Le programme Library of Integrative Network-based Cellular Signatures (LINCS) est un programme du Fonds commun des NIH qui a duré 10 ans, de 2012 à 2021. L'idée sous-jacente au programme LINCS était de perturber différents types de cellules humaines avec de nombreux types de perturbations tels que des médicaments et d'autres petites molécules, des manipulations génétiques telles que le knockdown, le knockout ou la surexpression d'un seul gène, la manipulation des conditions du microenvironnement extracellulaire, par exemple, la culture de cellules sur différentes surfaces, et plus encore. Ces perturbations sont appliquées à divers types de cellules humaines, y compris des lignées de cellules cancéreuses ou des cellules souches pluripotentes induites (iPSC) provenant de patients, différenciées en divers lignages tels que les neurones ou les cardiomyocytes. Ensuite, pour mieux comprendre les réseaux moléculaires affectés par ces perturbations, les changements de niveaux de nombreuses molécules différentes dans les cellules humaines ont été mesurés, notamment les ARNm, les protéines et les métabolites, ainsi que les changements phénotypiques cellulaires tels que la morphologie des cellules. Le Centre de coordination et d'intégration des données BD2K-LINCS (DCIC) a été chargé d'organiser, d'analyser, de visualiser et d'intégrer ces données avec d'autres ressources pertinentes accessibles au public. Dans ce cours, nous présentons le DCIC LINCS et les différents centres de génération de données et de signatures (DSGC) qui ont collecté des données pour LINCS. Nous couvrons ensuite les métadonnées LINCS et la façon dont les métadonnées sont liées aux ontologies et aux dictionnaires. Nous présentons ensuite les méthodes de traitement et de normalisation des données utilisées pour nettoyer et harmoniser les données des LINCS. Nous discutons ensuite de la manière dont les données LINCS sont servies par des API RESTful. Plus important encore, le cours couvre les méthodes de bioinformatique computationnelle qui peuvent être appliquées à d'autres ensembles de données et projets multi-omiques, y compris la réduction de la dimensionnalité, le clustering, l'analyse de l'enrichissement des ensembles de gènes, la visualisation interactive des données et l'apprentissage supervisé. Enfin, nous présentons des projets de crowdsourcing/science citoyenne dans lesquels les étudiants peuvent travailler en équipe pour extraire des signatures d'expression génique de bases de données publiques, puis interroger ces collections de signatures contre les données LINCS pour prédire les petites molécules comme thérapeutiques potentielles pour une collection de maladies humaines complexes.