目的 利用机器学习模型筛选出糖尿病肾病（DN）的诊断标志基因。方法 从GEO数据库中获取4个与DN相关的转录组数据集，使用R语言对从数据集进行整合，消除批次效应。利用“limma”包筛选出健康对照组和DN组之间的差异表达基因（DEGs）。使用LASSO回归、随机森林（RF）和支持向量机（SVM）3种机器学习模型分别筛选与DN相关性最显著的特征基因，并利用“Venn”包对不同算法筛选的DEGs与铁死亡相关基因取交集，获得与铁死亡相关的DN诊断标志基因。通过差异分析、ROC曲线分析、体内和体外实验验证诊断标志基因的差异表达和诊断效能。结果 共筛选出80个DEGs，机器学习模型筛选的结果和铁死亡相关基因的交集共得出3个诊断标志基因，其中锌指蛋白36(ZFP36)在训练组和验证组中都存在表达差异，且曲线下面积（AUC）> 0.7。小鼠DN模型免疫组织化学和细胞蛋白免疫印迹的实验结果均表明，ZFP36在DN组中表达量显著降低（P <0.05）。结论 ZFP36对DN具有良好的诊断效能，有望成为与铁死亡相关的DN诊断标志物及治疗靶点。