The Genotype-Tissue Expression (GTEx) project was established to characterize genetic effects on the transcriptome across human tissues, and to link these regulatory mechanisms to trait and disease associations. Here, we present analyses of the v8 data, based on 17,382 RNA-sequencing samples from 54 tissues of 948 post-mortem donors. We comprehensively characterize genetic associations for gene expression and splicing in cis and trans, showing that regulatory associations are found for almost all genes, and describe the underlying molecular mechanisms and their contribution to allelic heterogeneity and pleiotropy of complex traits. Leveraging the large diversity of tissues, we provide insights into the tissue-specificity of genetic effects, and show that cell type composition is a key factor in understanding gene regulatory mechanisms in human tissues.

Scalable, integrative methods to understand mechanisms that link genetic variants with phenotypes are needed. Here we derive a mathematical expression to compute PrediXcan (a gene mapping approach) results using summary data (S-PrediXcan) and show its accuracy and general robustness to misspecified reference sets. We apply this framework to 44 GTEx tissues and 100+ phenotypes from GWAS and meta-analysis studies, creating a growing public catalog of associations that seeks to capture the effects of gene expression variation on human phenotypes. Replication in an independent cohort is shown. Most of the associations were tissue specific, suggesting context specificity of the trait etiology. Colocalized significant associations in unexpected tissues underscore the need for an agnostic scanning of multiple contexts to improve our ability to detect causal regulatory mechanisms. Monogenic disease genes are enriched among significant associations for related traits, suggesting that smaller alterations of these genes may cause a spectrum of milder phenotypes.

The resources generated by the GTEx consortium offer unprecedented opportunities to advance our understanding of the biology of human traits and diseases. Here, we present an in-depth examination of the phenotypic consequences of transcriptome regulation and a blueprint for the functional interpretation of genetic loci discovered by Genome-Wide Association Studies (GWAS). Across a broad set of complex traits and diseases, we find widespread dose-dependent effects of RNA expression and splicing, with higher impact on molecular phenotypes translating into higher impact downstream. Using colocalization and association approaches that take into account the observed allelic heterogeneity, we propose potential target genes for 47% (2,519 out of 5,385) of the GWAS loci examined. Our results demonstrate the translational relevance of the GTEx resources and highlight the need to increase their resolution and breadth to further our understanding of the genotype-phenotype link.

The Genotype-Tissue Expression (GTEx) project has identified expression and splicing quantitative trait loci ( cis -QTLs) for the majority of genes across a wide range of human tissues. However, the interpretation of these QTLs has been limited by the heterogeneous cellular composition of GTEx tissue samples. Here, we map interactions between computational estimates of cell type abundance and genotype to identify cell type interaction QTLs for seven cell types and show that cell type interaction eQTLs provide finer resolution to tissue specificity than bulk tissue cis -eQTLs. Analyses of genetic associations to 87 complex traits show a contribution from cell type interaction QTLs and enables the discovery of hundreds of previously unidentified colocalized loci that are masked in bulk tissue.One Sentence Summary Estimated cell type abundances from bulk RNA-seq across tissues reveal the cellular specificity of quantitative trait loci.

To understand the mechanistic underpinnings of type 2 diabetes (T2D) loci mapped through GWAS, we performed a tissue-specific gene association study in a cohort of over 100K individuals (ncases ≈ 26K, ncontrols ≈ 84K) across 44 human tissues using MetaXcan, a summary statistics extension of PrediXcan. We found that 90 genes significantly (FDR <0.05) associated with T2D, of which 24 are previously reported T2D genes, 29 are novel in established T2D loci, and 37 are novel genes in novel loci. Of these, 13 reported genes, 15 novel genes in known loci, and 6 genes in novel loci replicated (FDRrep <0.05) in an independent study (ncases ≈ 10K, ncontrols ≈ 62K). We also found enrichment of significant associations in expected tissues such as liver, pancreas, adipose, and muscle but also in tibial nerve, fibroblasts, and breast. Finally, we found that monogenic diabetes genes are enriched in T2D genes from our analysis suggesting that moderate alterations in monogenic (severe) diabetes genes may promote milder and later onset type 2 diabetes.

The integration of transcriptomic studies and GWAS (genome-wide association studies) via imputed expression has seen extensive application in recent years, enabling the functional characterization and causal gene prioritization of GWAS loci. However, the techniques for imputing transcriptomic traits from DNA variation remain underdeveloped. Furthermore, associations found when linking eQTL studies to complex traits through methods like PrediXcan can lead to false positives due to linkage disequilibrium between distinct causal variants. Therefore, the best prediction performance models may not necessarily lead to more reliable causal gene discovery. With the goal of improving discoveries without increasing false positives, we develop and compare multiple transcriptomic imputation approaches using the most recent GTEx release of expression and splicing data on 17,382 RNA-sequencing samples from 948 post-mortem donors in 54 tissues. We find that informing prediction models with posterior causal probability from fine-mapping (dap-g) and borrowing information across tissues (mashr) lead to better performance in terms of number and proportion of significant associations that are colocalized and the proportion of silver standard genes as indicated by precision-recall and ROC (Receiver Operating Characteristic) curves. All prediction models are made publicly available at predictdb.org.

