part of the automated Bavarian air-quality network. We compared measurements of plasma viscosity made in 324 people who attended for screening during the pollution episode and in 2932 people screened during the remainder of the survey period.In January, 1985, high concentrations of sulphur dioxide (mean 200 micrograms/m3) and total suspended particles (mean 98 micrograms/m3) were recorded during a 13-day period in Augsburg. In men, the odds ratio for plasma viscosity above the 95th percentile of the distribution (1.38 mPa s) was 3.6 (95% CI 1.6-8.1) comparing measurements during the air pollution episode with non-episode measurements after adjustment for cardiovascular risk factors and meteorological variables. The corresponding odds ratio for women (95th percentile of plasma viscosity 1.37 mPa s) was 2.3 (1.0-5.3). High concentrations of carbon monoxide were also associated with increased plasma viscosity in women.During the 1985 air pollution episode, an increased risk of extreme values of plasma viscosity was observed in both men and women. Altered blood rheology due to inflammatory processes in the lung that induce an acute-phase reaction might therefore be part of the pathological mechanisms linking air pollution to mortality.

Kari Stefansson and colleagues report genome-wide meta-analyses for association to smoking behaviors within the population cohorts of the ENGAGE consortium. They report three loci associated to cigarettes smoked per day. Smoking is a common risk factor for many diseases1. We conducted genome-wide association meta-analyses for the number of cigarettes smoked per day (CPD) in smokers (n = 31,266) and smoking initiation (n = 46,481) using samples from the ENGAGE Consortium. In a second stage, we tested selected SNPs with in silico replication in the Tobacco and Genetics (TAG) and Glaxo Smith Kline (Ox-GSK) consortia cohorts (n = 45,691 smokers) and assessed some of those in a third sample of European ancestry (n = 9,040). Variants in three genomic regions associated with CPD (P < 5 × 10−8), including previously identified SNPs at 15q25 represented by rs1051730[A] (effect size = 0.80 CPD, P = 2.4 × 10−69), and SNPs at 19q13 and 8p11, represented by rs4105144[C] (effect size = 0.39 CPD, P = 2.2 × 10−12) and rs6474412-T (effect size = 0.29 CPD, P = 1.4 × 10−8), respectively. Among the genes at the two newly associated loci are genes encoding nicotine-metabolizing enzymes (CYP2A6 and CYP2B6) and nicotinic acetylcholine receptor subunits (CHRNB3 and CHRNA6), all of which have been highlighted in previous studies of smoking and nicotine dependence2,3,4. Nominal associations with lung cancer were observed at both 8p11 (rs6474412[T], odds ratio (OR) = 1.09, P = 0.04) and 19q13 (rs4105144[C], OR = 1.12, P = 0.0006).

Article25 September 2012Open Access Novel biomarkers for pre-diabetes identified by metabolomics Rui Wang-Sattler Corresponding Author Rui Wang-Sattler Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Zhonghao Yu Zhonghao Yu Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christian Herder Christian Herder German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Ana C Messias Ana C Messias Institute of Structural Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Anna Floegel Anna Floegel Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Ying He Ying He Shanghai Center for Bioinformation Technology, Shanghai, China Key Lab of Systems Biology, Bioinformatics Center, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Katharina Heim Katharina Heim Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Monica Campillos Monica Campillos Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christina Holzapfel Christina Holzapfel Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Else Kroener-Fresenius-Center for Nutritional Medicine, University Hospital ‘Klinikum rechts der Isar’, Technische Universität München, Munich, Germany Search for more papers by this author Barbara Thorand Barbara Thorand Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Harald Grallert Harald Grallert Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Tao Xu Tao Xu Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Erik