專利名稱：：用于圖像中物體對準的系統(tǒng)及方法
技術領域：
：本發(fā)明涉及用于自動對準圖像中的物體(例如兩維核磁共振光譜中的高峰)的處理、設備、媒體以及信號。
背景技術：
：在計算機顯示、物體識別以及圖像分析方面，圖像中的物體匹配(也被稱為圖像對準)已經(jīng)成為非常重要的課題。匹配方法的性能取決于特征的特性以及所使用的匹配措施?？梢赃M行圖像中的物體匹配的一種應用是核磁共振(NMR)光譜的分析，并且在上述光譜中將等量高峰彼此對準。NMR光譜通常包括由表示樣本的分子特征的物體構成的一維或多維子的存在。在醫(yī)學應用中，利用NMR光譜學(NMR)以分析復合生物樣本并將它們相互進行比較已經(jīng)有較長的歷史。例如，利用NMR由個體(individual)代謝組(metabonomics)產(chǎn)生的內源代謝物的比較代謝物輪廓(profiling)已經(jīng);陂用在對阿霉素及interleukin-2療法的反應的早期預測中。參見Ewens等，2006,CancerRes.66,5419。很多利用NMR的代謝組學研究是基于一維力NMR,其具有較少的樣本獲取時間，并易于分析。但是，來自復合生物樣本的NMR的較高的光譜聚集(spectralcongestion)對可被唯一地辨認并量化的代謝物的數(shù)量造成限制。近來，二維iH盧CNMR被用來分析酵母代謝組中全球代謝改變。參見Peng,2007，MetabolicEngineering9，8-20。因為幾乎全部內源代詢十物均包含碳，故第二13CNMR維提供了大大拓寬的光譜范圍(~200parts/million)，并且使得能夠分離并準確識別很多沿〗HNMR尺寸聚集成單個物體的代謝物。但是，比較NMR代謝物輪廓需要在多個光譜上對準表示相同代謝物的物體(高峰)。天然iH^CNMR對此產(chǎn)生了一些挑戰(zhàn)。首先，在多個樣本或復制體中表示相同的代謝物的目標的位置在二維)H-"CNMR光譜中并不固定。因為在各個測量光譜時實驗條件不可能百分之百完全相同，故總會觀察到微小的位置偏移。實驗條件(例如pH)微小的改變也會造成目標偏移。即使對于相同樣本的復制體，上述偏移也不可避免。第二，這些偏移并不成體系。在光譜中各個目標的偏移的方向及程度并不相同。目標在光譜的不同區(qū)域中可以不同程度向不同方向偏移。此外，并非全部代謝物均存在于全部樣本中，因此希望獲得將微小信號但不會將其相鄰重要信號與表示相同代謝物的目標對準的能力。因此，因為以上原因，對比多維NMR代謝物輪廓存在常規(guī)的問題將圖像中的目標對準。在NMR中，目標是在NMR光譜中出現(xiàn)的高峰。諸如NMR代謝物輪廓的很多圖像會存在可被采用以對準圖像中目標的特性。例如，盡管NMR光譜的目標偏移在全球范圍內并不一致，但相同光譜的較小區(qū)域內的目標卻呈現(xiàn)出類似的偏移圖案，其中這些目標朝向類似方向以類似程度偏移。因此，在不同光譜上的局部圖案通?？梢云ヅ?。用于將圖像中的目標對準的常規(guī)處理方法并未令人滿意地采用匹配的局部偏移的這些圖案。因此，業(yè)界所需的是利用匹配的局部偏移的圖案，用于在多個圖像中對準目標的改進的處理、設備、媒體以及信號。
發(fā)明內容提供了用于將多個圖像中的目標對準的改進的處理，設備，介質及信號。用于將多個圖像中的目標對準的改進的處理，設備，介質及信號可被用于諸如二維NMR光譜的N維圖像中的常規(guī)點對準問題。有利的是，該用于將多個圖像中的目標對準的改進的處理，設備，介質及信號利用了匹配局部偏移的纟莫式。一個實施例才是^洪了用于對準多個目標組中諸如高峰的目標的方法。每一個上述目標組分別包括在多個圖像中的相應圖像(例如，NMR光譜)中發(fā)現(xiàn)的目標。例如，多個圖像可以是多個二維NMR光譜，其中每一個光譜分別具有包括各個光譜(或者光譜中高峰的選擇子組)中全部高峰的相應目標組。該方法包括為所述多個目標組中第一目標組中的各個目標中每一者分別構造包含所述第一目標組中的所述各個目標的相應目標集，由此構造多個目標集。由此，在該初始階段，多個目標集包括用于特定(第一)目標組中各個獨特目標的一個目標集。換言之，因為每一個目標組均對應于圖像，故在此初始階段，多個目標集包括用于特定圖像(與第一目標組對應的圖像)中各個獨特目標的一個目標集。然后，為所述多個目標組中目標組中的各個目標每一者分別計算多個相似度度量。每一個上述相似度度量均處于(i)所述各個目標與(ii)所述多個目標集中目標集中目標之間。上述計算的目的在于確定要將各個目標置于哪一個目標集。當兩個條件滿足時將各個目標增加至多個目標集中的第一目標集。首先，所述各個目標與所述多個目標集中的第一目標集中的目標之間的所述相似度度量必需優(yōu)于所述各個目標與所述多個目標集中任何另一目標集中的目標之間的所述相似度度量時。其次，所述各個目標與所述第一目標集中的目標之間的坐標差異必需低于閾值。否則，如果不滿足這些條件，則生成新的目標集并將各個目標集增加至所述新生成的目標集。為所述多個目標組中剩余各個目標組重復將目標分配至目標集的處理。以此方式，處于同一目標集中的目標祐j見為彼此對應。由此將所述多個目標組中的目標對準。當?shù)谝荒繕伺c第二目標表示兩個目標組中相同可視量時，將第一目標組中的第一目標與第二目標組中的第二目標對準。例如，當?shù)谝慌c第二目標對準(相關)時，如果第一目標表示存在或缺乏特定代謝物，則第二目標也表示存在或缺乏特定代謝物。當然，第一目標可表示在與第二目標不同的生物樣本中存在或缺乏特定代謝物而仍然與第二目標對準。因此，對本發(fā)明中目標之間的相關性的對準或識別是分配操作。對于多個目標組(每一個均包括多個目標)，本發(fā)明的系統(tǒng)及方法確定多個目標中哪些目標相同(表示相同可3見量)。