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 Identifying phenotypic correlations between complex traits and diseases can provide useful etiological insights. Restricted access to individual-level phenotype data makes it difficult to estimate large-scale phenotypic correlation across the human phenome. State-of-the-art methods, metaCCA and LD score regression, provide an alternative approach to estimate phenotypic correlation using genome-wide association study (GWAS) summary statistics. Results Here, we present an integrated R toolkit, PhenoSpD, to 1) apply metaCCA (or LD score regression) to estimate phenotypic correlations using GWAS summary statistics; and 2) to utilize the estimated phenotypic correlations to inform correction of multiple testing for complex human traits using the spectral decomposition of matrices (SpD). The simulations suggest it is possible to estimate phenotypic correlation using samples with only a partial overlap, but as overlap decreases correlations will attenuate towards zero and multiple testing correction will be more stringent than in perfectly overlapping samples. In a case study, PhenoSpD using GWAS results suggested 324.4 independent tests among 452 metabolites, which is close to the 296 independent tests estimated using true phenotypic correlation. We further applied PhenoSpD to estimated 7,503 pair-wise phenotypic correlations among 123 metabolites using GWAS summary statistics from Kettunen et al. and PhenoSpD suggested 44.9 number of independent tests for theses metabolites. Conclusion PhenoSpD integrates existing methods and provides a simple and conservative way to reduce dimensionality for complex human traits using GWAS summary statistics, which is particularly valuable for post-GWAS analysis of complex molecular traits. Availability R code and documentation for PhenoSpD V1.0.0 is available online ( https://github.com/MRCIEU/PhenoSpD ).

Abstract The genetic underpinning of sexual dimorphism is very poorly understood. The prevalence of many diseases differs between men and women, which could be in part caused by sex-specific genetic effects. Nevertheless, only a few published genome-wide association studies (GWAS) were performed separately in each sex. The reported enrichment of expression quantitative trait loci (eQTLs) among GWAS–associated SNPs suggests a potential role of sex-specific eQTLs in the sex-specific genetic mechanism underlying complex traits. To explore this scenario, we performed a genome-wide analysis of sex-specific whole blood RNA-seq eQTLs from 3,447 individuals. Among 9 million SNP-gene pairs showing sex-combined associations, we found 18 genes with significant sex-specific cis -eQTLs (FDR 5%). Our phenome-wide association study of the 18 top sex-specific eQTLs on >700 traits unraveled that these eQTLs do not systematically translate into detectable sex-specific trait-associations. Power analyses using real eQTL- and causal effect sizes showed that millions of samples would be necessary to observe sex-specific trait associations that are fully driven by sex-specific cis -eQTLs. Compensatory effects may further hamper their detection. In line with this observation, we confirmed that the sex-specific trait-associations detected so far are not driven by sex-specific cis -eQTLs.

Abstract A key assumption of Mendelian randomisation (MR) analysis is that there is no association between the genetic variants used as instruments and the outcome other than through the exposure of interest. Two ways in which this assumption can be violated are through population stratification and selection bias which can introduce confounding of the relationship between the genetic variants and the outcome and so induce an association between them. Negative control outcomes are increasingly used to detect unobserved confounding in observational epidemiological studies. Here we consider the use of negative control outcomes in MR studies. As a negative control outcome in an MR study we propose the use of phenotypes which are determined before the exposure and outcome but which are likely to be subject to the same confounding as the exposure or outcome of interest. We illustrate our method with a two-sample MR analysis of a preselected set of exposures on self-reported tanning ability and hair colour. Our results show that, of the 33 exposures considered, GWAS studies of adiposity and education related traits are likely to be subject to population stratification and/or selection bias that is not controlled for through adjustment and so any MR study including these traits may be subject to bias that cannot be identified through standard pleiotropy robust methods.

