La recherche biomédicale s'appuie sur les données omiques, telles que la transcriptomique, pour déchiffrer la complexité de maladies comme le cancer. Les méthodes traditionnelles d'identification des biomarqueurs transcriptomiques associés à un phénotype font appel à des techniques de sélection de variables. Les méthodes hybrides ensemblistes de sélection de variable (Hybrid Ensemble Feature Selection, HEFS) sont de plus en plus employées dans la dernière décennie pour leur capacité à garantir la robustesse des variables sélectionnées à travers des perturbations fonctionnelles et des données. Toutefois, leur conception reste un défi. Notre première contribution vise à évaluer la stratégie de type HEFS en analysant en détail 4 scénarios appliqués à l'identification de biomarqueurs dans divers cancers à partir de données de transcriptomique RNA-Seq. Ces scénarios explorent les combinaisons de deux méthodes de réduction des variables (gènes différentiellement exprimés et variance) avec deux stratégies de rééchantillonnage (repeated holdout par distribution équilibrée stratifiée et stratifiée aléatoire) pour la sélection de variable en aval de l'agrégation de signatures de milliers de modèles d'apprentissage machine enveloppés. Nos résultats soulignent les avantages de l'utilisation des approches HEFS pour identifier des biomarqueurs de maladies complexes, étant donné leur capacité à produire des résultats généralisables et stables. En outre, nous soulignons les considérations critiques essentielles pour la conception de telles stratégies. Notre deuxième contribution est le développement d'un atlas de signatures de biomarqueurs transcriptomiques de multiples cancers à des stades d'avancement variés. L'étude intégrée de cet atlas avec des données d'annotation biologique éprouvées (ex : REACTOME) doit permettre l'identification de gènes d'intérêt pour divers phénotypes oncologiques.