摘要目的 通过机器学习建立并验证阿尔茨海默病(Alzheimer's disease,AD)发病机制中双硫死亡相关基因的表达模式和诊断性生物标志物.方法 从GEO数据库下载GSE33000作为训练数据集,提取双硫死亡相关基因进行分析.通过免疫浸润和GSVA富集分析,比较AD患者和健康对照之间的差异表达基因在不同免疫细胞中的表达情况及其生物学功能.利用共识聚类方法将AD患者分为两个亚组,并对AD组与健康对照组及AD分型亚组进行加权基因共表达网络分析(WGCNA),将两个结果的交集基因作为AD特征基因.通过随机森林模型(RF)和支持向量机模型(SVM)、极限梯度提升算法(XGB)模型和广义线性模型(GLM)构建训练模型,筛选出最相关的5个基因作为诊断性标志物,并在GSE122063数据集中进行验证.结果 在文献中已证实的24个双硫死亡相关基因中,有22个基因在AD发病过程中显著差异表达.免疫浸润分析发现浆细胞、CD8+T细胞、单核细胞可能在双硫死亡调控AD中发挥重要作用.GSVA富集分析结果表明:对比于C1亚组,C2亚组中双硫死亡相关差异表达基因在亨廷顿病、帕金森病和阿尔茨海默病中上调.通过共识聚类方法将AD基因分为两个亚组(C1和C2),通过WGCNA识别显著模块并将结果取交集后获得63个AD特征性基因.训练模型结果显示,SVM模型的残差分布最低,ROC曲线下面积(AUC)值最高(0.946).SVM模型筛选的前5个AD特征基因为PARP10、MAP2K1、PTBP1、PAK1和NMS,并基于此建立AD诊断风险评估列线图.决策曲线和校正曲线分析结果显示该模型预测准确度良好.在GSE122063外部数据集中验证模型准确性,ROC结果显示AUC值为0.788,模型构建成功.结论 双硫死亡在AD的发生和诊断中起重要作用,未来可根据双硫死亡相关基因预测并筛选具有潜在治疗AD作用的药物.