重性抑郁障碍（Major depressive disorder,MDD）是一项全球性的健康挑战,严重影响着患者的生活质量。由于MDD发病机理复杂多样,并伴有不同的症状,使得临床诊断与治疗较为困难。因此,寻找有效的生物标志物不仅有助于了解MDD的病因,提高MDD的诊断效率,也有助于合理用药提高抗抑郁治疗的效果。本研究的目的在于,使用机器学习的方法建立基于外周血转录标志物的MDD诊断模型和氯胺酮疗效预测模型。以下内容是本论文两个章节的简要概述。（1）利用机器学习寻找MDD的诊断标志物首先,我们从Gene Expression Omnibus（GEO）数据库中收集了九个表达芯片数据集,每个数据集中都包括MDD患者组和健康对照组。经过一系列质量控制和异质性测试后,来自六项研究的302个样本被纳入meta分析。结果发现了6个在MDD患者和健康对照之间差异表达的基因（FDR＜0.05）,它们分别为AKR1C3,ARG1,KLRB1,MAFG,TPST1和WWC3。接受者操作特征曲线（Receiver operating characteristic curve,ROC）分析用于评估单个基因的诊断效力,这六个基因的曲线下面积（Area under curve,AUC）分别为0.63±0.04、0.65±0.07、0.70±0.11、0.64±0.08、0.68±0.07和0.62±0.09。为了获得更好的诊断模型,我们采用支持向量机（Support vector machine,SVM）、随机森林（Random forest,RF）、k最邻近算法（k-nearest neighbors,k NN）和朴素贝叶斯（Naive Bayesian,NB）这四种机器学习算法构建模型,得到的AUC分别为0.84±0.09、0.81±0.10、0.73±0.11和0.83±0.09。我们使用其中分类效果最好的SVM构建MDD诊断模型。最终的SVM模型能够较好地区分MDD样本和健康对照样本,并在独立数据集中对该模型的诊断效果进行验证,得到的AUC为0.78。（2）利用机器学习寻找预测氯胺酮疗效的标志物我们对83名难治性抑郁症（Treatment-resistant depression,TRD）患者进行为期两周共6次氯胺酮静脉注射治疗,并记录受试者的汉密尔顿抑郁（Hamilton depression scale,HAMD）量表评分。在基线时,采集受试者全血样品,进行RNA全转录组测序分析。根据基线转录组数据,我们建立包含15个特征基因的SVM模型用于预测氯胺酮治疗反应。该模型在训练样本中的AUC高达到0.96,准确率为93.1%,在验证样本中的AUC为0.8,准确率为81.8%。综上,本研究通过机器学习的方法找到了可靠一致的MDD诊断标志物和预测氯胺酮疗效的标志物,该研究为寻找复杂精神类疾病的潜在生物标志物提供了新见解。基于这些生物标志物构建的SVM模型有望成为MDD诊断和治疗预测的新方法。