Abstract Biological ageing estimators derived from DNA methylation (DNAm) data are heritable and correlate with morbidity and mortality. Leveraging DNAm and SNP data from >41,000 individuals, we identify 137 genome-wide significant loci (113 novel) from meta-analyses of four epigenetic clocks and epigenetic surrogate markers for granulocyte proportions and plasminogen activator inhibitor 1 levels, respectively. We report strong genetic correlations with longevity and lifestyle factors such as smoking, education, and obesity. Significant associations are observed in polygenic risk score analysis and to a lesser extent in Mendelian randomization analyses. This study illuminates the genetic architecture underlying epigenetic ageing and its shared genetic contributions with lifestyle factors and longevity.

Abstract Background Information on long-term alcohol consumption is relevant for medical and public health research, disease therapy, and other areas. Recently, DNA methylation-based inference of alcohol consumption from blood was reported with high accuracy, but these results were based on employing the same dataset for model training and testing, which can lead to accuracy overestimation. Moreover, only subsets of alcohol consumption categories were used, which makes it impossible to extrapolate such models to the general population. By using data from eight population-based European cohorts ( N = 4677), we internally and externally validated the previously reported biomarkers and models for epigenetic inference of alcohol consumption from blood and developed new models comprising all data from all categories. Results By employing data from six European cohorts ( N = 2883), we empirically tested the reproducibility of the previously suggested biomarkers and prediction models via ten-fold internal cross-validation. In contrast to previous findings, all seven models based on 144-CpGs yielded lower mean AUCs compared to the models with less CpGs. For instance, the 144-CpG heavy versus non-drinkers model gave an AUC of 0.78 ± 0.06, while the 5 and 23 CpG models achieved 0.83 ± 0.05, respectively. The transportability of the models was empirically tested via external validation in three independent European cohorts ( N = 1794), revealing high AUC variance between datasets within models. For instance, the 144-CpG heavy versus non-drinkers model yielded AUCs ranging from 0.60 to 0.84 between datasets. The newly developed models that considered data from all categories showed low AUCs but gave low AUC variation in the external validation. For instance, the 144-CpG heavy and at-risk versus light and non-drinkers model achieved AUCs of 0.67 ± 0.02 in the internal cross-validation and 0.61–0.66 in the external validation datasets. Conclusions The outcomes of our internal and external validation demonstrate that the previously reported prediction models suffer from both overfitting and accuracy overestimation. Our results show that the previously proposed biomarkers are not yet sufficient for accurate and robust inference of alcohol consumption from blood. Overall, our findings imply that DNA methylation prediction biomarkers and models need to be improved considerably before epigenetic inference of alcohol consumption from blood can be considered for practical applications.

Abstract Variation in metabolite levels reflects individual differences in genetic and environmental factors. Here, we investigated the role of these factors in urinary metabolomics data in children. We examined the effects of sex and age on 86 metabolites, as measured on three metabolomics platforms that target amines, organic acids, and steroid hormones. Next, we estimated their heritability in a twin cohort of 1300 twins (age range: 5.7 - 12.9 years). We observed associations between age and 50 metabolites and between sex and 21 metabolites. The mean monozygotic (MZ) and dizygotic (DZ) correlations for urinary metabolites were 0.51 (range: 0.25-0.75) and 0.16 (range: 0.01-0.46) for the amines, 0.52 (range: 0.33-0.64) and 0.23 (range: 0.07-0.35) for the organic acids, and 0.61 (range: 0.43-0.81) and 0.25 (range: 0.11-0.44) for the steroids. Broad-sense heritability was 0.49 (range: 0.25-0.64), 0.50 (range: 0.33-0.62), and 0.64 (range: 0.43-0.81) for 50 amines, 13 organic acids, and 6 steroids, and narrow-sense heritability was 0.50 (range: 0.37-0.68), 0.50 (0.23-0.61), and 0.47 (range: 0.32-0.70) for 6 amines, 7 organic acids, and 4 steroids. We conclude that urinary metabolites in children have substantial heritability, with similar estimates for amines and organic acids, and higher estimates for steroid hormones.