Bader Erik Bader Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Cornelia Huth Cornelia Huth Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Kirstin Mittelstrass Kirstin Mittelstrass Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Angela Döring Angela Döring Institute of Epidemiology I, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christa Meisinger Christa Meisinger Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christian Gieger Christian Gieger Institute of Genetic Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Cornelia Prehn Cornelia Prehn Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Werner Roemisch-Margl Werner Roemisch-Margl Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Maren Carstensen Maren Carstensen German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Lu Xie Lu Xie Shanghai Center for Bioinformation Technology, Shanghai, China Search for more papers by this author Hisami Yamanaka-Okumura Hisami Yamanaka-Okumura Department of Clinical Nutrition, Institute of Health Biosciences, University of Tokushima Graduate School, Tokushima, Japan Search for more papers by this author Guihong Xing Guihong Xing Benxi Diabetes Clinic, Benxi Central Hospital, Benxi, China Search for more papers by this author Uta Ceglarek Uta Ceglarek Institute of Laboratory Medicine, Clinical Chemistry and Molecular Diagnostics, University Hospital Leipzig, Leipzig, Germany Search for more papers by this author Joachim Thiery Joachim Thiery Institute of Laboratory Medicine, Clinical Chemistry and Molecular Diagnostics, University Hospital Leipzig, Leipzig, Germany Search for more papers by this author Guido Giani Guido Giani German Diabetes Center, Institute of Biometrics and Epidemiology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Heiko Lickert Heiko Lickert Institute of Diabetes and Regeneration Research, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Xu Lin Xu Lin Institute for Nutritional Sciences, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Yixue Li Yixue Li Shanghai Center for Bioinformation Technology, Shanghai, China Key Lab of Systems Biology, Bioinformatics Center, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Heiner Boeing Heiner Boeing Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Hans-Georg Joost Hans-Georg Joost Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Martin Hrabé de Angelis Martin Hrabé de Angelis Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Chair of Experimental Genetics, Technische Universität München, Munich, Germany Search for more papers by this author Wolfgang Rathmann Wolfgang Rathmann German Diabetes Center, Institute of Biometrics and Epidemiology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Karsten Suhre Karsten Suhre Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Faculty of Biology, Ludwig-Maximilians-Universität, Planegg-Martinsried, Germany Department of Physiology and Biophysics, Weill Cornell Medical College in Qatar (WCMC-Q), Doha, Qatar Search for more papers by this author Holger Prokisch Holger Prokisch Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Annette Peters Annette Peters Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Thomas Meitinger Thomas Meitinger Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Department of Metabolic Diseases, University Hospital Düsseldorf, Düsseldorf, Germany Search for more papers by this author Michael Roden Michael Roden German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Klinikum rechts der Isar, Technische Universität München, Munich, Germany Search for more papers by this author H-Erich Wichmann H-Erich Wichmann Institute of Epidemiology I, Helmholtz Zentrum München, Neuherberg, Germany Institute of Medical Informatics, Biometry and Epidemiology, Ludwig-Maximilians-Universität, Munich, Germany Search for more papers by this author Tobias Pischon Tobias Pischon Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Molecular Epidemiology Group, Max Delbrueck Center for Molecular Medicine (MDC), Berlin-Buch, Germany Search for more papers by this author Jerzy Adamski Jerzy Adamski Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Chair