對于目標組中的多個目標，解決該問題的方法是對準處理。當完成該對準處理時，將目標組中的特定目標視為相互對準(相關)。在一些實施例中，目標集或目標組中各個目標的特征在于第一維值x及第二維值Y。在一些實施例中，第一維值X對應于碳(13C)原子的核磁共振，而第二維值Y對應于氫(111)原子的核磁共振，并且當IC2-C"〈Bc，并且IH2刮〈BH時，各個目標與第一目標集中目標之間的所述坐標差異低于閾值，其中C2是用于各個目標的第一維指標；d是用于第一目標集中目標的第一維指標；H2是用于各個目標的第二維指標；W是用于第二目標集中目標的第二維指標；Bc是第一維閾值極限值；而BH是第二維閾值極限值。在一些實施例中，所述多個圖像中的各個圖像分別是二維圖像。在一些實施例中，所述多個圖像中的各個圖像分別是N維圖像，其中，N等于1或更大。在一些實施例中，當IC卩-C/I〈B，ICn2畫C:I〈Bn時各個目標與第一目標集中目標之間的所述坐標差異低于閾值，其中C卩是用于各個目標的第i維指標；C/是用于第一目標集中目標的第i維指標；而B!是第i維閾值極限值。在一些實施例中，所述多個圖像中的各個圖像分別是二維圖像。在一些實施例中，所述多個圖像中的圖像是二維核磁共振光譜，并且所述圖像中的所述目標是所述二維^-"C核磁共振光譜中的高峰。在一些實施例中，所述多個圖像中的圖像是二維核磁共振(NMR)光譜，三維NMR光譜，或者四維NMR光譜，并且所述圖像中的所述目標是所述二維，三維，或者四維NMR光譜中的高峰。在一些實施例中，所述多個圖像中的圖像是二維異核或同核磁共振光譜，并且所述圖像中的所述目標是所述二維異核或同核磁共振光譜中的高峰。在一些實施例中，所述多個目標組中的目標組包4臺50個目標，200個目標，1000個目標或者10000個目標。在一些實施例中，所述多個圖像包括iH-。C核磁共振光譜，并且其中，根據(jù)以下公式sim=-{dist(A,^》2;((Ci-Cj)2+X(Hi隱Hj力，來計算所述目標與多個目標集中目標集中的目標之間的相似度度量，其中sim(A'，)是各個目標》/與目標集中目標A'之間的相似度度量；Ci是目標A'在13C維中的坐標；Cj是目標巧在"C維中的坐標；Hi是目標A'在^維中的坐標；Hj是目標^/在^維中的坐標；而入是標準化常數(shù)。在一些實施例中，當所述目標與所述靶目標集之間的相似度度量大于所述把目標組中任何其他目標與所述靶目標集之間的所述相似度度量時，所述目標與所述靶目標集之間的所述相似度度量具有所述最佳相似度得數(shù)。在一些實施例中，所述方法還包括對在所述多個目標集中分配目標進行優(yōu)化。例如，一種優(yōu)化方法包括(i)在所述多個目標集中選擇目標集的子組合；(ii)從被分配至目標集的所述子組合的所述多個目標組中的目標組選擇目標的子組合；(iii)為目標的所述選擇子組合與目標集的所述選擇子組合的每一個可能的目標-目標集組合分別計算相似度得數(shù)；并且(iv)根據(jù)在步驟(iii)中實現(xiàn)所述最佳相似度得數(shù)的所述目標-目標集組合來將所述目標組中的目標的所述選擇子組合重新分配至目標集的所述選擇的子組合中的目標集。在一些實施例中，為所述多個目標組中每一個目標組重復步驟(ii)，(iii)及(iv)。在一些實施例中，為所述多個目標集中目標集的不同子組合重復步驟(i)，(ii),(iii)及(iv)。在一些實施例中，在所述多個目標集中目標集的給定不同子組合，為所述多個目標組中各個目標組重復步驟(ii)，(iii)及(iv)。在一些實施例中，重復步驟(i),(ii)，(iii)及(iv)數(shù)次，并且其中，每一次重復步驟(i),(ii),(iii)及(iv)均是為所述多個目標集中目標集的不同子組合。在一些實施例中，所迷優(yōu)化方法還包括(v)為所述多個目標組中的各個目標組重復步驟(ii)，(iii)及(iv);(vi)確定在步驟(v)之前是否用于目標功能的值已經(jīng)相對于用于所述目標功能的值改進。如果所述目標功能已經(jīng)改進時，為所述多個目標集中目標集的不同子組合重復步驟(i)，(ii)，(iii)及(iv)。如果所述目標功能尚未改進時，結束所述優(yōu)化步驟。在一些實施例中，可選地表示為F(對準策略)的所述目標功能是F(對準策略)=2/(目標集10K=l,多個目標集中的全部目標集其中，f(目標集k)=2>/附(^A)日標集k中的全部對<」>在一些實施例中，所述多個圖像包括&，C核磁共振光譜，并且其中sim(A、尸)=-{dist(A，巧)〉^-KCi誦Cj)2+X(Hi-Hj)2〉，其中Ci是目標集k中目標A'在13C維中的坐標；Cj是目標集k中目標力'在13C維中的坐標；Hj是目標集k中目標A'在'H維中的坐標；Hj是目標集k中目標^/在&維中的坐標；而入是標準化常數(shù)。在一些實施例中，所述多個圖像包括二維光譜，并且其中sim(戶/,P)=-{dist(A，巧》2-((Xi-Xj)2+X(Y廣Yj)2〉,其中Xi是目標集k中目標A在X維中的坐標；Xj是目標集k中目標^/在X維中的坐標；Yi是目標集k中目標A'在Y維中的坐標；Yj是目標集k中目標力'在Y維中的坐標；而人是標準化常數(shù)。在一些實施例中，所述多個圖像包括二維光譜，并且其中,——、—j-oo,勿榮別威吝W-"1犬于丄風#J§sim(P/,")=l《廁—{必"^力)}2其中，-(dist(A',巧)〉2-((Xi-Xj)2+MYi醫(yī)Yj)2〉，其中Xj是目標集k中目標A'在X維中的坐標；Xj是目標集k中目標^/在X維中的坐標；Yi是目標集k中目標A'在Y維中的坐標；Yj是目標集k中目標力'在Y維中的坐標；而X是標準化常數(shù)。