Most disease associated genetic risk factors are non-coding, making it challenging to design experiments to understand their functional consequences. Identification of expression quantitative trait loci (eQTLs) has been a powerful approach to infer downstream effects of disease variants but the large majority remains unexplained.. The analysis of DNA methylation, a key component of the epigenome, offers highly complementary data on the regulatory potential of genomic regions. However, a large-scale, combined analysis of methylome and transcriptome data to infer downstream effects of disease variants is lacking. Here, we show that disease variants have wide-spread effects on DNA methylation in trans that likely reflect the downstream effects on binding sites of cis-regulated transcription factors. Using data on 3,841 Dutch samples, we detected 272,037 independent cis-meQTLs (FDR < 0.05) and identified 1,907 trait-associated SNPs that affect methylation levels of 10,141 different CpG sites in trans (FDR < 0.05), an eight-fold increase in the number of downstream effects that was known from trans-eQTL studies. Trans-meQTL CpG sites are enriched for active regulatory regions, being correlated with gene expression and overlap with Hi-C determined interchromosomal contacts. We detected many trans-meQTL SNPs that affect expression levels of nearby transcription factors (including NFKB1, CTCF and NKX2-3), while the corresponding trans-meQTL CpG sites frequently coincide with its respective binding site. Trans-meQTL mapping therefore provides a strategy for identifying and better understanding downstream functional effects of many disease-associated variants.

Phenotypes related to well-being (life satisfaction, positive affect, neuroticism, and depressive symptoms), are genetically highly correlated (| rg | > .75). Multivariate genome-wide analyses (Nobs = 958,149) of these traits, collectively referred to as the well-being spectrum, reveals 63 significant independent signals, of which 29 were not previously identified. Transcriptome and epigenome analyses implicate variation in gene expression at 8 additional loci and CpG methylation at 6 additional loci in the etiology of well-being. We leverage an anatomically comprehensive survey of gene expression in the brain to annotate our findings, showing that SNPs within genes excessively expressed in the cortex and part of the hippocampal formation are enriched in their effect on well-being.

DNA methylation, which is modulated by both genetic factors and environmental exposures, may offer a unique opportunity to discover novel biomarkers of disease-related brain phenotypes, even when measured in other tissues than brain, such as blood. A few studies of small sample sizes have revealed associations between blood DNA methylation and neuropsychopathology, however, large-scale epigenome-wide association studies (EWAS) are needed to investigate the utility of DNA methylation profiling as a peripheral marker for the brain. Here, in an analysis of eleven international cohorts, totalling 3,337 individuals, we report epigenome-wide meta-analyses of blood DNA methylation with volumes of the hippocampus, thalamus and nucleus accumbens (NAcc) -three subcortical regions selected for their associations with disease and heritability and volumetric variability. Analyses of individual CpGs revealed genome-wide significant associations with hippocampal volume at two loci. No significant associations were found for analyses of thalamus and nucleus accumbens volumes. CpG sites associated with hippocampus volume were significantly enriched within cancer-related genes and within regulatory elements containing the transcriptionally repressive histone H3K27 tri-methylation mark that is vital for stem cell fate specification. Cluster-based analyses revealed additional differentially methylated regions (DMRs) associated with hippocampal volume. DNA methylation at these loci affected expression of proximal genes involved in in learning and memory, stem cell maintenance and differentiation, fatty acid metabolism and type-2 diabetes. These DNA methylation marks, their interaction with genetic variants and their impact on gene expression offer new insights into the relationship between epigenetic variation and brain structure and may provide the basis for biomarker discovery in neurodegeneration and neuropsychiatric conditions.

While many disease-associated variants have been identified through genome-wide association studies, their downstream molecular consequences remain unclear. To identify these effects, we performed cis- and trans-expression quantitative trait locus (eQTL) analysis in blood from 31,684 individuals through the eQTLGen Consortium. We observed that cis-eQTLs can be detected for 88% of the studied genes, but that they have a different genetic architecture compared to disease-associated variants, limiting our ability to use cis-eQTLs to pinpoint causal genes within susceptibility loci. In contrast, trans-eQTLs (detected for 37% of 10,317 studied trait-associated variants) were more informative. Multiple unlinked variants, associated to the same complex trait, often converged on trans-genes that are known to play central roles in disease etiology. We observed the same when ascertaining the effect of polygenic scores calculated for 1,263 genome-wide association study (GWAS) traits. Expression levels of 13% of the studied genes correlated with polygenic scores, and many resulting genes are known to drive these traits.

