〔摘　要〕 目的 利用加权基因共表达网络分析(WGCNA)、机器学习算法、免疫浸润分析和动物实验筛选肛瘘(AF)潜在的生物标志物。方法 下载基因表达数据库中包含AF和瘘管旁组织(PF)的转录组数据进行差异分析，对差异表达基因(DEGs)进行基因本体(GO)和京都基因与基因组百科全书(KEGG)信号通路富集分析。整合WGCNA结果和DEGs,筛选AF相关基因。利用最小绝对收缩和选择算子(LASSO)、支持向量机递归特征消除(SVM-RFE)和随机森林(RF)等机器学习方法筛选AF的潜在生物标志物，并进行免疫浸润分析，复制AF大鼠模型进行验证。结果 共获得377个DEGs,主要富集在B细胞受体信号通路、趋化因子信号通路等。机器学习算法筛选出AF的潜在生物标志物基质金属蛋白酶13(MMP13)。AF样本中记忆B细胞、浆细胞、M0巨噬细胞、M1巨噬细胞比例高于PF样本，静息CD4记忆T细胞、静息树突细胞比例低于PF样本。MMP13与M0巨噬细胞、活化肥大细胞和幼稚B细胞呈正相关；与静息肥大细胞呈负相关。实验结果显示，大鼠AF样本中MMP13表达水平高于对照组。结论 AF发病涉及多种免疫细胞和信号通路，MMP13在AF组织中表达显著增高，与多种免疫细胞具有相关性，可能成为AF潜在的生物标志物。