目的 旨在筛选与LN相关的潜在生物标志物，以期用于早期诊断、病情监测和更精准的治疗方案制定。方法 从基因表达谱数据库（gene expression omnibus,GEO）下载了GSE22221、GSE112943、GSE99967和GSE32591的基因表达数据。通过加权基因共表达网络分析（weighted gene co-expression network analysis,WGCNA）和微阵列数据的线性模型（linear models for microarray data,LIMMA），获得了交集基因。随后，利用基因本体论（gene ontology,GO）和京都基因与基因组百科全书（kyoto encyclopedia of genes and genomes,KEGG）对这些交集基因进行了生物功能和信号通路分析。接着，通过蛋白质-蛋白质相互作用（protein-protein interaction,PPI）网络分析、CytoHubba算法、支持向量机（support vector machine,SVM）和随机森林（random forest,RF）方法，筛选出了与LN高度相关的枢纽基因，进行了受试者工作特征曲线（receiver operating characteristic,ROC）分析，并利用GSE72798数据集对3个潜在的生物标志物进行了验证。结果 WGCNA分析获得绿黄色模块（P=7.4e-40）和青色模块（P=1.5e-14）；利用LIMMA法筛选到193个差异表达基因；共鉴定出113个LN相关的交集基因，GO和KEGG分析显示这些基因主要富集在病毒或细菌的防御、I型干扰素信号途径、中性粒细胞介导的免疫和Toll样受体信号等方面。通过CytoHubba、SVM和RF 3种方法筛选出MX1、IFI44和STAT1，其曲线下的面积（area under the curve,AUC）分别为0.874、0.879和0.833。验证数据集显示，MX1、IFI44和STAT1在LN患者中的表达显著高于健康人群（P <0.001）。结论 MX1、IFI44和STAT1在LN的发病机制中起到了关键作用，可能成为LN的重要生物标志物和未来的潜在治疗靶点。