在一些實施例中，所述多個圖像包括二維光譜，并且其中sim=i^廁-一(A.力"2+廣,eto—廠/7.(//_々)2其中，陽(dist(A、^/"2-((Xi隱Xj)2+X(Yi-Yj)2)，其中Xi是目標集k中目標A'在X維中的坐標；Xj是目標集k中目標&在X維中的坐標；Yi是目標集k中目標A'在Y維中的坐標；Yj是目標集k中目標》y在Y維中的坐標；X是標準化常數(shù)；correlatioriij是界定的相鄰目標》/與目標i5/之間的關系；Y是關系項correlationij的;^又重；Ii是目標A'的記錄強度；Ij是目標&'的記錄強度；而ti是(Ii-Ij)2的權重。在一些實施例中，利用貪心查找算法、動態(tài)查找或者貪心查找與動態(tài)查找的組合來執(zhí)行對所述多個目標集中目標分配的優(yōu)化。在一些實施例中，所述多個目標組中目標組中的目標對應與代謝物。在一些實施例中，所述多個圖像是在第一實驗條件下獲取的復制光譜，所述方法還包括使用所述多個目標集來將所述多個圖像組合為單一第一平均光譜。在一些實施例中，為不同第二多個圖像重復上述方法，其中，所述不同第二多個圖像是在第二實驗條件下獲取的復制光譜，所述方法還包括使用所述多個目標集來將所述不同第二多個圖像組合為單一第二平均光譜。在一些實施例中，第一實驗條件是缺乏攝動(例如，未暴露至siRNA或藥物)而第二實驗條件是存在攝動(例如，暴露至siRNA或藥物)。在一些實施例中，使用第一平均光譜及第二平均光譜而非用于形成第一平均光譜及第二平均光譜的制動品來執(zhí)行對準方法。在一些實施例中，所述方法還包括將所述多個目標集輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示所述多個目標集。在一些實施例中，所述方法還包括根據(jù)所述多個目標集中的目標分配來將所述多個圖像對準。在一些實施例中，所述方法還包括將所述多個對準圖像輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示所述多個對準圖像。另一實施例提供了一種設備，用于將多個目標組中的目標對準。所述多個目標組中的每一個目標組分別包括在多個圖^f象中相應圖卩象中的所述目標。所述設備包括中央處理單元；以及存儲器，其連接至所述中央處理單元。所述存儲器包括用于訪問所述多個目標組的命令。所述存儲器還包括圖像比較模塊，用于執(zhí)行任何上述方法。例如，在一些實施例中，圖像比較模塊為所述多個目標組中第一目標組中的各個目標中每一者分別構造包含所述第一目標組中的所述各個目標的相應目標集，由此構造多個目標集。此外，在上述實施例中，圖像比較模塊為所述多個目標組中靶目標組中的各個未處理目標每一者分別計算所述多個目標集中的靶目標集與所述各個目標之間的相似度度量，由此計算多個相似度度量。每一個上述相似度度量均處于(i)所述各個目標與(ii)所述多個目標集中目標集中目標之間。當(i)所述各個目標與所述多個目標集中的第一目標集中的目標之間的所述相似度度量優(yōu)于所述各個目標與所述多個目標集中任何另一目標集中的目標之間的所述相似度度量時并且(ii)所述各個目標與所述第一目標集中的目標之間的坐標差異低于閾值，所述各個目標被增加至所述第一目標集。否則，將包括所述各個目標的新目標集增加至所述多個目標集。所述圖像比較模塊還包括用于為多個目標組中各個剩余目標組重復計算步驟的命令。處于相同目標集中的目標被視為相互對應。在一些實施例中，圖像比較模塊還包括用于執(zhí)行以下步驟的命令將所述多個目標集輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示所述多個目標集。本發(fā)明的另一方面提供了一種設備，用于將多個目標組中的目標對準，所述多個目標組中的每一個目標組分別包括在多個圖像中相應圖像中的所述目標。所述設備包括中央處理單元；以及存儲器，其連接至所述中央處理單元。所述存儲器包括用于訪問所述多個目標組的裝置；用于為所述多個目標組中第一目標組中的各個目標中每一者分別構造包含所述第一目標組中的所述各個目標的相應目標集，由此構造多個目標集的裝置；以及用于為所述多個目標組中靶目標組中的各個未處理目標每一者分別計算所述多個目標集中的靶目標集與所述各個目標之間的相似度度量，由此計算多個相似度度量的裝置。每一個相似度度量均處于(i)所述各個目標與(ii)所述多個目標集中目標集中目標之間。當(i)所述各個目標與所述多個目標集中的第一目標集中的目標之間的所述相似度度量優(yōu)于所述各個目標與所述多個目標集中任何另一目標集中的目標之間的所述相似度度量時并且(ii)所述各個目標與所述第一目標集中的目標之間的坐標差異低于閾值，所述各個目標被增加至所述第一目標集。否則，將包括所述各個目標的新目標集增加至所述多個目標集。在一些實施例中，存儲器還包括用于為所述多個目標組中剩余各個目標組重復用于計算的裝置，由此使所述靶目標集增加的裝置。在一些實施例中，所述存儲器還包括用于將所述多個目標集輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示所述多個目標集的裝置。另一實施例提供了一種設備，用于將存儲在計算機可讀存儲介質中的多個目標組中的目標對準。所述存儲介質包括用于訪問所述多個目標組的第一多個二進制值；用于為了所述多個目標組中第一目標組中的各個目標每一者分別構造包含所述第一目標組中所述各個目標，由此構造多個目標集的第二多個二進制值。存儲介質包括用于為所述多個目標組中靶目標組中的各個未處理目標每一者分別計算所述多個目標集中的靶目標集與所述各個目標之間的相似度度量，由此計算多個相似度度量的第三多個二進制值。