Both gene methylation and the gut microbiome are partially determined by host genetics and partially by environment. We investigated the relations between gene methylation in blood and the abundance of common gut bacteria profiled by 16s rRNA gene sequencing in two population based Dutch cohorts: LifeLinesDeep (LLD, n = 616, discovery) and the Netherlands Twin Register (NTR, n = 296, replication). In LLD, we also explored microbiome composition using data generated by shotgun metagenomic sequencing (n = 683). We then investigated if genetic and environmental factors can explain the methylation and microbiota associations in a set of 78 associated CpG x taxa pairs from the EWAS meta analysis. In both cohorts, blood and stool samples were collected within 2 weeks of each other. Methylation was profiled in blood samples using the Illumina 450K array. Methylation and microbiome analysis pipelines were harmonized across cohorts. Epigenome wide association study (EWAS) of microbial features were analysed using linear regression with adjustment for technical covariates. Discovery and replication analysis using 16s data identified two independent CpGs associated with the genus Eggerthella: cg16586104 (Pmeta analysis = 3.21e-11) and cg12234533 (Pmeta analysis = 4.29e-10). While we did not find human genetic variants that could explain the associated CpG x taxa/pathway pairs, we show that microbiome can mediate the effect of environmental factors on epigenetics. In this first association study linking epigenome to microbiome, we found and replicated the associations of two CpGs to the abundance of genus Eggerthella and identified microbiome as a mediator of the exposome.

Metabolomics examines the small molecules involved in cellular metabolism. Approximately 50% of total phenotypic differences in metabolite levels is due to genetic variance, but heritability estimates differ across metabolite classes and lipid species. We performed a review of all genetic association studies, and identified > 800 class-specific metabolite loci that influence metabolite levels. In a twin-family cohort ( N = 5,117), these metabolite loci were leveraged to simultaneously estimate total heritability ( h 2 total ), and the proportion of heritability captured by known metabolite loci ( h [2][1] Metabolite-hits ) for 309 lipids and 52 organic acids. Our study revealed significant differences in h 2 Metabolite-hits among different classes of lipids and organic acids. Furthermore, phosphatidylcholines with a high degree of unsaturation had higher h 2 Metabolite-hits estimates than phosphatidylcholines with a low degree of unsaturation. This study highlights the importance of common genetic variants for metabolite levels, and elucidates the genetic architecture of metabolite classes and lipid species. [1]: #ref-2

Despite existing reports on differential DNA methylation in type 2 diabetes (T2D) and obesity, our understanding of the functional relevance of the phenomenon remains limited. Because obesity is the main risk factor for T2D and a driver of methylation from previous study, we aimed to explore the effect of DNA methylation in the early phases of T2D pathology while accounting for body mass index (BMI). We performed a blood-based epigenome-wide association study (EWAS) of fasting glucose and insulin among 4,808 non-diabetic European individuals and replicated the findings in an independent sample consisting of 11,750 non-diabetic subjects. We integrated blood-based in silico cross-omics databases comprising genomics, epigenomics and transcriptomics collected by BIOS project of the Biobanking and BioMolecular resources Research Infrastructure of the Netherlands (BBMRI-NL), the Meta-Analyses of Glucose and Insulin-related traits Consortium (MAGIC), the DIAbetes Genetics Replication And Meta-analysis (DIAGRAM) consortium, and the tissue-specific Genotype-Tissue Expression (GTEx) project. We identified and replicated nine novel differentially methylated sites in whole blood (P-value < 1.27 × 10-7): sites in LETM1, RBM20, IRS2, MAN2A2 genes and 1q25.3 region were associated with fasting insulin; sites in FCRL6, SLAMF1, APOBEC3H genes and 15q26.1 region were associated with fasting glucose. The association between SLAMF1, APOBEC3H and 15q26.1 methylation sites and glucose emerged only when accounted for BMI. Follow-up in silico cross-omics analyses indicate that the cis-acting meQTLs near SLAMF1 and SLAMF1 expression are involved in glucose level regulation. Moreover, our data suggest that differential methylation in FCRL6 may affect glucose level and the risk of T2D by regulating FCLR6 expression in the liver. In conclusion, the present study provided nine new DNA methylation sites associated with glycemia homeostasis and also provided new insights of glycemia related loci into the genetics, epigenetics and transcriptomics pathways based on the integration of cross-omics data in silico.