摘要目的 本研究通过加权基因共表达网络分析(weighted gene co-expression network analysis,WGCNA)和多种机器学习方法识别脓毒症免疫抑制特征基因,并预测其靶向中药活性成分.方法 从美国国家生物技术信息中心基因表达综合数据库中下载GSE182522 数据集,使用Bioconductor的"limma"软件包提取出差异表达基因(differentially expressed genes,DEGs),对DEGs进行京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes,KEGG)通路和基因本体论(gene ontology,GO)富集分析,同时采用WGCNA,以及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归、支持向量机递归特征消除(support vector machine-recursive feature elimination,SVM-RFE)、弹性网络回归分析 3 种机器学习法筛选出脓毒症免疫抑制特征基因.随后,构建受试者操作特征曲线(receiver operating characteristic curve,ROC curve,简称ROC曲线)验证特征基因的诊断效能,并绘制箱线图展示特征基因的表达模式.选取SPF级BALB/c小鼠 39 只,采用随机数字表法将小鼠随机分为脓毒症免疫正常组(n=20)和脓毒症免疫抑制组(n=19).盲肠结扎穿孔术构建脓毒症小鼠模型,在术后12h取脓毒症免疫正常组小鼠的外周血,术后24 h取脓毒症免疫抑制组小鼠的外周血.采用逆转录定量聚合酶链反应(reverse transcription quantitative polymerase chain reaction,RT-qPCR)检测两组小鼠TRBV7-2 的表达情况,验证TRBV7-2 的诊断效能.最后,通过分子对接技术预测特征基因潜在靶点中药活性成分.结果 共筛选出 445 个DEGs,其中上调基因 173 个,下调基因 272 个.DEGs主要富集于氮代谢、胆汁分泌、胃酸分泌 3 条信号通路,分子功能的正调控、细胞对含氧化合物的反应、细胞对含氮化合物的反应、对肽的响应、葡萄糖输入的调控等生物过程,质膜蛋白复合体、T细胞受体复合物、细胞侧膜等细胞组分,核苷三磷酸酶调节活性、GTPase激活剂活性、外源蛋白结合等分子功能.通过WGCNA共筛选出 56 个枢纽基因,3 种机器学习交集得到 1 个特征基因:TRBV7-2.ROC曲线分析得出TRBV7-2的AUG=0.72,具有较高的临床诊断价值,其表达量在脓毒症免疫抑制患者样本中显著下调.RT-qPCR结果显示,脓毒症免疫抑制组小鼠血液中TRBV7-2 基因表达低于脓毒症免疫正常组.通过分子对接技术得出小檗碱、黄芩苷、苍术素等10个潜在靶向中药活性成分.结论 TRBV7-2 可能作为脓毒症免疫抑制的诊断生物标志物,小檗碱等 10 味靶向中药活性成分可能成为降低脓毒症致死率的立足点.