Les réseaux de régulation de gènes (RRG) sont des graphes dans lesquels les nœuds sont des gènes et les arcs représentent les relations de régulation entre gènes régulateurs et gènes cibles. La topologie d’un RRG est caractérisée par un petit nombre de gènes qui ont un grand nombre de connexions alors que la majorité des autres gènes a peu de connexions. Les nœuds hautement connectés s’appellent des hubs ; ils permettent à deux nœuds quelconques d’être connectés par des chemins relativement courts dans les réseaux peu denses que sont les RRGs. HubNeD (Hub-centered network deconvolution) est une nouvelle méthode qui exploite les propriétés topologiques des RRGs pour les reconstruire à partir des profils d’expression des gènes à l’état d’équilibre. La méthode HubNeD se compose de trois étapes : premièrement, une étape de regroupement des gènes considérés comme uniquement régulés en les regroupant dans des communautés de co-régulation hautement homogènes. Deuxièmement, les hubs du RRG sont sélectionnés à partir des gènes restants en analysant les similitudes de leurs profils de corrélation avec les gènes des communautés de co-régulation. Troisièmement, une matrice d’adjacence est calculée par une déconvolution centrée sur les hubs des scores de corrélation de Pearson. Cette dernière étape pénalise les connexions directes entre deux gènes qui n’ont pas été choisis comme hubs, réduisant ainsi le taux de faux positifs. La stratégie originale consistant à reconstituer le RRG après une étape de sélection des hubs permet à HubNeD d’obtenir les meilleures performances sur les jeux de données d’expression associés aux deux RRGs bien établis de E. Coli et Saccharomyces cerevisiae.