of Experimental Genetics, Technische Universität München, Munich, Germany Search for more papers by this author Thomas Illig Thomas Illig Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Hannover Unified Biobank, Hannover Medical School, Hannover, Germany Search for more papers by this author Rui Wang-Sattler Corresponding Author Rui Wang-Sattler Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Zhonghao Yu Zhonghao Yu Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christian Herder Christian Herder German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Ana C Messias Ana C Messias Institute of Structural Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Anna Floegel Anna Floegel Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Ying He Ying He Shanghai Center for Bioinformation Technology, Shanghai, China Key Lab of Systems Biology, Bioinformatics Center, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Katharina Heim Katharina Heim Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Monica Campillos Monica Campillos Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christina Holzapfel Christina Holzapfel Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Else Kroener-Fresenius-Center for Nutritional Medicine, University Hospital ‘Klinikum rechts der Isar’, Technische Universität München, Munich, Germany Search for more papers by this author Barbara Thorand Barbara Thorand Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Harald Grallert Harald Grallert Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Tao Xu Tao Xu Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Erik Bader Erik Bader Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Cornelia Huth Cornelia Huth Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Kirstin Mittelstrass Kirstin Mittelstrass Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Angela Döring Angela Döring Institute of Epidemiology I, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christa Meisinger Christa Meisinger Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Christian Gieger Christian Gieger Institute of Genetic Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Cornelia Prehn Cornelia Prehn Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Werner Roemisch-Margl Werner Roemisch-Margl Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Maren Carstensen Maren Carstensen German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Lu Xie Lu Xie Shanghai Center for Bioinformation Technology, Shanghai, China Search for more papers by this author Hisami Yamanaka-Okumura Hisami Yamanaka-Okumura Department of Clinical Nutrition, Institute of Health Biosciences, University of Tokushima Graduate School, Tokushima, Japan Search for more papers by this author Guihong Xing Guihong Xing Benxi Diabetes Clinic, Benxi Central Hospital, Benxi, China Search for more papers by this author Uta Ceglarek Uta Ceglarek Institute of Laboratory Medicine, Clinical Chemistry and Molecular Diagnostics, University Hospital Leipzig, Leipzig, Germany Search for more papers by this author Joachim Thiery Joachim Thiery Institute of Laboratory Medicine, Clinical Chemistry and Molecular Diagnostics, University Hospital Leipzig, Leipzig, Germany Search for more papers by this author Guido Giani Guido Giani German Diabetes Center, Institute of Biometrics and Epidemiology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Heiko Lickert Heiko Lickert Institute of Diabetes and Regeneration Research, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Xu Lin Xu Lin Institute for Nutritional Sciences, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Yixue Li Yixue Li Shanghai Center for Bioinformation Technology, Shanghai, China Key Lab of Systems Biology, Bioinformatics Center, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China Search for more papers by this author Heiner Boeing Heiner Boeing Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Hans-Georg Joost Hans-Georg Joost Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Search for more papers by this author Martin Hrabé de Angelis Martin Hrabé de Angelis Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Chair