多個相似度度量中每一個相似度度量均處于(i)所述各個目標與(ii)所述多個目標集中目標集中目標之間。當所述各個目標與所述多個目標集中的第一目標集中的目標之間的所述相似度度量優(yōu)于所述各個目標與所述多個目標集中任何另一目標集中的目標之間的所述相似度度量時并且(ii)所述各個目標與所述第一目標集中的目標之間的坐標差異低于闊值，所述各個目標被增加至所述第一目標集。否則，將包括所述各個目標的新目標集增加至所述多個目標集并且各個目標被增加至多個目標集。存儲介質包括用于為所述多個目標組中剩余各個目標組重復計算的第四多個二進制值，其中，處于同一目標集中的目標被視為彼此對應。在一些實施例中，所述存儲介質還包括用于將所述多個目標集輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示所述多個目標集的第五多個二進制值。另一實施例才是^"了一種方法，用于將多個目標組中的目標對準。所述多個目標組中每一個目標組分別包括多個圖像中相應圖像中的多個目標。多個目標組中每一者中的各個目標分別被初始標記為未處理。所述方法包括以下步驟(A)為所述多個目標組中第一目標組中的各個目標中每一者分別構造包含所述第一目標組中的所述各個目標的相應目標集，由此構造多個目標集。如下所述，在常規(guī)實施例中，額外目標集被增加至多個目標集。該方法還包括(B)為所述多個目標組中目標組中的各個目標每一者分別計算所述各個目標與所述多個目標集中目標集中目標之間的相似度度量，由此計算多個相似度度量。當所述各個目標與所述第一目標集中的目標之間的坐標差異低于閾值，將靶目標組中具有與靶目標集最佳相似度得數(shù)的目標增加至靶目標集并標記為已處理。否則，當所述各個目標與所述第一目標集中的目標之間的坐標差異低于閾值，將缺失目標增加至靶目標集。缺失目標是對包括偽目標的目標集上施加處罰的偽目標。該方法還包括(C)為所述多個目標組中剩余各個目標組重復所述計算步驟(B)，由此增加耙目標集。該方法還包括(D)為所述多個目標集中剩余各個目標集重復所述計算步驟(B)，其中將各個目標集設計為靶目標集。在常規(guī)實施例中，所述方法還包括(E)執(zhí)行以下步驟(i)對于在所述多個目標組中被標記為未處理的靶目標，構造目標集；并且(ii)為了所述靶目標集分配目標集為"靶目標集"并執(zhí)行步驟(B)及(C);以及(F)重復步驟(E)直至在所述多個目標組中的任何目標組中沒有剩余的被標記為未處理的目標。將要理解的是，在用于步驟(E)的情況來構造目標集的目標集的闊值距離內，"缺失目標"將被增加至多個目標集中與不包含未處理目標的目標組對應的各個目標集。處于同一目標集內的目標4皮4見為相互對應。圖1示出了根據(jù)本發(fā)明一個方面的設備。圖2示出了根據(jù)本發(fā)明一個方面的目標組數(shù)據(jù)結構。圖3示出了根據(jù)本發(fā)明一個方面用于產(chǎn)生初始對準策略的一種方法。圖4示出了根據(jù)本發(fā)明一個方面用于利用貪心法(greedy)搜索運算法則來改進初始對準策略的方法。圖5示出了根據(jù)揭示的系統(tǒng)及方法的一個方面利用貪心法搜索運算法則進行估算的替代對準策略。圖6是利用揭示的系統(tǒng)及方法與其他圖像對準的示意圖像。圖7示出了根據(jù)本發(fā)明一個方面用于產(chǎn)生初始對準策略的另一種方法。在附圖中多個視圖中，類似的參考標號表示對應的部件。具體實施方式圖1示出了用于在多個目標組中對準目標的示例性系統(tǒng)，多個目標中的每一個目標組分別包括在多個圖像中對應圖像中的目標。該系統(tǒng)優(yōu)先地是具有以下組件的計算機系統(tǒng)10:中央處理器22;主非易失性存儲單元14，例如硬盤驅動，用于存儲軟件及數(shù)據(jù)，存儲控制器12控制存儲單元14;系統(tǒng)存儲器36，優(yōu)選為高速隨機訪問存儲器(RAM)，用于存儲系統(tǒng)控制程序、數(shù)據(jù)以及應用程序，包括從非易失性存儲單元14載入的程序及數(shù)據(jù)，系統(tǒng)存儲器36還可包括只讀存儲器(ROM);用戶界面32,包括一個或更多輸入裝置(例如，鍵盤28)以及顯示器26或其他輸出裝置；用于連接至任何有線或無線通信網(wǎng)絡34(例如，諸如互聯(lián)網(wǎng)的廣域網(wǎng))的網(wǎng)絡界面卡或其他通信電路20;用于將系統(tǒng)的上述元件互連的內部總線30;以及向上述元件供電的電源24。計算機10的運行主要受到由中央處理單元22執(zhí)行的操作系統(tǒng)40的控制。操作系統(tǒng)40可存儲在系統(tǒng)存儲器36中。除了操作系統(tǒng)40之外，在常規(guī)應用中，系統(tǒng)存儲器36包括用于控制對揭示的系統(tǒng)及方法所使用的各種文件及數(shù)據(jù)結構進行訪問的文件系統(tǒng)42;圖像存放區(qū)44，包括多個圖像46(例如，NMR光譜)，其中每一個圖像46分別包括待對準的目標(例如，高峰或其他特征)；圖像處理器模塊48,用于分析圖像46并從各個圖像46提取對應的包含各個圖像46中目標列表的目標組50;圖像對比模塊52,用于對準在目標組50中的目標；多個目標集合54,每一個目標集合54分別用于在全部或部分圖像46中出現(xiàn)的對應目標；以及可選集合過濾模塊56，用于查找目標集合中滿足一個或更多預定標準的目標。如圖1所示，計算機10包括軟件程序模塊及數(shù)據(jù)結構。存儲在計算機10中的數(shù)據(jù)結構包括圖像存放區(qū)44、圖像46、目標組50以及目標集合54。