The age of large-scale genome-wide association studies (GWAS) has provided us with an unprecedented opportunity to evaluate the genetic liability of complex disease using polygenic risk scores (PRS). In this study, we have analysed 162 PRS (P<5x10-05) derived from GWAS and 551 heritable traits from the UK Biobank study (N=334,398). Findings can be investigated using a web application (http://mrcieu.mrsoftware.org/PRS_atlas/), which we envisage will help uncover both known and novel mechanisms which contribute towards disease susceptibility. To demonstrate this, we have investigated the results from a phenome-wide evaluation of schizophrenia genetic liability. Amongst findings were inverse associations with measures of cognitive function which extensive follow-up analyses using Mendelian randomization (MR) provided evidence of a causal relationship. We have also investigated the effect of multiple risk factors on disease using mediation and multivariable MR frameworks. Our atlas provides a resource for future endeavours seeking to unravel the causal determinants of complex disease.

The extent to which genetic influences on complex traits and disease are mediated by changes in DNA methylation levels has not been systematically explored. We developed an analytical framework that integrates genetic fine mapping and Mendelian randomization with epigenome-wide association studies to evaluate the causal relationships between methylation levels and 14 cardiovascular disease traits. We identified 10 genetic loci known to influence proximal DNA methylation which were also associated with cardiovascular traits (P < 3.83 x 10-08). Bivariate fine mapping suggested that the individual variants responsible for the observed effects on cardiovascular traits at the ABO, ADCY3, ADIPOQ, APOA1 and IL6R loci were likely mediated through changes in DNA methylation. Causal effect estimates on cardiovascular traits ranged between 0.109-0.992 per standard deviation change in DNA methylation and were replicated using results from large-scale consortia. Functional informatics suggests that the causal variants and CpG sites identified in this study were enriched for histone mark peaks in adipose tissue and gene promoter regions. Integrating our results with expression quantitative trait loci data we provide evidence that variation at these regulatory regions is likely to also influence gene expression at these loci.

We have undertaken an extensive Mendelian randomization (MR) study using methylation quantitative trait loci (mQTL) as genetic instruments to assess the potential causal relationship between genetic variation, DNA methylation and 139 complex traits. Using two-sample MR, we observed 1,191 effects across 62 traits where genetic variants were associated with both proximal DNA methylation (i.e. cis-mQTL) and complex trait variation (P<1.39x10-08). Joint likelihood mapping provided evidence that the causal mQTL for 364 of these effects across 58 traits was also likely the causal variant for trait variation. These effects showed a high rate of replication in the UK Biobank dataset for 14 selected traits, as 121 of the attempted 129 effects replicated. Integrating expression quantitative trait loci (eQTL) data suggested that genetic variants responsible for 319 of the 364 mQTL effects also influence gene expression, which indicates a coordinated system of effects that are consistent with causality. CpG sites were enriched for histone mark peaks in tissue types relevant to their associated trait and implicated genes were enriched across relevant biological pathways. Though we are unable to distinguish mediation from horizontal pleiotropy in these analyses, our findings should prove valuable in identifying candidate loci for further evaluation and help develop mechanistic insight into the aetiology of complex disease.

Statin treatment increases bone mineral density (BMD) and reduces fracture risk, but the underlying mechanism is unclear. We used Mendelian randomization (MR) to assess whether this relation is explained by a specific effect in response to statin use, or by a general effect of lipid-lowering. We utilized 400 single nucleotide polymorphisms (SNPs) robustly associated with plasma lipid levels and results from a heel BMD GWAS (derived from quantitative ultrasound) in 426,824 individuals from the UK Biobank. We performed univariate and multivariable MR analyses of low-density lipoprotein cholesterol (LDL-C), high density lipoprotein cholesterol (HDL-C) and triglyceride levels on BMD. To test whether the effect of statins on BMD was mediated by lowering lipid levels, MR was repeated with and without SNPs in the HMGCR region, the gene targeted by statins. Univariate MR analyses provided evidence for a causal effect of LDL-C on BMD (β = -0.060; -0.084 to -0.036; P = 4x10-6; standard deviation change in BMD per standard deviation change in LDL-C, with 95% CI), but not HDL or triglycerides. Multivariable MR analysis suggested that the effect of LDL-C on BMD was independent of HDL-C and triglycerides, and sensitivity analyses involving MR Egger and weighted median MR approaches suggested that the LDL-C results were robust to pleiotropy. MR analyses of LDL-C restricted to SNPs in the HMGCR region showed similar effects on BMD (β = -0.083; -0.132 to -0.034; P = 0.001) to those excluding these SNPs (β= -0.063; -0.090 to -0.036; P = 8x10-6). Bidirectional MR analyses provided some evidence for a causal effect of BMD on plasma LDL-C levels. Our results suggest that effects of statins on BMD are at least partly due to their LDL-C lowering effect. Further studies are required to examine the potential role of modifying plasma lipid levels in treating osteoporosis.

