有600多个基因能使用那些机器学习算法挑出关键的基因对患者是否患病起关键性作用

对于这个问题，可以使用以下机器学习算法：

特征选择算法：这些算法可以帮助我们从600多个基因中筛选出最具有预测性的基因，并排除那些对预测结果没有贡献的基因。常见的特征选择算法包括：互信息、相关系数、卡方检验、Lasso回归、随机森林重要性等。
支持向量机（SVM）：SVM是一种二分类算法，它可以将数据点映射到高维空间中，从而找到一个超平面来分离不同类别的数据。SVM在处理高维数据时表现良好，因此可以用来对基因进行分类。
随机森林（Random Forest）：随机森林是一种集成学习算法，它由多个决策树组成，每个决策树都对数据进行随机抽样和特征选择。随机森林可以用来对基因进行分类，并且能够输出每个基因的重要性评分，帮助我们识别哪些基因对分类结果贡献较大。
神经网络（Neural Network）：神经网络是一种可以学习输入数据与输出数据之间映射关系的模型。可以将基因作为输入，将患病与否作为输出，用神经网络对这些数据进行学习，从而得到一个分类模型。

以上算法都可以用来挑选出关键的基因，对患者是否患病起关键性作用。具体选择哪种算法，要根据数据集的特点和实际情况来决定。