L’apprentissage profond (deep learning) est une méthode d’intelligence artificielle qui a récemment permis de faire d’impressionnants progrès dans de nombreux domaines scientifiques. Parmi ses applications les plus prometteuses se trouvent la médecine personnalisée et l’analyse des données «omiques».  Aujourd’hui, des efforts croissants sont déployés pour utiliser l’apprentissage profond sur des données génomiques, transcriptomiques, protéomiques et méta-génomiques afin de mieux caractériser les patients. Après avoir exposé brièvement le principe des réseaux de neurones, je présenterai nos travaux sur la prédiction de phénotypes à partir de données d’expression de gènes. Dans cette tâche, les deux principaux verrous scientifiques sont la petite taille de la base d’apprentissage et l’interprétation du réseau. Les  méthodes basées sur l’apprentissage par transfert et l’apprentissage semi-supervisé seront utilisées afin de pallier au premier problème. Pour l’interprétation, nous proposons de décomposer le calcul de chaque prédiction dans le réseau de neurones afin d'associer à chaque neurone de la connaissance biologique.