每一個這些數(shù)據(jù)結構可分別包括任何形式的數(shù)據(jù)結構，包括但不限于平ASCII或二進制文件，Excel展開頁、相關數(shù)據(jù)庫(SQL)或者在線分析處理(OLAP)數(shù)據(jù)庫(MDX以及/或其變形)。在一些實施例中，每一個上述數(shù)據(jù)結構分別是單數(shù)據(jù)結構。在其他實施例中，上述數(shù)據(jù)結構事實上包括多個可以或無需全部由同一計算機10管理的數(shù)據(jù)結構(例如，數(shù)據(jù)庫、文件、檔案)。例如，在一些實施例中，圖像存放區(qū)44以及存放區(qū)內的圖像46被存儲在計算機10上以及/或通過廣域網(wǎng)或互連網(wǎng)34可以計算機10訪問的一個或更多計算機上。因此，在一些實施例中，上述數(shù)據(jù)結構中任一者分別可以是(i)存儲在計算機10上，(ii)存儲在計算機10與其他例如通過廣域網(wǎng)34可被計算機10訪問的計算機(圖1中未示出)的組合上，或者(iii)全部被遠程存儲在一個或更多其他例如通過廣域網(wǎng)或互連網(wǎng)34可被計算機IO訪問的計算機(圖1中未示出)上。在上述數(shù)據(jù)結構的情況下，希望的是也可將圖1中所示的多個模塊布置在一個或更多遠程計算機上。例如，在一些實施例中，采用揭示的方法作為網(wǎng)絡服務。在上述實施例中，圖像處理模塊48、圖像比較模塊52以及/或目標過濾模塊56可設置在經(jīng)由網(wǎng)絡34與計算機10通信的客戶端計算機上。在一些實施例中，例如，圖像比較模塊52可以是交互式網(wǎng)頁。著眼于此，只要數(shù)據(jù)結構及軟件模塊可通過網(wǎng)絡34被其他電子裝置相互訪問，任何將圖1所示的數(shù)據(jù)結構及軟件模塊設置在一個或更多計算機上方法均落入本發(fā)明的范圍。因此，本發(fā)明涵蓋了較廣的計算機系統(tǒng)。現(xiàn)已揭示了示例性計算機系統(tǒng)?，F(xiàn)參考圖3，描述用于將圖像中的目標對準的示例性處理方法。步驟302。在步驟302中，獲得多個圖像46。圖像46是包括目標的任何數(shù)據(jù)結構。在常規(guī)應用中，各個圖像46將具有一組目標，以下稱為目標組50。此外，通常，在多個圖像中的一個圖像46中的目標與在多個圖像中的其他圖像46中的目標存在對應關系。例如，在一些實施例中，圖像是在不同時間點從機體取樣的樣本的核磁共振(NMR)圖像，而圖像，高峰中的單個目標表示樣本中的代謝物。因此，第一NMR圖像會存在在第一生物樣本中用于第一代謝物的高峰，而第二NMR圖像會存在在第二生物樣本中用于完全相同的第一代謝物的高峰。在上述示例中，因為兩個高峰均表示同一代謝物，故用于第一NMR圖像中的第一代謝物的高峰對應于用于第二生物樣本中完全相同代謝物的高峰。業(yè)界現(xiàn)存的問題是，由于在光譜被測量的實驗條件下包含微小改變的各種因素(樣本的pH等)的原因，用于第一代謝物的高峰的坐標會在光譜與光譜之間發(fā)生偏離。在一些實施例中，多個圖像中的各個圖像46分別是二維核磁共振(NMR)光譜，三維NMR光譜或者四維NMR光譜，而多個圖像中的目標是在二維、三維或者四維NMR光譜中的高峰。在一些實施例中，多個圖像中的圖像46分別是2D核奧佛好塞提高及交換(NOESY)光譜、二維J解析(2D-J)光譜、共核2D相關(COSY)光譜、2D旋轉回聲相關(SECSY)光譜、繼相干轉換(RELAYED-COSY)光譜、^-"NCOSY光譜、^-"PCOSY光譜、^Cd-1!!COSY光譜、旋轉框架NOE(ROESY)光譜、總相關(TOCSY)光譜、異核單量子相關(HSQC)光譜、異核多量子相關(HMQC)光譜、異核多鍵相關(HMBC)光譜、二維異核相關(HETCOR)光譜、雙量子過濾相關(DQFC)光譜或者二維INADAQUATE光譜。實際上，本發(fā)明的圖像46并不限于"可視"圖像。本發(fā)明范圍內的圖像46可以是包括生成可視圖像的充分信息的數(shù)據(jù)集。例如，在NMR光譜的情況下，圖像46可以是用于產(chǎn)生NMR光譜的數(shù)據(jù)而非NMR光譜自身。在本發(fā)明的方法中，可以與NMR光譜自身相同的方式來管理上述數(shù)據(jù)作為圖像46。在一些實施例中，在待對準的多個圖像中，存在2個或更多圖像、5個或更多圖像、10個或更多圖像或者100個或更多圖像。在一些實施例中，存在2至1000個圖像或者少于500個圖像需要對準。在一些實施例中，圖像46是一維NMR光譜、二維NMR光譜、三維NMR光譜、四維NMR光譜或者可被用于生成任何上述光譜的數(shù)據(jù)。在一些實施例中，圖像46是二維光譜，或者通過處理方法(包括但不限于，質譜分析法、X射線晶體照相法、天文天空俯瞰以電泳法)而非NMR獲得的生成二維光譜所需的數(shù)據(jù)。在一些實施例中，圖像是根據(jù)一些改變特性(例如波長、質量或者能量)依序分離并布置的發(fā)射物或波的分量的陣列。在一些實施例中，在步驟302獲得的多個圖像被存儲在圖1所示的圖像存放區(qū)44中。在一些實施例中，多個圖像中的一些圖像表示從一種物種獲取生物樣本的測量值，而多個圖像中的其他圖像則表示從另一種物種獲取生物樣本的測量值。在一些實施例中，多個圖像中的一些圖像表示從受到攝動(perturbation)之前的機體獲取生物樣本的測量值，而多個圖像中的其他圖像則表示從受到攝動之后的機體獲取生物樣本的測量值。攝動可以是環(huán)境型或是遺傳型。環(huán)境攝動的示例包括但不限于將機體暴露至實驗化合物、變應原、疼痛、熱或冷環(huán)境。