L'apprentissage profond sur les graphes, et plus généralement sur les données structurées non-euclidiennes, est récemment devenu un sujet principal dans le domaine de l'apprentissage automatique, avec de nombreuses applications dans la classification d'images, la détection de communautés, les systèmes de recommandation, le traitement du langage naturel, la classification des molécules, la prédiction d'interface protéique, la chimie quantique, épidémiologie….. etc. En particulier, les modèles profonds tels que les réseaux de neurones sur graphes (Graph Neural Networks) sont devenus des outils très populaires, avec leurs succès dans nombreuses applications. Dans cet exposé, nous présenterons les objectifs  et les fondements méthodologiques clés de l'apprentissage de représentations profondes sur graphes, ainsi que les travaux menés dans différentes applications médicales, à savoir l'annotation automatique de protéines et l'analyse d'images IRM multimodales en utilisant des techniques avancées d'apprentissage de représentations multi-vues.

Mots-clés: Apprentissage profond sur graphes, apprentissage de représentation mutli-vues, analyse de données médicales