〔摘　要〕 目的 基于机器学习算法和结构生物学预测，筛选系统性红斑狼疮(SLE)的潜在生物标志物，揭示其作用机制，为 SLE诊断和治疗提供新靶点 。方法 利用随机森林(RF) 、极限梯度提升算法( XGBoost) 、支持向量机( SVM) 、最小绝对收缩和选 择算子(LASSO)4 种机器学习算法，分析基因表达综合数据库 GEO（数据集：GSE121239 和 GSE11907)中 SLE 患者基因表达数据，筛选关键标志物 。收集 SLE 患者外周血单个核细胞(PBMCs) , 采用 RT⁃qPCR 法检测差异基因的表达水平 。利用 GSEA 富集分析来确定生物标志物相关通路 。应用 CIBERSORT 免疫浸润分析和蛋白互作网络计算样本免疫细胞浸润丰度 。分析单细胞数据在免疫细胞中的基因表达特异性，并结合 AlphaFold3(AF3)预测相互作用关系 。结果 多种算法一起筛选出独特的标记基因 HERC5；多个数据集的表达分析显示，与正常组相比，HERC5 在 SLE 中高表达(P < 0. 05) , RT⁃qPCR 验证了相同的趋势(P = 0. 006 2) 。功能富集分析确定 SLE 中 HERC5 促进的主要途径为干扰素受体信号通路(P < 0. 05) 。免疫浸润分析显示HERC5 与免疫细胞密切相关（中性粒细胞：r = 0. 39 , P < 0. 05；记忆 B 细胞：r = 0. 33 , P < 0. 05；激活的树突状细胞：r = 0. 52 ,P < 0. 05) 。大多数 HERC5 相关相互作用蛋白与 SLE 相关，HERC5 及其相关基因的潜在转录因子也与免疫反应显著相关。结论 HERC5 基因是 SLE 重要的生物标志物，其可能通过干扰素通路促进 SLE 进展，为 SLE 诊断和治疗提供新靶点。