Le vin en tant qu’écosystème complexe est un modèle particulièrement intéressant pour l’étudie des interactions entre les microorganismes. L’interaction sans contact celluaire (interaction indirecte) entre la levure Saccharomyces cerevisae et la bactérie lactique Oenococcus oeni a un effect direct sur l’induction et l'achèvement de la fermentation malolactique (FML), une fermentation très importante pour la qualité du vin. Une souche levurienne peut être classée FML+ si elle stimule la croissance bactérienne et FML- si elle a un effet inhibiteur. Les métabolites connus qui inhibent ou stimulent la FML ne permettent pas toujours d’expliquer cette distinction phénotypique. Dans ce travail de thèse, nous avon développé un workflow multidisciplinaire qui combine l’approche métabolomique non ciblée, l’analyse classique ciblée, les statistiques et les réseaux. L’objectif premier était de dévoiler des métabolites levuriens impliqués dans l’interaction entre levures et bactéries par une comparaison directe des exométabolome des deux phénotypes.À cet effet et pour la première fois dans l’éude d’interactions inter-espèces, la Spectrométrie de Masse à Résonance Cyclotronique des Ions et à Transformée de Fourier (FT-ICR-MS) et la Chromatographie Liquide couplée à la Spectrométrie de Masses (UPLC-Q-TOF-MS) ont été combinées. Pour mieux visualiser les données à haut débit générées par les deux plate-formes, une méthode statistique non supervisée MetICA a été developpée et validée. Par rapport à l’analyse en composantes principales (ACP), cette nouvelle méthode peut réduire la dimension des données d'une façon plus robuste et fiable. Afin d’extraire des métabolites impliquées dans la distinction phénotypique, nous avons comparé différentes methodes de classification et choisi la meilleure pour chaque jeu de données. Les structures putatives de ces biomarqueurs ont été validés par la spectrométrie de masse MS/MS et leurs rôles physiologiques sur la croissance bactérienne ont été confirmées in vitro. La découverte de biomarqueurs a été complétée par l’analyse ciblée réalisées par Chromatographie en Phase Liquide à Haute Performance (HPLC). La complémentarité entre les différentes techniques métabolomiques a conduit à l’identification de nouveaux biomarqueurs de familles distinctes, comme des composés phénoliques, des sucres, des nucléotides, des acides aminés et des peptides. En outre , l'analyse des réseaux métaboliques a révélé des liens entre les biomarqueurs de levure et a suggéré des voies bactériennes influencés par l’exo-métabolome de levure.Notre workflow multidisciplinaire a révélé une réelle capacité à identifier des signatures moléculaires nouvelles et inattendues de l’interaction levure-bactérie. / As a complex microbial ecosystem, wine is a particularly interesting model for studying interactions between microorganisms. Contact-independent interactions (indirect interactions) between the yeast Saccharomyces cerevisae and the lactic acid bacterium Oenococcus oeni have a direct effect on malolactic fermentation (MLF), induction and completion, which is an important factor in wine quality. Yeast strains could be classified as MLF+ phenotype if it usually stimulates the bacterial growth or MLF- in the opposite case. The known metabolites that stimulate or inhibit the MLF cannot always explain the phenotypic distinction. In this work, a multidisciplinary workflow combining non-targeted metabolomics, targeted analysis, statistics and network was developed. The main objective was to unravel diverse yeast metabolites involved in yeast-bacteria interaction via a direct comparison of exo-metabolomes of MLF+ and MLF- phenotypes.To that purpose, and for the first time in the research of interspecies microbial interactions, two metabolomics platforms, Fourier Transform Ion Cyclotron Resonance -Mass Spectrometry (FT-ICR-MS) and Liquid Chromatography coupled with Mass Spectrometry (UPLC-Q-TOF-MS) were used in combination. To better visualize the high-throughput data generated from the two platforms, a novel unsupervised statistical method, the MetICA was developed and validated. Compared to classical principal component analysis (PCA), the new method reduced the data dimension in a more robust and reliable way. To extract metabolic features involved in the phenotypic distinction, we have compared different statistical classifiers and selected the best one for each dataset. Putative structures of these biomarkers were validated via MS/MS fragmentation analysis and their physiological roles to bacteria were confirmed in vitro. The discovery of biomarkers was complemented by targeted HPLC (high performance liquid chromatography) analysis. The complementarities between different analytical techniques led to new biomarkers of distinct chemical families, such as phenolic compounds, carbohydrates, nucleotides, amino acids and peptides. Furthermore, metabolic network analysis has revealed connections between yeast biomarkers and suggested bacterial pathways influenced by yeast exo-metabolome.Our multidisciplinary workflow has shown its ability to find new and unexpected molecular evidence of wine yeast-bacteria interaction.