of Experimental Genetics, Technische Universität München, Munich, Germany Search for more papers by this author Wolfgang Rathmann Wolfgang Rathmann German Diabetes Center, Institute of Biometrics and Epidemiology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Search for more papers by this author Karsten Suhre Karsten Suhre Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany Faculty of Biology, Ludwig-Maximilians-Universität, Planegg-Martinsried, Germany Department of Physiology and Biophysics, Weill Cornell Medical College in Qatar (WCMC-Q), Doha, Qatar Search for more papers by this author Holger Prokisch Holger Prokisch Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Annette Peters Annette Peters Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany Search for more papers by this author Thomas Meitinger Thomas Meitinger Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany Department of Metabolic Diseases, University Hospital Düsseldorf, Düsseldorf, Germany Search for more papers by this author Michael Roden Michael Roden German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany Klinikum rechts der Isar, Technische Universität München, Munich, Germany Search for more papers by this author H-Erich Wichmann H-Erich Wichmann Institute of Epidemiology I, Helmholtz Zentrum München, Neuherberg, Germany Institute of Medical Informatics, Biometry and Epidemiology, Ludwig-Maximilians-Universität, Munich, Germany Search for more papers by this author Tobias Pischon Tobias Pischon Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany Molecular Epidemiology Group, Max Delbrueck Center for Molecular Medicine (MDC), Berlin-Buch, Germany Search for more papers by this author Jerzy Adamski Jerzy Adamski Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany Chair of Experimental Genetics, Technische Universität München, Munich, Germany Search for more papers by this author Thomas Illig Thomas Illig Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany Hannover Unified Biobank, Hannover Medical School, Hannover, Germany Search for more papers by this author Author Information Rui Wang-Sattler 1,‡, Zhonghao Yu1,‡, Christian Herder2,‡, Ana C Messias3,‡, Anna Floegel4, Ying He5,6, Katharina Heim7, Monica Campillos8, Christina Holzapfel1,9, Barbara Thorand10, Harald Grallert1, Tao Xu1, Erik Bader1, Cornelia Huth10, Kirstin Mittelstrass1, Angela Döring11, Christa Meisinger10, Christian Gieger12, Cornelia Prehn13, Werner Roemisch-Margl8, Maren Carstensen2, Lu Xie5, Hisami Yamanaka-Okumura14, Guihong Xing15, Uta Ceglarek16, Joachim Thiery16, Guido Giani17, Heiko Lickert18, Xu Lin19, Yixue Li5,6, Heiner Boeing4, Hans-Georg Joost4, Martin Hrabé de Angelis13,20, Wolfgang Rathmann17, Karsten Suhre8,21,22, Holger Prokisch7, Annette Peters10, Thomas Meitinger7,23, Michael Roden2,24, H-Erich Wichmann11,25, Tobias Pischon4,26, Jerzy Adamski13,20 and Thomas Illig1,27 1Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany 2German Diabetes Center, Institute for Clinical Diabetology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany 3Institute of Structural Biology, Helmholtz Zentrum München, Neuherberg, Germany 4Department of Epidemiology, German Institute of Human Nutrition Potsdam-Rehbruecke, Nuthetal, Germany 5Shanghai Center for Bioinformation Technology, Shanghai, China 6Key Lab of Systems Biology, Bioinformatics Center, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China 7Institute of Human Genetics, Helmholtz Zentrum München, Neuherberg, Germany 8Institute of Bioinformatics and Systems Biology, Helmholtz Zentrum München, Neuherberg, Germany 9Else Kroener-Fresenius-Center for Nutritional Medicine, University Hospital ‘Klinikum rechts der Isar’, Technische Universität München, Munich, Germany 10Institute of Epidemiology II, Helmholtz Zentrum München, Neuherberg, Germany 11Institute of Epidemiology I, Helmholtz Zentrum München, Neuherberg, Germany 12Institute of Genetic Epidemiology, Helmholtz Zentrum München, Neuherberg, Germany 13Genome Analysis Center, Institute of Experimental Genetics, Helmholtz Zentrum München, Neuherberg, Germany 14Department of Clinical