Les modèles à variables latentes profondes (DLVMs) largement utilisés, en particulier les Autoencodeurs Variationnels (VAEs), emploient des a priori excessivement simplistes sur l'espace latent. Pour obtenir de bonnes performances en clustering, les méthodes existantes qui remplacent l'a priori normal standard par un modèle de mélange gaussien (GMM) nécessitent de définir le nombre de clusters proche du nombre de classes attendues a priori et sont sensibles aux mauvaises initialisations. Nous utilisons les concepts du VampPrior (Tomczak et Welling, 2018) pour ajuster un a priori GMM bayésien, aboutissant au modèle de mélange VampPrior (VMM), un nouveau type d'a priori pour les DLVMs. Dans un VAE, le VMM atteint des performances très compétitives en clustering sur des jeux de données de référence. L'intégration du VMM dans scVI (Lopez et al., 2018), une méthode populaire d'intégration scRNA-seq, améliore considérablement ses performances et organise automatiquement les cellules en clusters présentant des caractéristiques biologiques similaires.