環(huán)境攝動的其他示例包括日常飲食(例如，高脂日常飲食或低脂日常飲食)、缺乏睡眠、隔離以及量化自然環(huán)境影響(例如，吸煙、節(jié)食、鍛煉)。遺傳攝動的示例包括但不限于使用基因剔除法，引入對預定基因或基因產(chǎn)品的限制，N-乙基-N-亞硝基脲(ENU)變異發(fā)生，對基因的siRNA剔除，或者量化物種的多個成員顯示的特征。在一些實施例中，攝動是暴露至藥物或小分子?？杀挥糜谏鲜鰯z動的小分子的非限制性示例包括但不限于滿足Lipinski五規(guī)則的那些分子(i)氫鍵給體數(shù)目小于5(例如，OH及NH組)；(ii)氫鍵受體數(shù)目小于10(例如，N及0);(iii)分子量小于500道爾頓；并且(iv)脂水分配系數(shù)(LogP)小于5。之所以稱為"五規(guī)則"是因為四個條件中三個條件均涉及數(shù)字5。參見，Lipinski,1997，Adv,DrugDel，Rev,23，3，通過引用將其全部內容包含在本說明書中。在一些實施例中，還加入了Lipinski五規(guī)則之外的條件。例如，在一些實施例中，小分子具有五個或更少芳力矣環(huán)，四個或更少芳3矣環(huán)、三個或更少芳族環(huán)或者兩個或更少芳族環(huán)。在一些實施例中，小分子是具有分子量小于2000道爾頓的有機化合物。步驟304。在步驟304,對多個圖像進行處理以識別多個目標組50，每一個目標組50分別包括在多個圖像中相應圖像46中的目標200。在一些實施例中，多個圖像是NMR光譜而目標組中的目標是從其獲得目標組的NMR光譜的高峰。在一些實施例中，高峰是NMR光譜中預設范圍內的局部最大值。在光譜是二維1H-12CNMR光譜的情況下，高峰例如可以分別是對于質子及碳尺寸由百萬分之0.03(ppm)及0.4ppm限定的局部最大值?？梢允褂贸Ｒ?guī)處理從相應圖像獲得目標組。例如，在圖像是NMR光譜的實施例中，可以斗吏用諸如Topspin(Bruker，Billerica，Massachussetts)、VNMR(Varian,PaloAlto,California)以及NMRPipe(Delaglioelal.，1995,J.Biomol.NMR.6,277-293)的常規(guī)程序(每一個都通過應用被包含于本說明書中)來處理光譜。此外，還可使用諸如SparkyAssignmentandIntegrationSoftwarepackage(UCSF,SanFranciscoCalifornia)、ANSIG(Kraulis，1989,J.Magn.Reson.24，pp627隱633;Kraulis等，1994，Biochemistry33,pp3515-3531)、NMRView(OneMoonScientific,Inc.,Newark,NewJersey)以及XEASY(Bartels等，1995，JournalofBiomolecularNMR6，1-10)(每一個都通過應用^皮包含于本說明書中)的常規(guī)光譜分析程序來將處理后NMR光諳中的高峰分配至樣本中的單個分子成分，根據(jù)其使用諸如對次序特定共振分配的高峰選擇及支持、交叉高峰分配、交叉高峰積分以及用于動態(tài)處理的比率恒定判定的技術來測量出光譜。在一些實施例中，通過計算機10的圖像處理器模塊48(圖1)來執(zhí)行上述處理。在方法示例中，對根據(jù)從C57鼠抹獲得的生物樣本得到的三個二維NMR光譜的情況進行考慮。參考圖1，三個二維NMR光譜是圖像46的示例。一個上述二維NMR光譜的示例在圖6中示出。在完成步驟302及304時，將生成三個目標組50，每一個分別包含在三個二維NMR光譜其中一個光譜中發(fā)現(xiàn)的高峰。用于從生物樣本的三個復本獲得的實際NMR光語的示例性目標組50在表1至3中給出。根據(jù)圖6，在這些表中，"wl"是第一維中NMR光譜中的目標(高峰)的坐標，"w2"是第二維中NMR光譜中的目標(高峰)的坐標，而"intensity(強度)"是目標的強度。在一些實施例中使用了上述強度。實際上，用于實際NMR光譜的目標組包含并未列入以下表中的很多其他目標。表1.用于第一二維NMR光譜的目標組<table>tableseeoriginaldocumentpage39</column></row><table><table>tableseeoriginaldocumentpage40</column></row><table>表3.用于第三二維NMR光譜的目標組w2強度5CU'訓3(ct。3.25083《€27》12:7347862438*1§〇《39443《S16:SS81,742雄57,,1557《3:,746:91S線、710.13531356，7S4:3化')(629》703.270792■565)3-Sl5)700,7鎖8178.6535C533Jt6C"(S竭5fp。,63』05〖3>733B3(590》556,711，3,,('610》3,90356SS3.02S18898,7832《竊〗4.6s5二457《59':"4.C0fe('、/■:《S42〗3.25383糊.87S3"294.8745《4S0》5,<WJ475》399.'2823789.7§32476)6,12285備:》3鄰.1482:4;573，37S7c560〗《S31)380-323277(:55b》3，53,3《SO5》，*794,439(732〗2-24.563《7輔46.2113《,〗338/J353.997"n74.1585《556〗3S38293氛005184SS』OS9c654》3.(625〗:336j備:781下述步驟使用諸如表1-3中所示的目標組來對準目標，并最終在一些實施例中對準通過其提取目標組的圖像。