Die Library of Integrative Network-based Cellular Signatures (LINCS) war ein NIH Common Fund Programm, das 10 Jahre lang von 2012-2021 lief. Die Idee hinter dem LINCS-Programm war es, verschiedene Arten menschlicher Zellen mit vielen verschiedenen Arten von Störungen zu stören, wie z.B. Medikamente und andere kleine Moleküle, genetische Manipulationen, wie z.B. Knockdown, Knockout oder Überexpression einzelner Gene, Manipulationen der extrazellulären Mikroumgebung, wie z.B. das Wachsen von Zellen auf verschiedenen Oberflächen, und mehr. Diese Störungen werden auf verschiedene Arten menschlicher Zellen angewandt, darunter Krebszelllinien oder induzierte pluripotente Stammzellen (iPSCs) von Patienten, die sich in verschiedene Zelllinien wie Neuronen oder Kardiomyozyten differenzieren. Um die molekularen Netzwerke, die von diesen Störungen betroffen sind, besser zu verstehen, wurden die Veränderungen der Spiegel vieler verschiedener Moleküle in den menschlichen Zellen gemessen, darunter mRNAs, Proteine und Metaboliten sowie zelluläre phänotypische Veränderungen wie die Zellmorphologie. Das BD2K-LINCS Data Coordination and Integration Center (DCIC) wurde damit beauftragt, diese Daten zu organisieren, zu analysieren, zu visualisieren und mit anderen öffentlich zugänglichen relevanten Ressourcen zu integrieren. In diesem Kurs stellen wir das LINCS DCIC und die verschiedenen Data and Signature Generation Centers (DSGCs) vor, die Daten für LINCS gesammelt haben. Dann behandeln wir die LINCS-Metadaten und wie die Metadaten mit Ontologien und Wörterbüchern verknüpft sind. Anschließend stellen wir die Methoden zur Datenverarbeitung und Datennormalisierung vor, die zur Bereinigung und Harmonisierung der LINCS-Daten verwendet werden. Anschließend wird erörtert, wie die LINCS-Daten über RESTful APIs bereitgestellt werden. Vor allem aber behandelt der Kurs Methoden der Bioinformatik, die auf andere Multi-omics-Datensätze und -Projekte angewendet werden können, darunter Dimensionalitätsreduktion, Clustering, Analyse der Anreicherung von Gensätzen, interaktive Datenvisualisierung und überwachtes Lernen. Schließlich stellen wir Crowdsourcing/Citizen-Science-Projekte vor, bei denen die Studenten in Teams zusammenarbeiten können, um Genexpressionssignaturen aus öffentlichen Datenbanken zu extrahieren und dann solche Sammlungen von Signaturen mit den LINCS-Daten abzufragen, um kleine Moleküle als potenzielle Therapeutika für eine Reihe komplexer menschlicher Krankheiten vorherzusagen.