Nutrition, Institute of Health Biosciences, University of Tokushima Graduate School, Tokushima, Japan 15Benxi Diabetes Clinic, Benxi Central Hospital, Benxi, China 16Institute of Laboratory Medicine, Clinical Chemistry and Molecular Diagnostics, University Hospital Leipzig, Leipzig, Germany 17German Diabetes Center, Institute of Biometrics and Epidemiology, Leibniz Center for Diabetes Research at Heinrich Heine University, Düsseldorf, Germany 18Institute of Diabetes and Regeneration Research, Helmholtz Zentrum München, Neuherberg, Germany 19Institute for Nutritional Sciences, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China 20Chair of Experimental Genetics, Technische Universität München, Munich, Germany 21Faculty of Biology, Ludwig-Maximilians-Universität, Planegg-Martinsried, Germany 22Department of Physiology and Biophysics, Weill Cornell Medical College in Qatar (WCMC-Q), Doha, Qatar 23Department of Metabolic Diseases, University Hospital Düsseldorf, Düsseldorf, Germany 24Klinikum rechts der Isar, Technische Universität München, Munich, Germany 25Institute of Medical Informatics, Biometry and Epidemiology, Ludwig-Maximilians-Universität, Munich, Germany 26Molecular Epidemiology Group, Max Delbrueck Center for Molecular Medicine (MDC), Berlin-Buch, Germany 27Hannover Unified Biobank, Hannover Medical School, Hannover, Germany ‡These authors contributed equally to this work *Corresponding author. Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, 85764 Munich-Neuherberg, Germany. Tel.:+49 89 3187 3978; Fax:+49 89 3187 2428; E-mail: [email protected] Molecular Systems Biology (2012)8:615https://doi.org/10.1038/msb.2012.43 PDFDownload PDF of article text and main figures. Peer ReviewDownload a summary of the editorial decision process including editorial decision letters, reviewer comments and author responses to feedback. ToolsAdd to favoritesDownload CitationsTrack CitationsPermissions ShareFacebookTwitterLinked InMendeleyWechatReddit Figures & Info Type 2 diabetes (T2D) can be prevented in pre-diabetic individuals with impaired glucose tolerance (IGT). Here, we have used a metabolomics approach to identify candidate biomarkers of pre-diabetes. We quantified 140 metabolites for 4297 fasting serum samples in the population-based Cooperative Health Research in the Region of Augsburg (KORA) cohort. Our study revealed significant metabolic variation in pre-diabetic individuals that are distinct from known diabetes risk indicators, such as glycosylated hemoglobin levels, fasting glucose and insulin. We identified three metabolites (glycine, lysophosphatidylcholine (LPC) (18:2) and acetylcarnitine) that had significantly altered levels in IGT individuals as compared to those with normal glucose tolerance, with P-values ranging from 2.4 × 10−4 to 2.1 × 10−13. Lower levels of glycine and LPC were found to be predictors not only for IGT but also for T2D, and were independently confirmed in the European Prospective Investigation into Cancer and Nutrition (EPIC)-Potsdam cohort. Using metabolite–protein network analysis, we identified seven T2D-related genes that are associated with these three IGT-specific metabolites by multiple interactions with four enzymes. The expression levels of these enzymes correlate with changes in the metabolite concentrations linked to diabetes. Our results may help developing novel strategies to prevent T2D. Synopsis A targeted metabolomics approach was used to identify candidate biomarkers of pre-diabetes. The relevance of the identified metabolites is further corroborated with a protein-metabolite interaction network and gene expression data. Three metabolites (glycine, lysophosphatidylcholine (LPC) (18:2) and acetylcarnitine C2) were found with significantly altered levels in pre-diabetic individuals compared with normal controls. Lower levels of glycine and LPC (18:2) were found to predict risks for pre-diabetes and type 2 diabetes (T2D). Seven T2D-related genes (PPARG, TCF7L2, HNF1A, GCK, IGF1, IRS1 and IDE) are functionally associated with the three identified metabolites. The unique combination of methodologies, including prospective population-based and nested case–control, as