在完成步驟304時，生成多個目標組，每一個目標組用于多個圖像中的每一個圖像。但是，上述常規(guī)處理并未提供令人滿意的將一個目標組50中的目標與另一目標組50中的目標對準的策略。因為各個目標組50分別表示圖像46，以上所述的這種常規(guī)處理不能提供將圖像46彼此對準的令人滿意的對準策略。一種對準策略是為一組圖像分配相應目標對的策略如果假定成對目標表示同一可觀察量(observable)(例如，假定兩個不同NMR光譜中的成對高峰表示兩個不同生物樣本中相同的代謝物)，則視為這對目標相互對應(因此對準)。對準策略遵循兩個原則。首先，"對應"分配是傳遞性的如果目標1與目標2對應并且目標1與目標3對應，則目標2與目標3對應。其次，如果成對目標由來自同一圖像46的兩個不同目標構成，則將其視為不對應，因為在單一圖像46中不同目標被視為表示不同可觀察量(例如，不同代謝物)。上述對準策略原則意味著圖像46中的任何目標200均不能被視為對應(對準)于另一圖像中的兩個目標。清楚的是，目標總是與其自身對應，此外，如果目標l對應于目標2，則目標2對應于目標1。因此，數(shù)學上，可將上述對應分配視為等同分配。圖3中的剩余步驟示出了用于生成初始對準策略的方法。圖4所示的步驟示出了用于改進對準策略的方法。圖7示出了用于生成初始對準策略的另一種方法，然后例如可利用圖4所示的方法來對其進行改進。通過一些實施例中的圖像比較模塊52來執(zhí)行圖3，4及7中所示的步驟或者這些步驟的邏輯等同物或組合。步驟306。在步驟306中，構造目標組。目標組是通過對準策略與相同可觀察量(例如，代謝物或其他化合物等)對準的全部目標的組。目標組滿足兩個原則。首先，如果將兩個目標視為"對應"，則其處于同一目標組中。其次，將單一目標組中的任意兩個目標均i見為"對應"。因此，根據(jù)該原則以及涉及上述對準策略的原則，目標組中的每一個目標均需來自不同圖像。通過在多個目標組中選擇被稱為第一目標組的目標組來開始步驟306。該第一目標組包含多個圖像中圖像中的目標。可以選擇多個目標組中的目標組，由此可以選擇多個圖像中的任何圖像。然后，為第一目標組中的各個目標生成目標集。因此，如果與多個圖像中的圖像對應的目標組包含50個目標，則生成50個目標集。例如，如果與第一目標組對應的圖像是NMR光譜，則目標組中的目標是高峰且為NMR光譜中的各個高峰分別生成目標集。如果在與第一目標組對應的NMR光譜中存在五十個高峰，則為每一個高峰均生成一個總共五十個目標集。步驟306的凈結果是形成多個目標集。在步驟306結束時，在多個目標組中選擇的單一第一目標組中存在各個目標的目標集。在此階段，每一個目標集分別包括來自選擇的第一目標組的恰好一個目標。步驟308。在后續(xù)步驟中，檢查每一個剩余目標組中的目標以將其分配至目標集。在優(yōu)選實施例中，每一個目標集分別包括相同數(shù)量的目標。因此，為了說明目的，在圖3所示的處理中使用計數(shù)器作為確定各個目標集包括相同數(shù)量的目標的方法。在步驟308,因為每一個現(xiàn)存目標集當前包括一個目標，故將該計數(shù)器設定為l。步驟310。在步驟310中，選擇另一目標組。在步驟310中選擇的目標組是為了檢查之前尚未被選擇的任意目標組。當?shù)谝淮螆?zhí)行步驟310時(即，步驟310的初次執(zhí)行)，僅檢查了一個目標組，即步驟306中描述的第一目標組。但是，當算法繼續(xù)進行并重復步驟310時(即，步驟310的后續(xù)執(zhí)行)，優(yōu)選地需要注意確保之前尚未通過步驟310的處理被檢查的目標組在每一次重新執(zhí)行步驟310時被選擇。步驟312。步驟312是結束于步驟322的循環(huán)的起始。執(zhí)行循環(huán)312-322以檢查在第一次執(zhí)行步驟310時選擇的目標組中全部目標。在步驟312,在該目標組中選擇各個目標。當重復步驟312時(即，步驟312的后續(xù)執(zhí)行)，步驟312從在先前執(zhí)行步驟312時之前尚未從目標組中選擇的目標組選擇目標。步驟314。步驟314確定將在最后一次執(zhí)行步驟312中選擇的目標布置于哪一個目標集。通過計算多個相似度度量來實現(xiàn)以上目的。每一個相似度度量在(i)于最后一次執(zhí)行步驟312時選擇的各個目標與(ii)在多個目標集中的目標集中的目標之間實現(xiàn)。因此，如果存在五十個目標集，則將要計算五十個相似度度量。每一個相似度度量將在待分配珠目標(在最后一次執(zhí)行步驟312時選擇)與多個目標集中目標集中的目標之間實現(xiàn)?？紤]目標集包括一個目標i^的情況。一種計算目標集中目標巧與在步驟312最后一次執(zhí)行時選擇的各個目標(表示為A)之間的相似度度量的方法是計算A與戶/之間歐幾里得距離的負乘方考慮目標集包括多個目標P4^,…，^/)的情況。一種計算目標集中目標P與在步驟312最后一次執(zhí)行時選擇的各個目標A'之間的相似度度量的方法是計算A與P之間歐幾里得距離的負乘方在替代實施例中，可以使用除了歐幾里得距離之外的其他度量來計算W附(A，P)，例如，曼哈坦距離、Chebychev距離、矢量之間的角度、相關距離、標準歐幾里得距離、Mahalanobis距離、Pearson相關系數(shù)的乘方、或者Minkowski距離。例如可以使用SAS(StatisticsAnalysisSystemsInstitute,Cary,)或S-Plus(StatisticalSciences,Inc.,Seattle,Washington)來計算上述度量。