L'identification des sites cibles des microARN (miARN) est essentielle pour l'étude de la régulation des gènes. Il existe des dizaines de méthodes computationnelles pour prédire les sites cibles des miARN. Malgré leur existence, il demeure difficile d'identifier de manière fiable ces sites cibles, en partie en raison de notre compréhension limitée de leurs caractéristiques. Les données CLASH (cross-linking ligation and sequencing of hybrids) récemment publiées offrent une opportunité inédite d'étudier les caractéristiques des sites cibles de miARN et d'améliorer les méthodes de prédiction. En appliquant quatre approches distinctes d'apprentissage automatique aux données CLASH, nous avons dégagé sept nouvelles caractéristiques des sites cibles de miARN. En combinant ces nouvelles caractéristiques avec celles couramment utilisées par les algorithmes de prédiction existants, nous avons développé une approche nommée TarPmiR pour la prédiction des sites cibles de miARN. Lors d'essais sur deux jeux de données humains et un jeu de données murin non-CLASH, TarPmiR a prédit plus de 74,2 % des véritables sites cibles de miARN dans chaque jeu de données. Par rapport à trois approches existantes, nous avons démontré la supériorité de TarPmiR en termes de rappel et de précision.