摘要目的:代谢相关性脂肪性肝炎(metabolic dysfunction-associated steatohepatitis,MASH)是代谢相关性脂肪性肝病(metabolic dysfunction-associated fatty liver disease,MAFLD)的进展阶段,目前主要依赖肝活检进行确诊,存在创伤性强、依从性差等问题.因此,亟需开发非侵入性生物标志物以辅助诊断.本研究旨在通过整合机器学习算法与肝脏转录组数据,筛选MASH关键诊断基因,并探讨分泌型磷蛋白1(secreted phosphoprotein 1,SPP1)在MASH中的调控机制及诊断价值.方法:从基因表达综合数据库(gene expression omnibus,GEO)获取MAFLD患者肝脏转录组数据集,通过差异表达分析筛选差异表达基因(differentially expressed genes,DEGs).结合随机森林、人工神经网络、Lasso回归和支持向量机递归特征消除算法筛选关键基因,构建Neural-MASH诊断模型,并通过受试者工作特征(receiver operating characteristic,ROC)曲线评估性能.进一步分析候选关键基因与免疫细胞浸润及临床指标的相关性,并进行功能富集分析.结果:共筛选出85个DEGs,功能富集显示其与p53信号通路和细胞外基质(extra cellular matrix,ECM)-受体相互作用密切相关.通过多算法交叉验证,确定SPP1、含Fc受体样及黏蛋白结构域蛋白(fc alpha and mu receptor,FCAMR)、含黄素单加氧酶 1(flavin-containing monooxygenase 1,FMO1)为关键基因,其中SPP1在MASH中表达上调,且与B细胞、巨噬细胞M0浸润及临床指标呈正相关(均P＜0.05).Neural-MASH模型在训练集和验证集中的曲线下面积(area under curve,AUC)分别为1.000和0.811.功能分析揭示SPP1主要参与ECM、细胞迁移调控、脂质定位及IL-18信号通路等生物学过程.结论:SPP1可作为MASH的潜在诊断标志物,其与免疫微环境的交互作用可能在疾病进展中发挥关键调控作用.基于机器学习所构建的Neural-MASH模型具有较高的诊断效能,可为MASH的无创诊断提供参考依据.