well as cross-sectional studies, was essential for the identification of the reported biomarkers. Introduction Type 2 diabetes (T2D) is defined by increased blood glucose levels due to pancreatic β-cell dysfunction and insulin resistance without evidence for specific causes, such as autoimmune destruction of pancreatic β-cells (Krebs et al, 2002; Stumvoll et al, 2005; Muoio and Newgard, 2008). A state of pre-diabetes (i.e., impaired fasting glucose (IFG) and/or impaired glucose tolerance (IGT)) with only slightly elevated blood glucose levels may precede T2D for years (McGarry, 2002; Tabak et al, 2012). The development of diabetes in pre-diabetic individuals can be prevented or delayed by dietary changes and increased physical activity (Tuomilehto et al, 2001; Knowler et al, 2002). However, no specific biomarkers that enable prevention have been reported. Metabolomics studies allow metabolites involved in disease mechanisms to be discovered by monitoring metabolite level changes in predisposed individuals compared with healthy ones (Shaham et al, 2008; Newgard et al, 2009; Zhao et al, 2010; Pietilainen et al, 2011; Rhee et al, 2011; Wang et al, 2011; Cheng et al, 2012; Goek et al, 2012). Altered metabolite levels may serve as diagnostic biomarkers and enable preventive action. Previous cross-sectional metabolomics studies of T2D were either based on small sample sizes (Shaham et al, 2008; Wopereis et al, 2009; Zhao et al, 2010; Pietilainen et al, 2011) or did not consider the influence of common risk factors of T2D (Newgard et al, 2009). Recently, based on prospective nested case–control studies with relative large samples (Rhee et al, 2011; Wang et al, 2011), five branched-chain and aromatic amino acids were identified as predictors of T2D (Wang et al, 2011). Here, using various comprehensive large-scale approaches, we measured metabolite concentration profiles (Yu et al, 2012) in the population-based (Holle et al, 2005; Wichmann et al, 2005) Cooperative Health Research in the Region of Augsburg (KORA) baseline (survey 4 (S4)) and follow-up (F4) studies (Rathmann et al, 2009; Meisinger et al, 2010; Jourdan et al, 2012). The results of these cross-sectional and prospective studies allowed us to (i) reliably identify candidate biomarkers of pre-diabetes and (ii) build metabolite–protein networks to understand diabetes-related metabolic pathways. Results Study participants Individuals with known T2D were identified by physician-validated self-reporting (Rathmann et al, 2010) and excluded from our analysis, to avoid potential influence from anti-diabetic medication with non-fasting participants and individuals with missing values (Figure 1A). Based on both fasting and 2-h glucose values (i.e., 2 h post oral 75 g glucose load), individuals were defined according to the WHO diagnostic criteria to have normal glucose tolerance (NGT), isolated IFG (i-IFG), IGT or newly diagnosed T2D (dT2D) (WHO, 1999; Rathmann et al, 2009; Meisinger et al, 2010; Supplementary Table S1). The sample sets include 91 dT2D patients and 1206 individuals with non-T2D, including 866 participants with NGT, 102 with i-IFG and 238 with IGT, in the cross-sectional KORA S4 (Figure 1A; study characteristics are shown in Table I). Of the 1010 individuals in a fasting state who participated at baseline and follow-up surveys (Figure 1B, study characteristics of the KORA F4 survey are shown in Supplementary Table S2), 876 of them were non-diabetic at baseline. Out of these, about 10% developed T2D (i.e., 91 incident T2D) (Figure 1C). From the 641 individuals with NGT at baseline, 18% developed IGT (i.e., 118 incident IGT) 7 years later (Figure 1D). The study characteristics of the prospective KORA S4→F4 are shown in Table II. Figure 1.Population description. Metabolomics screens in the KORA cohort, at baseline S4 (A), overlapped between S4 and F4 (B) and prospective (C, D). Participant numbers are shown. Normal glucose tolerance (NGT), isolated impaired fasting glucose (i-IFG), impaired glucose tolerance (IGT), type 2 diabetes mellitus (T2D) and newly diagnosed T2D (dT2D). Non-T2D individuals include NGT, i-IFG and IGT participants. Download figure