Pour étudier le comportement de systèmes biologiques avec des modèles discrets, on peut coupler des approches dynamiques et de la vérification de modèles, décrivant ainsi les trajectoires du système sans toutefois quantifier leur importance. Indépendamment, des modèles probabilistes booléens informent sur le comportement asymptotique moyen mais oublient les aspects temporels. Ce projet vise à développer une modélisation intermédiaire, qui intègre des aspects temporels (à l’échelle du gène dans la cellule, inspiré des modèles dynamiques) et quantitatifs (à l’échelle de la protéine dans une population; inspiré des approches probabilistes). Nous nous appuierons sur des chaines de Markov et des méthodes d'inférence grammaticale, et validerons cette approche sur un modèle réel d'initiation de la traduction chez l'oursin.