Background: Developing insight into tissue-specific transcriptional mechanisms can help improve our understanding of how genetic variants exert their effects on complex traits and disease. By applying the principles of Mendelian randomization, we have undertaken a systematic analysis to evaluate transcriptome-wide associations between gene expression across 48 different tissue types and 395 complex traits. Results: Overall, we identified 100,025 gene-trait associations based on conventional genome-wide corrections (P < 5 x 10-08) that also provided evidence of genetic colocalization. These results indicated that genetic variants which influence gene expression levels in multiple tissues are more likely to influence multiple complex traits. We identified many examples of tissue-specific effects, such as genetically-predicted TPO, NR3C2 and SPATA13 expression only associating with thyroid disease in thyroid tissue. Additionally, FBN2 expression was associated with both cardiovascular and lung function traits, but only when analysed in heart and lung tissue respectively. We also demonstrate that conducting phenome-wide evaluations of our results can help flag adverse on-target side effects for therapeutic intervention, as well as propose drug repositioning opportunities. Moreover, we find that exploring the tissue-dependency of associations identified by genome-wide association studies (GWAS) can help elucidate the causal genes and tissues responsible for effects, as well as uncover putative novel associations. Conclusions: The atlas of tissue-dependent associations we have constructed should prove extremely valuable to future studies investigating the genetic determinants of complex disease. The follow-up analyses we have performed in this study are merely a guide for future research. Conducting similar evaluations can be undertaken systematically at http://mrcieu.mrsoftware.org/Tissue_MR_atlas/.

Attention-deficit hyperactivity disorder (ADHD) has consistently been associated with substance use, but the nature of this association is not fully understood. To inform intervention development and public health messages, a vital question is whether there are causal pathways from ADHD to substance use and/or vice versa. We applied bidirectional Mendelian randomization, using summary-level data from the largest available genome-wide association studies (GWAS) on ADHD, smoking (initiation, cigarettes/day, cessation, and a compound measure of lifetime smoking), alcohol use (drinks/week, alcohol problems, and alcohol dependence), cannabis use (initiation) and coffee consumption (cups/day). Genetic variants robustly associated with the ‘exposure’ were selected as instruments and identified in the ‘outcome’ GWAS. Effect estimates from individual genetic variants were combined with inverse-variance weighted regression and five sensitivity analyses (weighted median, weighted mode, MR-Egger, generalized summary-data-based-MR, and Steiger filtering). We found evidence that liability to ADHD increases likelihood of smoking initiation and heaviness of smoking among smokers, decreases likelihood of smoking cessation, and increases likelihood of cannabis initiation. There was weak evidence that liability to ADHD increases alcohol dependence risk, but not drinks/week or alcohol problems. In the other direction, there was weak evidence that smoking initiation increases ADHD risk, but follow-up analyses suggested a high probability of horizontal pleiotropy. There was no clear evidence of causal pathways between ADHD and coffee consumption. Our findings corroborate epidemiological evidence, suggesting causal pathways from liability to ADHD to smoking, cannabis use, and, tentatively, alcohol dependence. Further work is needed to explore the exact mechanisms mediating these causal effects.