Download PowerPoint Table 1. Characteristics of the KORA S4 cross-sectional study sample Clinical and laboratory parameters NGT i-IFG IGT dT2D N 866 102 238 91 Age (years) 63.5±5.5 64.1±5.2 65.2±5.2 65.9±5.4 Sex (female) (%) 52.2 30.4 44.9 41.8 BMI (kg/m2) 27.7±4.1 29.2±4 29.6±4.1 30.2±3.9 Physical activity (% >1 h per week) 46.7 35.3 39.9 36.3 Alcohol intakea (%) 20.2 20.5 25.2 24.2 Current smoker (%) 14.8 10.8 10.9 23.1 Systolic BP (mm Hg) 131.7±18.9 138.9±17.9 140.7±19.8 146.8±21.5 HDL cholesterol (mg/dl) 60.5±16.4 55.7±15.9 55.7±15.1 50.0±15.8 LDL cholesterol (mg/dl) 154.5±39.8 152.1±37.7 155.2±38.6 146.1±44.6 Triglycerides (mg/dl) 120.7±68.3 145.0±96.0 146.6±80.0 170.6±107.1 HbA1c (%) 5.56±0.33 5.62±0.33 5.66±0.39 6.21±0.83 Fasting glucose (mg/dl) 95.6±7.1 114.2±3.7 104.5±9.7 133.2±31.7 2-h Glucose (mg/dl) 102.1±21.0 109.3±18.7 163.4±16.4 232.1±63.7 Fasting insulin (μU/ml) 10.48±7.28 16.26±9.67 13.92±9.53 17.70±12.61 NGT, normal glucose tolerance; i-IFG, isolated impaired fasting glucose; IGT, impaired glucose tolerance; dT2D, newly diagnosed type 2 diabetes; BP, blood pressure; HDL, high-density lipoprotein; LDL, low-density lipoprotein. Percentages of individuals or means±s.d. are given for each variable and each group (NGT, i-IFG, IGT and dT2D). a ⩾20 g/day for women; ⩾40 g/day for men. Table 2. Characteristics of the KORA S4→F4 prospective study samples NGT at baseline (n=589) Non-T2D at baseline (n=876) Remained NGT at follow-up Developed IGT at follow-up Remained Non-T2D at follow-up Developed T2D at follow-up N 471 118 785 91 Age (years) 62.4±5.4 63.9±5.5 62.9±5.4 65.5±5.2 Sex (female) (%) 52.2 55.9 50.8 34.1 BMI (kg/m2) 27.2±3.8 28.2±3.9 27.9±4 30.2±3.6 Physical activity (% >1 h per week) 52.9 43.2 52.2 58.2 Alcohol intakea (%) 19.9 20.3 20.6 19.8 Smoker (%) 14.6 9.3 12.0 14.3 Systolic BP (mm Hg) 129.6±18.2 134.2±18.7 132.4±18.6 137.8±19 HDL cholesterol (mg/dl) 61.3±16.8 58.9±16.2 60.0±16.5 51.9±12.4 LDL cholesterol (mg/dl) 153.9±38.4 156.9±42.7 154.5±39.5 157.7±41.6 Triglycerides (mg/dl) 118.1±63.9 129.5±79.0 125.0±70.0 151.2±74.2 HbA1c (%) 5.54±0.33 5.59±0.34 5.6±0.3 5.8±0.4 Fasting glucose (mg/dl) 94.7±6.9 96.6±7.1 97.7±8.8 106.1±10.1 2-h Glucose (mg/dl) 98.2±20.5 109.9±16.8 109.3±28 145.9±32.3 Fasting insulin (μU/ml) 9.91±6.48 11

Metabolomics is the rapidly evolving field of the comprehensive measurement of ideally all endogenous metabolites in a biological fluid. However, no single analytic technique covers the entire spectrum of the human metabolome. Here we present results from a multiplatform study, in which we investigate what kind of results can presently be obtained in the field of diabetes research when combining metabolomics data collected on a complementary set of analytical platforms in the framework of an epidemiological study.40 individuals with self-reported diabetes and 60 controls (male, over 54 years) were randomly selected from the participants of the population-based KORA (Cooperative Health Research in the Region of Augsburg) study, representing an extensively phenotyped sample of the general German population. Concentrations of over 420 unique small molecules were determined in overnight-fasting blood using three different techniques, covering nuclear magnetic resonance and tandem mass spectrometry. Known biomarkers of diabetes could be replicated by this multiple metabolomic platform approach, including sugar metabolites (1,5-anhydroglucoitol), ketone bodies (3-hydroxybutyrate), and branched chain amino acids. In some cases, diabetes-related medication can be detected (pioglitazone, salicylic acid).Our study depicts the promising potential of metabolomics in diabetes research by identification of a series of known and also novel, deregulated metabolites that associate with diabetes. Key observations include perturbations of metabolic pathways linked to kidney dysfunction (3-indoxyl sulfate), lipid metabolism (glycerophospholipids, free fatty acids), and interaction with the gut microflora (bile acids). Our study suggests that metabolic markers hold the potential to detect diabetes-related complications already under sub-clinical conditions in the general population.