[摘 要] 目的：基于干性相关基因鉴定食管鳞状细胞癌（ESCC）干性相关分子亚型，并构建亚型分类器，以期为预测ESCC患者治疗反应提供参考。方法：从StemChecker数据库获取26个干性相关基因集，对源自TCGA-ESCC及GSE53625数据库的259例ESCC样本转录组数据采用单样本基因集富集分析算法进行量化，随后通过一致性聚类法鉴定ESCC干性亚型，并系统评估了不同亚型在预后特征、肿瘤微环境、干性生物学过程及治疗反应等方面的差异。通过加权基因共表达网络分析（WGCNA）鉴定ESCC干性亚型核心基因集，并基于随机森林、XGBoost和神经网络三种机器学习算法构建并验证ESCC干性亚型分类器。结果：基于26个干性基因集的单样本基因集富集分析量化结果，将ESCC划分为两种干性亚型（命名为C1与C2），259例ESCC样本中，109例归为C1亚型，150例归为C2亚型，二者在细胞分子特征、免疫微环境及治疗反应方面呈现显著差异。与C1亚型相比，干性C2亚型表现为不良预后[Kaplan-Meier分析显示C2亚型总生存期显著短于C1亚型（log-rank P = 0.028）]、更强干性特征、更高水平的M2型巨噬细胞浸润、癌症相关成纤维细胞含量及间质评分；治疗策略方面，TIDE算法预测C1亚型免疫治疗应答率为54.13%（59/109），显著高于C2亚型的24.00%（36/150）（P < 0.01），表明C1亚型患者更可能从免疫治疗获益；而C2干性亚型患者对顺铂、吉西他滨及多西他赛的敏感性更高。WGCNA在TCGA-ESCC队列中鉴定出蓝色模块，在GSE53625队列中筛选出黑色模块，这两个核心基因模块与C2干性亚型最具相关性。整合双队列模块基因集后，最终确定7个基因作为C2干性亚型的核心基因。基于7个基因转录组数据在训练集构建了机器学习分类模型，并在独立验证集中通过混淆矩阵结果证实了相较于XGBoost和神经网络模型，建立的随机森林干性分型模型准确率达86.92%，AUC为0.91（95% CI：0.86～0.96），显著优于XGBoost（P < 0.001）和神经网络（P < 0.01）。结论：揭示了ESCC干性异质性，所构建的随机森林干性亚型分类器有助于实现ESCC患者的分子分型及个体化治疗方案的精准选择。