目的 利用生物信息学研究类风湿关节炎(Rheumatoid arthritis，RA)铜死亡相关分子模式和诊断性生物标志物，同时预测具有潜在治疗作用的中药。方法 从Tibiofemoral joint基因表达综合数据库中下载GSE55235、GSE55457、GSE77298表达谱Gefitinib-based PROTAC 3核磁数据作为训练数据集，提取铜死亡相关基因进行分析。选择RA患者和健康对照组之间差异表达的铜死亡相关基因（Differentially expressed cuproptosis-associated gene，DECAG），分析DECAG相关的免疫浸润、生物学功能。根据DECAG的表达量对RA患者进行共识聚类分型，基于分型进行加权基因共表达网络分析（Weighted gene co-expression network analysis，WGCNA）来识别核心基因。取degree值前100的核心基因做GO和KEGG富集分析并构建训练模型，训练模型包括随机森林模型（Random forest，RF）和支持向量机模型（Support vector machine，SVM）、eXtreme gradient boosting（XGB）模型和广义线性模型（Generalized linear model，GLM），筛选与RA特征最相关的5个基因作为诊断性生物标志物并进行验证。最后进行中药预测。结果 获得6个DECAG（NLRP3、SLC31A1、LIAS、Cselleck AMG510DKN2A、DBT、DLST）。使用共识聚类方法将RA基因分为两个亚型（C1，C2），分型WGCNA获得核心基因418个。取degree值前100的核心基因构建训练模型，基于对|残差|的反向累积分布图和|残差|的箱线图的分析，发现SVM模型与其他三种模型相比，SVM模型维持最低的|残差|分布。总体受试者工作特征曲线(Receiver operating characteristic curve，ROC）结果显示，SVM模型比其他三个模型具有更高的网络曲线下面积(Area under the curve，AUC）值(AUC:0.966)。综合考虑，SVM模型为最合适的训练模型。获得5个与RA特征最相关的基因（TMOD3、PIK3CG、WASL、FGF4、GSN），基于5个RA特征基因的表达水平，建立了临床应用列线图，并且决策曲线分析(Decision curve analysis，DCA)图和校正曲线图也显示结果具有良好的预测准确…