La collecte de données à l'échelle moléculaire s'est considérablement accrue au cours des vingt dernières années, en quantité mais aussi en variété et précision. Cette évolution rapide crée un besoin de développement de méthodes d'analyse adaptées à la complexité et au volume de ces données : l'espoir pour les biologistes est que l'utilisation de ces nouvelles données ouvre la voie à une meilleure compréhension du fonctionnement du vivant et des relations complexes entre séquence d'ADN, environnement et ce que l'on peut observer à l'échelle de l'individu. Les répercussions potentielles sur le traitement des maladies (dont le cancer) ou la sélection des espèces agricoles animales et végétales pour faire face au changement climatique touchent à des questions sociétales importantes.

Une des données moléculaires les plus utilisées et étudiées pour caractériser le fonctionnement des cellules est l'expression des gènes (aussi appelée transcriptomique), qui est un mécanisme sous forte régulation génétique et épigénétique. Il est courant de représenter ces régulations sous la forme de graphes (ou réseaux) de gènes et la reconstruction de ces graphes, à partir de données d'expériences temporelles ou statiques, a été et demeure un sujet actif de recherche en statistique, connu sous le nom d'inférence de réseaux de gènes. À l'inverse, plusieurs méthodes de prédiction (régression ou classification) ont été développées pour inclure cette information de régulation sous forme de graphe et estimer à partir de celle-ci un phénotype mesuré à l'échelle de l'individu.

Dans cet exposé, je dresserai un panorama des méthodes d'inférence de réseaux et de prédiction à base de graphes (en particulier des réseaux de neurones pour graphes) et je discuterai les limites actuelles de leur utilisation ou de leur évaluation en regard de la complexité des mécanismes moléculaires modélisés.

Cette présentation inclut des résultats de travaux publiés ou en cours, réalisés en collaboration avec Céline Brouard, Anne Goelzer, Raphaël Mourad et Vincent Rocher.