Deux échelles d'observations sont traditionnellement utilisées pour étudier le métabolisme des microorganismes: d'une part, à l'échelle locale, la caractérisation individuelle des réactions ayant lieu dans la cellule et d'autre part, à l'échelle globale, l'étude de la physiologie de la cellule. Ces deux échelles ont bénéficié de progrès technologiques récents : l'analyse des génomes séquencés permet d'identifier une large fraction des enzymes catalysant les réactions ; la physiologie des microorganismes peut être étudiée à haut débit pour de nombreux environnements et perturbations génétiques. Cependant, l'exploitation conjointe de ces deux échelles demeure complexe car le comportement physiologique global de la cellule résulte de l'action coordonnée de nombreuses réactions. Les approches de modélisation mathématique ont toutefois récemment permis de relier ces deux échelles à l'aide de modèles globaux du métabolisme. <br />Dans cette thèse, nous explorerons l'utilisation de ces modèles pour compléter la connaissance des réactions à l'aide d'une catégorie particulière de données d'échelle globale : les essentialités de gènes déterminées en observant les phénotypes de croissance de mutants de délétion. Nous nous appuierons pour cela sur la bactérie Acinetobacter baylyi ADP1 pour laquelle une collection complète de mutants de délétion a été récemment constituée au Genoscope. <br />Après avoir présenté les étapes clés et les développements que nous avons effectués pour reconstruire un modèle global du métabolisme d'A. baylyi, nous montrerons que la confrontation entre phénotypes observés et phénotypes prédits permet de mettre en évidence des incohérences entre les deux échelles d'observations. Nous montrerons ensuite qu'une interprétation formelle de ces incohérences permet de corriger le modèle et d'améliorer la connaissance du métabolisme. Nous illustrerons ce propos en présentant les corrections que nous avons réalisées à l'aide des phénotypes de mutants d'A. baylyi. Enfin, dans une dernière partie, nous proposerons une méthode permettant d'automatiser la correction des incohérences causées par des erreurs d'association entre gènes et réactions.