The UK Biobank project is a prospective cohort study with deep genetic and phenotypic data collected on approximately 500,000 individuals from across the United Kingdom, aged between 40 and 69 at recruitment. The open resource is unique in its size and scope. A rich variety of phenotypic and health-related information is available on each participant, including biological measurements, lifestyle indicators, biomarkers in blood and urine, and imaging of the body and brain. Follow-up information is provided by linking health and medical records. Genome-wide genotype data have been collected on all participants, providing many opportunities for the discovery of new genetic associations and the genetic bases of complex traits. Here we describe the centralized analysis of the genetic data, including genotype quality, properties of population structure and relatedness of the genetic data, and efficient phasing and genotype imputation that increases the number of testable variants to around 96 million. Classical allelic variation at 11 human leukocyte antigen genes was imputed, resulting in the recovery of signals with known associations between human leukocyte antigen alleles and many diseases. Deep phenotype and genome-wide genetic data from 500,000 individuals from the UK Biobank, describing population structure and relatedness in the cohort, and imputation to increase the number of testable variants to 96 million.

Abstract Eosinophilic granulomatosis with polyangiitis (EGPA) is a rare inflammatory disease of unknown cause. 30% of patients have anti-neutrophil cytoplasmic antibodies (ANCA) specific for myeloperoxidase (MPO). Here, we describe a genome-wide association study in 676 EGPA cases and 6809 controls, that identifies 4 EGPA-associated loci through conventional case-control analysis, and 4 additional associations through a conditional false discovery rate approach. Many variants are also associated with asthma and six are associated with eosinophil count in the general population. Through Mendelian randomisation, we show that a primary tendency to eosinophilia contributes to EGPA susceptibility. Stratification by ANCA reveals that EGPA comprises two genetically and clinically distinct syndromes. MPO+ ANCA EGPA is an eosinophilic autoimmune disease sharing certain clinical features and an HLA-DQ association with MPO+ ANCA-associated vasculitis, while ANCA-negative EGPA may instead have a mucosal/barrier dysfunction origin. Four candidate genes are targets of therapies in development, supporting their exploration in EGPA.

Abstract Neuroinflammation has been linked to DNA damage in multiple sclerosis (MS), but its impact on neural cell genomes at nucleotide resolution is unknown. To address this question, we performed single nucleus whole genome sequencing to determine the landscape of somatic mutation in 172 neurons and oligodendrocytes (OLs) extracted from post-mortem brain tissue from 5 MS cases and three controls. We identified two cases with a significant excess of somatic single nucleotide variants (sSNV) in neurons and OLs from MS inflammatory demyelinated lesions. For a case with primary progressive MS, this translated to a 68% increase in sSNV frequency and 32-year equivalent increase in biological age of lesion-resident cells. Mutational signature analysis conducted on all cells revealed that defective DNA repair and transcription-associated DNA damage are important mutagenic mechanism in both neurons and OLs in MS. Our findings provide the first evidence that inflammation in the brains of people with MS is associated with DNA damage, which may have implications for other neurodegenerative diseases and future drug development.

The human leukocyte antigen (HLA) genes play an essential role in immune function. Typing of HLA alleles is critical for transplantation and is informative for many disease associations. The high cost of accurate lab-based HLA typing has precluded its use in large-scale disease-association studies. The development of statistical methods to type alleles using linkage disequilibrium with nearby SNPs, called HLA imputation, has allowed large cohorts of individuals to be typed accurately, so that massive numbers of affected individuals and controls may be studied. This has resulted in many important findings. Several HLA imputation methods have been widely used, however their relative performance has not been adequately addressed. We have conducted a comprehensive study to evaluate the most widely used HLA imputation methods. We assembled a multi-ethnic panel of 10,561 individuals with SNP genotype data and lab-based typing of alleles at 11 HLA genes at two-field resolution, and used it to train and validate each method. Use of this panel leads to imputation accuracy far superior to what is currently publicly available. We present a highly-accurate new imputation method, HLA*IMP:03. We address the question of optimal use of HLA imputations in tests of genetic association, showing that it is usually not necessary to apply a probability threshold to achieve maximal power. We also investigated the effect on accuracy of SNP density and population stratification at the continental level and show that neither of these are a significant concern.

The UK Biobank project is a large prospective cohort study of ~500,000 individuals from across the United Kingdom, aged between 40-69 at recruitment. A rich variety of phenotypic and health-related information is available on each participant, making the resource unprecedented in its size and scope. Here we describe the genome-wide genotype data (~805,000 markers) collected on all individuals in the cohort and its quality control procedures. Genotype data on this scale offers novel opportunities for assessing quality issues, although the wide range of ancestries of the individuals in the cohort also creates particular challenges. We also conducted a set of analyses that reveal properties of the genetic data (such as population structure and relatedness) that can be important for downstream analyses. In addition, we phased and imputed genotypes into the dataset, using computationally efficient methods combined with the Haplotype Reference Consortium (HRC) and UK10K haplotype resource. This increases the number of testable variants by over 100-fold to ~96 million variants. We also imputed classical allelic variation at 11 human leukocyte antigen (HLA) genes, and as a quality control check of this imputation, we replicate signals of known associations between HLA alleles and many common diseases. We describe tools that allow efficient genome-wide association studies (GWAS) of multiple traits and fast phenome-wide association studies (PheWAS), which work together with a new compressed file format that has been used to distribute the dataset. As a further check of the genotyped and imputed datasets, we performed a test-case genome-wide association scan on a well-studied human trait, standing height.

We report the development of MHC*IMP, a method for imputing non-classical HLA and other genes in the human Major Histocompatibility Complex (MHC). We created a reference panel for 25 genes in the MHC using allele calls from Whole Genome Sequencing data, combined with SNP data for the same individuals. We used this to construct an allele imputation model, MHC*IMP, for each gene. Cross-validation showed that MHC*IMP performs very well, with allele prediction accuracy 93% or greater for all but two of the genes, and greater than 95% for all but four.

Genetic discovery from the multitude of phenotypes extractable from routine healthcare data has the ability to radically transform our understanding of the human phenome, thereby accelerating progress towards precision medicine. However, a critical question when analysing high-dimensional and heterogeneous data is how to interrogate increasingly specific subphenotypes whilst retaining statistical power to detect genetic associations. Here we develop and employ a novel Bayesian analysis framework that exploits the hierarchical structure of diagnosis classifications to jointly analyse genetic variants against UK Biobank healthcare phenotypes. Our method displays a more than 20% increase in power to detect genetic effects over other approaches, such that we uncover the broader burden of genetic variation: we identify associations with over 2,000 diagnostic terms. We find novel associations with common immune-mediated diseases (IMD), we reveal the extent of genetic sharing between specific IMDs, and we expose differences in disease perception or diagnosis with potential clinical implications.