我开始写这篇文章作为评论，但我意识到我有太多话要说......我也不确定这是否是一个正确的答案，但希望它有用：

• 我不确定我是否理解这里的“实验 id”代表什么，但是这种将其作为分组变量的想法对我来说似乎不是很好：模型将使用它作为潜在的解释目标的变量，我不确定这就是你想要的。
• 我肯定会建议将一名患者的所有观察结果格式化为一个实例。该模型假设实例彼此独立，因此它不能使用共享患者 ID 的两个实例之间的关系。
• 30 个不同的基因作为特征可能非常好，但这取决于你有多少实例作为训练数据。太少的实例和/或太多的特征可能导致过度拟合，即模型使用数据中偶然发生的细节作为模式。无论如何，这类问题有一些选择，特征选择将是最明显的一个。
• 对于一个患者的重复测量，假设测量总是包括所有/大部分基因，这不一定是一个问题：不同的测量集可以用作不同的实例。然而，在这种情况下，分布中可能存在一些偏差，例如，如果多种测量值在健康患者中更为常见。一种解决方法是始终为每个患者包含 N 个实例，如果患者没有多组测量，则在需要时重复相同的测量。
• 关于不同的患者组：我的第一个直觉是简单地为每个组训练一个不同的模型，这样您就可以观察模型（或它们的预测）的不同之处。
• 如果目标是找到最重要的致病因素，我建议训练一个简单的决策树模型：决策树易于观察和解释，在树的顶部/根部具有最具辨别力的特征。不要犹豫，限制参数，特别是树的深度，以使结果可读。