Nous présentons une approche de classification hiérarchique développée pour des données de séquençage ARN faiblement supervisées dans le cadre de la biologie du développement. L'objectif est d'apprendre à classer des données vectorielles, représentant des cellules, structurées dans un arbre traduisant des liens de parenté directe entre deux cellules. Dans ce contexte, du fait de la difficulté d'obtenir des informations de supervision, seule une petite partie des données disponibles est étiquetée et une autre partie des données, éventuellement grande, est supervisée mais avec ambiguïté, c'est à dire qu'une donnée est étiquetée par un ensemble de labels candidats. Nous proposons une méthode de classification hiérarchique adaptée à ce problème en s'inspirant d'une méthode de l'état de l'art en classification hiérarchique supervisée et en proposant une version inspirée de la prédiction structurée avec variables latentes. Il s'agit d'une tâche nouvelle pour laquelle nous ne connaissons pas d'autres approches aujourd'hui en biologie, nous explorons donc le comportement de notre approche et comparons les performances de plusieurs variantes que nous déclinons sur des jeux de données construits à partir d'un jeu de données de référence en biologie pour refléter diverses situations en termes de distribution de données étiquetées ou partiellement étiquetées.