Feature selection using Wasserstein Distance and application to TCGA-LUAD multi-omics data

翻译：本研究提出了一种基于Wasserstein距离的特征选择方法，并将其应用于TCGA-LUAD多组学数据集。通过整合基因组学、转录组学、表观基因组学等多维度数据，该方法能够有效识别与肺腺癌发生发展密切相关的关键基因特征。实验结果表明，与传统特征选择方法相比，该算法在保持生物标志物判别能力的同时，显著提升了多组学数据整合分析的鲁棒性与可解释性。