L’un des plus importants défis de la toxicologie est de pouvoir extrapoler les résultats issus des différentes phases de l’analyse du risque sanitaire à partir de systèmes expérimentaux vers les populations humaines. Dans ce contexte, les techniques globales dites "omiques" sont de plus en plus utilisées pour caractériser les différents états des systèmes biologiques. Ainsi, la toxicogénomique permet non seulement d’étudier les mécanismes d’action des composés, d’identifier des marqueurs d’exposition, mais aussi de générer des signatures moléculaires à potentiel prédictif. En effet, des composés ayant des signatures moléculaires semblables ont également de forts risques de présenter les mêmes effets toxicologiques. L’objectif de cette thèse est d’appliquer ce concept de manière systématique, en explorant les données publiées et disponibles dans les banques dédiées à la toxicogénomique via des modèles statistiques multivariés. Ces analyses ont pour objectif de permettre le regroupement et donc la classification des composés sur la base des gènes dont ils affectent l’expression. L’appartenance de produits toxiques bien caractérisés aux classes ainsi constituées permet alors d’émettre des hypothèses quant à la toxicité des autres composés. Un jeu de données quantitatives intégrant 18 études réalisées avec la même technologie de puce à ADN et chez une seule espèce a été assemblé. De ce jeu de données, 3022 signatures toxicogénomiques correspondant à 452 composés différents ont été obtenues. Des approches de classification non supervisées afin de définir des classes de traitements induisant des altérations transcriptionnelles proches ont été mises en place. 95 et 104 classes ont été obtenues en fonction des méthodes utilisées. Finalement, une attention toute particulière a été portée sur les potentiels nouveaux perturbateurs endocriniens et xénobiotiques reprotoxiques sur-représentés dans trois classes spécifiquement. 22 composés sont en cours de test sur une lignée cellulaire humaine exprimant les enzymes de la stéroïdogenèse (NCI-H295R) pour évaluer leur potentiel effet perturbateur endocrinien. L’ensemble de ce travail a ainsi permis de démontrer la pertinence de nos approches de toxicogénomique pour la prédiction des effets toxiques de composés testés dans d’autres organes et/ou chez d’autres espèces. Il se poursuit à l’heure actuelle par la mise en place d’une base de données, TOXsIgN, permettant l’hébergement et l’accès à l’ensemble de signatures de toxicogénomique générées dans ce projet. De même, mon travail a également permis la mise en place de plusieurs outils dédiés à la toxicologie prédictive et à la visualisation de données, tels que le navigateur de génomes comme le ReproGenomics Viewer (RGV). / The core aim of my thesis project is to develop predictive toxicology approaches based on the integration of massive toxicogenomics datasets using bioinformatics and biostatistics methodologies. Specific objectives include: (1) classification of chemicals based on toxicogenomics signatures, i.e. the set of genes whose expression is known to be positively or negatively altered after exposure to these compounds; (2) the association of the resulting classes with human disorders or deleterious phenotypes based on the well-known toxicants present in those classes; (3) the prediction of novel reprotoxicants and/or endocrine disruptors based on toxicogenomics signature similarities with known chemicals affecting testis development and function. The assembled toxicogenomics dataset contains 23,657 samples covering 7092 experimental conditions (one chemical, one dose, one exposure time, one tissue) for 541 chemicals in seven distinct tissues in the rat from 18 different studies. From this dataset, 3,022 experimental conditions corresponding to 452 distinct compounds are associated to a toxicogenomics signature containing more than ten genes showing an altered expression pattern after exposure. Using unsupervised classification methods, 95 chemical clusters were defined showing close toxicogenomics signatures. The phenotype association analysis using data extracted from de Comparative Toxicogenomics Database (CTD) allowed us to identify three clusters significantly enriched in known endocrine-disrupting chemicals. Currently, 22 compounds are being tested on a human cell line expressing the enzymes of steroidogenesis (NCI-H295R) to evaluate their potential endocrine disrupting effects. These researches allowed us to demonstrate the relevance of integrating massive toxicogenomics datasets to predict adverse effects of compounds tested in different organs. It is currently being pursued through the development of a novel repository, TOXsIgN. This resource provides a flexible environment to facilitate online submission, storage and retrieval of toxicogenomics signatures by the scientific community. Similarly, the current PhD project also yielded to the implementation of several tools dedicated to predictive toxicology and data visualization including the ReproGenomics Viewer (RGV).