Background: Population structure among study subjects may confound genetic association studies, and lack of proper correction can lead to spurious findings. The Genotype-Tissue Expression (GTEx) project largely contains individuals of European ancestry, but the final release (v8) also includes up to 15% of individuals of non-European ancestry. Assessing ancestry-based adjustments in GTEx provides an opportunity to improve portability of this research across populations and to further measure the impact of population structure on GWAS colocalization. Results: Here, we identify a subset of 117 individuals in GTEx (v8) with a high degree of population admixture and estimate genome-wide local ancestry. We perform genome-wide cis-eQTL mapping using admixed samples in six tissues, adjusted by either global or local ancestry. Consistent with previous work, we observe improved power with local ancestry adjustment. At loci where the two adjustments produce different lead variants, we observe only 0.8% of tests with GWAS colocalization posterior probabilities that change by 10% or more. Notably, both adjustments produce similar numbers of significant colocalizations. Finally, we identify a small subset of GTEx v8 eQTL-associated variants highly correlated with local ancestry (R2 > 0.7), providing a resource to enhance functional follow-up. Conclusions: We provide a local ancestry map for admixed individuals in the final GTEx release and describe the impact of ancestry and admixture on gene expression, eQTLs, and GWAS colocalization. While the majority of results are concordant between local and global ancestry-based adjustments, we identify distinct advantages and disadvantages to each approach.

Background: Genetic regulation of gene expression, revealed by expression quantitative trait loci (eQTLs), varies across tissues in complex patterns ranging from highly tissue-specific effects to effects shared across many or all tissues. Improved characterization of these patterns may allow us to better understand the biological mechanisms that underlie tissue-specific gene regulation and disease etiology. Results: We develop a constrained matrix factorization model to learn patterns of tissue sharing and tissue specificity of eQTLs across 49 human tissues from the Genotype-Tissue Expression (GTEx) project. The learned factors include patterns reflecting tissues with known biological similarity or shared cell types, in addition to a dense factor representing a universal genetic effect across all tissues. To explore the regulatory mechanisms that generate tissue-specific patterns of expression, we evaluate chromatin state enrichment and identify specific transcription factors with binding sites enriched for eQTLs from each factor. Conclusions: Our results demonstrate that matrix factorization can be applied to learn the tissue specificity pattern of eQTLs and that it exhibits better biological interpretability than heuristic methods. We present a framework to characterize the tissue specificity of eQTLs, and we identify examples of tissue-specific eQTLs that may be driven by tissue-specific transcription factor (TF) binding, with relevance to interpretation of disease association. Keywords: Matrix factorization, Universal eQTLs, Tissue-specific eQTLs, Transcription factors

Regulation of gene expression is an important mechanism through which genetic variation can affect complex traits. A substantial portion of gene expression variation can be explained by both local (cis) and distal (trans) genetic variation. Much progress has been made in uncovering cis-acting expression quantitative trait loci (cis-eQTL), but trans-eQTL have been more difficult to identify and replicate. Here we take advantage of our ability to predict the cis component of gene expression coupled with gene mapping methods such as PrediXcan to identify high confidence candidate trans-acting genes and their targets. That is, we correlate the cis component of gene expression with observed expression of genes in different chromosomes. Leveraging the shared cis-acting regulation across tissues, we combine the evidence of association across all available GTEx tissues and find 2356 trans-acting/target gene pairs with high mappability scores. Reassuringly, trans-acting genes are enriched in transcription and nucleic acid binding pathways and target genes are enriched in known transcription factor binding sites. Interestingly, trans-acting genes are more significantly associated with selected complex traits and diseases than target or background genes, consistent with percolating trans effects. Our scripts and summary statistics are publicly available for future studies of trans-acting gene regulation.

Introduction

 Changes in left atrial (LA) phasic function – defined as reservoir function (filling), conduit function (passive emptying), booster function (active emptying) (figure 1A) – are thought to precede structural changes (dilatation) of the LA and therefore may be a sensitive biomarker in heralding cardiovascular disease. This study is the first to examine the association between traditional cardiovascular risk factors and LA structure and function in a large population. 

Methods

 LA volumes were calculated from four- and two-chamber CMR cines performed as part of the UK Biobank imaging substudy using the biplane method. To determine phasic function, the LA was automatically contoured in the four-chamber views in all fifty frames of the cardiac cycle using a three-dimensional sparse active shape model (SPASM) with parameters estimated using a deep neural network. A time-volume curve across the cardiac cycle was plotted with a smooth line of best fit (figure 1B). Quality control was performed manually on an initial subset of cases, following which an automated tool was implemented. Utilising the presence of local maxima and minima, LA maximal volume (LAmax), LA minimal (LAmin) volume and LA pre-atrial contraction (LApre) were determined, allowing derivation of total emptying fraction, conduit function and booster function. Cardiovascular risk factors considered were: age, sex, ethnicity, height, BMI, hypertension, diabetes, hyperlipidaemia, physical activity (metabolic equivalent [MET] minutes/week) and smoking. Multivariable linear regression models were fitted, adjusting for all risk factors with LA parameters as dependent variables. 

Results

 After quality control, 44,957 participants were included in the analysis. The mean age was 64±8, 51.8% of the cohort were female. Regression analysis is detailed in table 1. Hypertension and increasing BMI were significantly associated with lower total emptying fraction, conduit function and booster pump function. Cigarette smoking also resulted in reduced conduit function and booster pump function. Hypertension and BMI were associated with larger LAmax volumes. Beta coefficients, 95% confidence intervals and p-values estimating association of risk factors with LA parameters in multivariable linear regression models. Co-variates included in models are as follows: age, sex, ethnicity, height, BMI, hypertension, diabetes, hyperlipidaemia, total MET minutes/week, cigarette smoking. 

Conclusion

 This is the first study to calculate time-volume curves to derive markers of atrial function in a large cohort. We demonstrate that hypertension and increasing BMI – risk factors that are heavily implicated in diastolic dysfunction – are most frequently associated with alterations in LA phasic function.