L'intégration de données hétérogènes à grande échelle pour l'inférence de
réseaux est un défi majeur, en particulier dans le contexte de l'analyse de données multi-
omiques. Nous proposons ici une nouvelle méthode basée sur les copules afin d'analyser
conjointement des données de différents types (continues, discrètes, etc.). La procédure
d'estimation proposée est semi-paramétrique et ne nécessite donc aucune hypothèse explicite
concernant les distributions marginales des données, ce qui offre une grande flexibilité pour l'analyse des
données biologiques. Nous présentons également un résultat théorique montrant l'équivalence
entre l'indépendance par blocs dans la matrice de corrélation de la copule et dans la structure
de corrélation des données réelles. Nous illustrons via une étude de simulation les capacités
de l'estimateur du maximum de vraisemblance par paires à estimer la matrice de corrélation
de la copule, même pour un nombre assez important de variables (plusieurs centaines) et un
nombre assez faible de réplicats (plusieurs dizaines). Enfin, nous appliquons la méthode à un jeu de données réel ICGC concernant le cancer du sein.