Les réseaux biologiques, notamment les réseaux de signalisation déclenchés par les hormones, sont extrêmement complexes. Les méthodes expérimentales à haut débit permettent d’aborder cette complexité, mais la prise en compte de l’ensemble des données générées requiert la mise au point de méthodes automatiques pour la construction des réseaux. Nous avons développé une nouvelle méthode d’inférence reposant sur la formalisation, sous forme de règles logiques, du raisonnement de l’expert sur les données expérimentales. Cela nécessite la constitution d’une base de connaissances, ensuite exploitée par un moteur d’inférence afin de déduire les conclusions permettant de construire les réseaux. Notre méthode a été élaborée grâce au réseau de signalisation induit par l’hormone folliculo-stimulante dont le récepteur fait partie de la grande famille des récepteurs couplés aux protéines G. Ce réseau a également été construit manuellement pour évaluer notre méthode. Un contrôle a ensuite été réalisé sur réseau induit par le facteur de croissance épidermique, se liant à un récepteur tyrosine kinase, de façon à montrer que notre méthode est capable de déduire différents types de réseaux de signalisation. / Biological networks, including signalling networks induced by hormones, are very complex. High-throughput experimental methods permit to approach this complexity, but to be able to use all generated data, it is necessary to create automatical inference methods to build networks. We have developped a new inference method based on the formalization of the expert’s reasoning on experimental data. This reasoning is converted into logical rules. This work requires the creation of a knowledge base which is used by an inference engine to deduce conclusions to build networks. Our method has been elaborated by the construction of the signalling network induced by the follicle stimulating hormone whose receptor belongs to the G protein-coupled receptors family. This network has also been built manually to assess our method. Then, a test has been done on the network induced by the epidermal growth factor, which binds to a tyrosine kinase receptor, to demonstrate the ability of our method to deduce differents types of signaling networks.

Lorsque des systèmes, tels les barrages, sont soumis à un haut degré d’incertitude et que l’heuristique des experts prend une place très importante, les outils habituels de gestion des risques ne sont pas toujours efficaces pour rendre compte du jugement des experts. Les sciences de la décision proposent alors des outils pour aider à la compréhension, voire à l’élicitation de l’avis des experts. Dans le cas des barrages, nous disposons d’un retour d’expérience encore peu formalisé et de peu d’événements significatifs. En outre, les mécanismes phénoménologiques à l’œuvre sont mal connus. Il est alors nécessaire d’invoquer des outils qui sortent des habitudes pratiquées dans la gestion des risques. Cette étude propose une méthode qui permet à l’expert de mieux éliciter son jugement, et de révéler les risques sur les barrages par un traitement ordinal de l’information d’expertise. En outre, nous montrerons que cet outil est un estimateur du maximum de vraisemblance, et promet donc une information de première importance pour un décisionnaire. Pour parvenir à ce résultat, nous utiliserons une méthode articulée autour des bases de règles logiques, dont la construction est enrichie par des outils issus des théories du vote, des jeux coopératifs et des bases de données. De cette façon, nous montrerons qu’il est possible de gérer les risques sans utiliser les outils issus des approches probabilistes, tout en prenant en compte les heuristiques des experts. / When facing high uncertainty systems, such as dams, where experts heuristics becomes too much important, usual tools are not satisfying enough to reveal experts’ opinion in order to manage the risks associated with the system. Decision science then brings tools to sharpen our understanding, or even help the elicitation, of what the expert wants best to express. Concerning dams, we have only very little feedback, and no to few significant events. In addition to the lack of knowledge when it comes to the phenomenological mechanisms, these issues lead us to use unusual tools for risk management. This study brings an innovative tool to help on the elicitation of experts’ opinion, allowing risk management on dams based on an ordering approach. Furthermore, we will show this tool is an estimation of the maximum likelihood, which is invaluable information for any decision maker. We will show this result is obtainable through a method using rule based assignments, developing the rules thanks to tools like votes, games and database theories. Doing so, we will show how it is possible to process risks without using usual probabilistic tools, while taking experts’ heuristics into account.