Abstract Complicated associations between multiplexed environmental factors and aging are poorly understood. We manipulated aging using multidimensional metrics such as phenotypic age, brain age, and brain volumes in the UK Biobank. Weighted quantile sum regression was used to examine the relative individual contributions of multiplexed environmental factors to aging, and self-organizing maps (SOMs) were used to examine joint effects. Air pollution presented a relatively large contribution in most cases. We also found fair heterogeneities in which the same environmental factor contributed inconsistently to different aging metrics. Particulate matter contributed the most to variance in aging, while noise and green space showed considerable contribution to brain volumes. SOM identified five subpopulations with distinct environmental exposure patterns and the air pollution subpopulation had the worst aging status. This study reveals the heterogeneous associations of multiplexed environmental factors with multidimensional aging metrics and serves as a proof of concept when analyzing multifactors and multiple outcomes.

Genome-wide association studies (GWAS) have identified abundant genetic susceptibility loci, although they are far less from meeting the previous expectations due to low statistical power and false positive results. Effective statistical methods are required to further improve the analyses of massive GWAS data. Here we presented a new statistic (Robust Reference Powered Association Test, http://drwang.top/gwas.html) to use large public database as reference to reduce concern of potential population stratification. To evaluate the performance of this statistic for various situations, we simulated multiple sets of sample size and frequencies to compute statistical power. Furthermore, we applied our method to several real datasets (psoriasis genome-wide association datasets and schizophrenia genome-wide association dataset) to evaluate the performance. Careful analyses indicated that our newly developed statistic outperformed several previously developed GWAS applications. Importantly, this statistic is more robust than naive merging method in the presence of small control-reference differentiation, therefore likely to detect more association signals.

Altitude acclimatization is the physiological process of the human body adjusting to the decreased availability of oxygen. Since several physiological processes are involved and the relation among them is complicated, analyses of single-traits is insufficient in revealing the complex mechanism of high altitude acclimatization. In this study, we examined whether these physiological responses could be studied as composite phenotypes which are represented by a linear combination of physiological traits. We developed a strategy which combines both spectral clustering and Partial Least Squares Path Modeling (PLSPM) to define composite phenotypes based on a cohort study of 883 Chinese Han males. And we captured 14 composite phenotypes from 28 physiological traits of high altitude acclimatization. Using these composite phenotypes, we applied k-means clustering to reveal hidden population physiological heterogeneity in high altitude acclimatization. Furthermore, we employed multivariate linear regression to systematically model (Model 1 and Model 2) oxygen saturation (SpO2) changes in high altitude acclimatization and evaluated the model fitness performance. And composite phenotypes based Model 2 has better fitness than single-traits based Model 1 in all measurement indices. Therefore, this new strategy of defining and applying composite phenotypes can be considered as a general strategy of complex traits research, which may also shed light on genetic loci discovery and phenome analyses.

Mitochondria play a key role in lipid metabolism, and mitochondrial DNA (mtDNA) mutations are thus considered to affect obesity susceptibility by altering oxidative phosphorylation and mitochondrial function. In this study, we investigated mtDNA variants that may affect obesity risk in 2877 Han Chinese individuals from three independent populations. The association analysis of 16 basal mtDNA haplogroups with body mass index, waist circumference, and waist-to-hip ratio revealed that only haplogroup M7 was significantly negatively correlated with all three adiposity-related anthropometric traits in the overall cohort, verified by the analysis of a single population, i.e., the Zhengzhou population. Furthermore, subhaplogroup analysis suggested that M7b1a1 was the most likely haplogroup associated with a decreased obesity risk, and the variation T12811C (causing Y159H in ND5) harbored in M7b1a1 may be the most likely candidate for altering the mitochondrial function. Specifically, we found that proportionally more nonsynonymous mutations accumulated in M7b1a1 carriers, indicating that M7b1a1 was either under positive selection or subject to a relaxation of selective constraints. We also found that nuclear variants, especially in DACT2 and PIEZO1, may functionally interact with M7b1a1.

Abstract Background Physiological networks are highly complex, integrating connections among multiple organ systems and their dynamic changes underlying human aging. It is unknown whether individual-level network could serve as robust biomarkers for health and aging. Methods We used personalized network analysis to construct single sample network and examine the associations between network properties and functional disability in the Rugao Longevity and Aging Study (RuLAS), the China Health and Retirement Longitudinal Study (CHARLS), the Chinese Longitudinal Healthy Longevity Survey (CLHLS), and the National Health and Nutrition Examination Survey (NHANES). Results We observed impairments in interconnected physiological systems among long-lived adults in RuLAS. Single sample network analysis was applied to reflect the co-occurrence of these multi-system impairments at the individual level. The ADL-disabled individuals' networks exhibited notably increased connectivity among various biomarkers. Significant associations were found between network topology and functional disability across RuLAS, CHARLS, CLHLS and NHANES. Additionally, network topology served as novel biomarkers to capture risks of incident ADL disability in CHARLS. Furthermore, these metrics of physiological network topology predicted mortality across four cohorts. Sensitivity analysis demonstrated that prediction performance of network topology remained robust, regardless of the chosen biomarkers and parameters. Conclusion These findings showed that metrics of network topology were sensitive and robust biomarkers to capture risks of functional disability and mortality, highlighting the role of single sample physiological networks as novel biomarker for health and aging.