Dans le cadre de la recherche pharmaceutique, les propriétés relatives à l’Absorption, la Distribution, le Métabolisme, l’Elimination (ADME) et la Toxicité (Tox) sont cruciales pour le succès des phases cliniques lors de la conception de nouveaux médicaments. Durant ce processus, la chémoinformatique est régulièrement utilisée afin de prédire le profil ADME-Tox des molécules bioactives et d’améliorer leurs propriétés pharmacocinétiques. Ces modèles de prédiction, basés sur la quantification des relations structure-activité (QSAR), ne sont pas toujours efficaces à cause du faible nombre de données ADME-Tox disponibles et de leur hétérogénéité induite par des différences dans les protocoles expérimentaux, ou encore de certaines erreurs expérimentales. Au cours de cette thèse, nous avons d’abord constitué une base de données contenant 150 000 mesures pour une cinquantaine de propriétés ADME-Tox. Afin de valoriser l’ensemble de ces données, nous avons dans un deuxième temps proposé une plateforme automatique de création de modèles de prédiction QSAR. Cette plateforme, nommée MetaPredict, a été conçue afin d’optimiser chacune des étapes de création d’un modèle statistique, dans le but d’améliorer leur qualité et leur robustesse. Nous avons dans un troisième temps valorisé les modèles obtenus grâce à la plateforme MetaPredict en proposant une application en ligne. Cette application a été développée pour faciliter l’utilisation des modèles, apporter une interprétation simplifiée des résultats et moduler les observations obtenues en fonction des spécificités d’un projet de recherche. Finalement, MetaPredict permet de rendre les modèles ADME-Tox accessibles à l’ensemble des chercheurs. / Absorption, Distribution, Metabolism, Elimination (ADME) and Toxicity (Tox) properties are crucial for the success of clinical trials of a drug candidate. During this process, chemoinformatics is regularly used to predict the ADME-Tox profile of bioactive compounds and to improve their pharmacokinetic properties. In silico approaches have already been developed to improve poor pharmacokinetics and toxicity of lead compounds. These predictive models, based on the quantification of structure-activity relationships (QSAR), were not always efficient enough due to the low number of accessible biological data and their heterogeneity induced by the differences in experimental assays or the significant experimental error. In this thesis, we first built a database containing 150,000 data points for about 50 ADME-Tox properties. In order to valorize all this data, we then proposed an automatic platform for creating predictive models. This platform, called MetaPredict, has been designed to optimize each step of model development, in order to improve their quality and robustness. Third,, we promoted the statistical models using the online application of MetaPredict platform. This application has been developed to facilitate the use of newly built models, to provide a simplified interpretation of the results and to modulate the obtained observations according to the needs of the researchers. Finally, this platform provides an easy access to the ADME-Tox models for the scientific community.