L'hétérogénéité de la composition en types cellulaires d'échantillons biologiques est un marqueur important de la progression d'une maladie, utile pour son diagnostic. Cette composition cellulaire est cependant difficile à évaluer à partir de profils moléculaires d'un échantillon composite, la contribution de chaque type cellulaire aux signaux observés étant inconnue. La déconvolution cellulaire vise à estimer les proportions des différents types cellulaires à partir de ces profils moléculaires, plusieurs types de données omiques pouvant être utilisés dans cet objectif, tels que l'expression des gènes ou leur taux de méthylation de l'ADN. La déconvolution cellulaire s'appuie sur l'hypothèse que le profil moléculaire de l'échantillon composite peut être approché par une somme pondérée de profils moléculaires spécifiques des mêmes gênes pour chaque type cellulaire considéré, les poids étant les proportions inconnues de ces types cellulaires. La plupart des méthodes statistiques utilisées pour la déconvolution cellulaire sont basées sur des extensions de l'algorithme des moindres carrés ordinaires, sous les contraintes de positivité et de somme à un sur les coefficients du mélange. L'utilisation de cet algorithme suppose implicitement l'indépendance, l'homoscédasticité et la normalité des erreurs résiduelles, conditions sous lesquelles il offre des garanties d'optimalité. Dans le cas présent, chacune de ces trois hypothèses est discutable. D'une part, la nature intrinsèque des données omiques requiert des modèles mieux adaptés à leur sur-dispersion : l'expression des gènes par séquençage de l'ARN est par exemple une donnée de comptage et le taux de méthylation de l'ADN un pourcentage. D'autre part, la structure de dépendance induite par le réseau de régulation des gènes est très forte. Le but de ce travail est de proposer un cadre statistique respectant les caractéristiques inhérentes des données biologiques, et permettant d'intégrer plusieurs types de données omiques. L'intégration des données multi-omiques pour la déconvolution cellulaire vise à tirer parti de points de vue complémentaires sur l'hétérogénéité cellulaire. Le cadre statistique général que nous proposons est spécialement conçu pour l'intégration de deux types de données omiques fréquemment utilisés pour la déconvolution cellulaire et cités précédemment, l'expression des gènes par séquençage de l'ARN, pour lesquels un modèle contraint de ré\-gres\-sion binomiale négative est considéré, et le taux de méthylation de l'ADN, utilisant un modèle contraint de régression pour distribution beta. Plusieurs stratégies d'optimisation simultanée sont considérées, basées sur la maximisation sous contrainte de la vraisemblance pondérée, les poids associés aux gènes étant introduits pour renforcer l'influence de certaines combinaisons spécifiques d'expressions et de taux de méthylation de l'ADN, ou sur une sélection de gènes. Une étude comparative de méthodes de déconvolution cellulaire, utilisant conjointement plusieurs types de données omiques ou non, est menée sur des données dites benchmark, utilisant neuf types cellulaires communs dans les études sur le cancer du pancréas (PDAC). Les résultats confirment à la fois le gain de l'utilisation d'une approche multi-omiques et de distributions de probabilités ad hoc pour chaque type de données omiques. Finalement, des perspectives d'améliorations fondées sur des modèles de dépendance entre les erreurs d'approximation par les deux types de données omiques pour chaque gène sont présentées.