L'objectif de ce stage était d'étendre une méthode d'inférence de réseaux Bayésiens établie par Lèbre et al. (2010) pour proposer un modèle permettant de prendre en compte différentes sources de données a priori. Pour cela, nous avons adapté et implémenté une fonction générant un échantillon MCMC à sauts réversibles afin d'estimer le réseau de régulation des gènes. L'originalité de l'approche a consisté à modifier les lois a priori sur les arêtes du réseau pour tenir compte d'a priori issus de données biologiques (en plus des mesures d'expression des gènes). Dans la version initiale du modèle de réseau proposé par Lèbre et al. (2010) [2], les réseaux considérés sont pénalisés quand le nombre d'arêtes augmente, les configurations de réseau étant équiprobables à nombre d'arêtes égal. Pour cela, nous avons adapté la méthode proposée par Werlhi et Husmeier (2007) pour le modèle de réseau initial en utilisant une loi a priori exponentielle définie par un paramètre pour chaque jeu de données a priori. La partie essentielle a consisté à calculer les probabilités d'acceptation de chaque mouvement proposées de la méthode RJ-MCMC : ajout d'une arête, suppression d'une arête, modification des hyper paramètres, implémenter la méthode sous R et la tester sur des données simulées.