上述度量在Draghici，2003,DataAnalysisToolsforDNAMicroarrays,Chapman&Hall，CRCPressLondon,chapter11中進行了描述,為此通過引用將其全部內容包含于本說明書中。相似度度量的確切的表達式取決于待對準的圖像的特性。例如，考慮圖像是二維1H-13CNMR的情況。在這種情況下，基于歐幾里得距離的類似度度量可被構造為W附(A，尸)=(淑《A,^)"=Z一-C》2+A諷_/=1乂因為碳與質子尺寸的等級不同，故在對質子尺寸中的坐標(Hi-Hj)2乘以標準化系數(shù)入以使距離測量不產(chǎn)生偏差。步驟316。在步驟316，確定哪一個目標集可實現(xiàn)最佳得數(shù)(scoring)相似度度量。在一些實施例中，特別是那些使用上述負歐幾里得距離的實施例，最佳得數(shù)相似度度量是最接近零的相似度度量。進行檢驗以判定分配至目標集的各個目標A'與最佳得數(shù)目標集中的各個目標之間的坐標差異是否低于閾值。例如，考慮最佳得數(shù)目標集包括單一目標巧的情況。進一步假定目標的特征為第一維度值X以及第二維度值Y。在這里，當IX2-X^T!，并且lY2-Y"〈丁2時，各個目標A'與最佳得數(shù)目標集中的目標之間的坐標差異低于閾值，其中X2是用于各個目標A'的第一維指標；X1是用于最佳得數(shù)目標集中目標的第一維指標；Y2是用于各個目標A的第二維指標；Y1是用于最佳得數(shù)目標集中目標i5/的第二維指標；L是第一維閾值極限值；而T2是第二維閾值極限值。如果任何距離檢驗失敗，則不將各個目標A'增加至最佳得數(shù)目標集。在一個示例中，多個圖像是二維1H-13CNMR圖像而且第一維值X用于碳(C)而第二維值Y用于氫(H)，并且當IC2-C^Bc,并且IH2-H^〈bh時，各個A與最佳得數(shù)目標集中的目標^之間的坐標差異低于閾值，其中C2是用于各個目標A'的第一維指標；C1是用于最佳得數(shù)目標集中目標^/的第一維指標；H2是用于各個目標A的第二維指標；H1是用于最佳得數(shù)目標集中目標的第二維指標；Bc是第一維閾值極限值；而bh是第二維閾值極限值。在一些實施例中，Bc是百萬分之10(PPM)或更小，9PPM或更小，8PPM或更小，7PPM或更小，6PPM或更小，5PPM或更小，4PPM或更小，3PPM或更小，2PPM或更小，1PPM或更小，或者0.5PPM或更小。在一些實施例中，Bh是百萬分之10(PPM)或更小，9PPM或更小，8PPM或更小，7PPM或更小，6PPM或更小，5PPM或更小，4PPM或更小，3PPM或更小，2PPM或更小，1PPM或更小，或者0.5PPM或更小。在一些實施例中，多個圖像中的每一個圖像分別是N維圖像，其中N為l，2，3，4，5,6，7，9，IO或大于IO。在這些實施例中，當IC-C2'I〈B2，ICN2-CN'I〈BN時各個A與最佳得數(shù)目標集中的目標之間的坐標差異低于閾值，其中C卩是用于各個目標A的第i維指標；C/是用于最佳得數(shù)目標集中目標的第i維指標；而Bi是第i維閾值極限值。如果這N個距離檢驗失敗，則不將各個目標A'增加至最佳得數(shù)目標集。以上給出的用于判定各個目標A的坐標以及最佳得數(shù)目標集中的目標的坐標是否低于閾值的示例并未處理目標集包括多個目標的情況。存在兩種不同方法來處理上述情況。在一種方法中，目標集中全部目標的坐標祐二一起平均以形成表示目標集中全部目標的平均值的目標》y。然后在各個目標A'與平均目標之間執(zhí)行距離檢驗。在另一種方法中，在各個目標A'與最佳得數(shù)目標集中的各個目標之間執(zhí)行以上給出的獨立的距離檢驗。如果這些距離檢驗中的任何檢驗失敗，則不將各個目標A'增加至最佳得數(shù)目標集。步驟318。如果不滿足各個目標A'與最佳得數(shù)目標集中的目標之間的距離原則(316-否)，則生成用于各個目標A的新目標集，并將各個目標A置于目標集中。當計數(shù)器N等于一并且已經(jīng)為在最后一次執(zhí)行步驟310時選擇的目標組中的全部目標完成312-322循環(huán)時，可在任何給定目標集中的目標的最大數(shù)量在此階段將為二。但是，如果在312-322循環(huán)的任何一次反復中執(zhí)行步驟318，則一些目標集將僅包括一個目標。因此，為了有助于確保各個目標集分別包括相同數(shù)量的目標，將"缺失目標"增加至由步驟318生成的目標集54。例如，當N=l時，將一個"缺失目標"增加至由步驟318生成的目標集54，使得由步驟318生成的各個目標集54分別包括兩個目標來自在最后一次執(zhí)行步驟310時選擇的目標組的一個目標以及一個"缺失目標"。缺失目標是具有以下特性的偽目標sim(缺失目標，實際目標)=sim(實際目標，缺失目標)，sim(缺失目標，實際目標)=預定缺失處罰，sim(實際目標，缺失目標)=預定缺失處罰，并且sim(缺失目標，缺失目標)=預定缺失處罰。預定缺失特性的值取決于應用，并被選擇以處罰在目標集中引入缺失目標。當已經(jīng)重復了循環(huán)312-324達數(shù)次時，即N較大時，更大數(shù)量的"缺失目標"被增加至在數(shù)次執(zhí)行步驟318時生成的目標集54。例如，當N為5時在步驟318生成目標集54時，五個"缺失目標"(偽或無效目標)被增加至目標集54使得目標集具有總共六個目標，即來自在最后一次執(zhí)行步驟310時選擇的目標的一個目標以及五個"缺失目標"。步驟320。如果滿足各個目標A'與最佳得數(shù)目標集54中的目標之間的距離原則(316-是)，則將各個目標A'置于目標集54中。但是，僅將來自任何給定目標組50的一個目標置于給定目標集54中。因此，如果來自在最后一次執(zhí)行步驟310中選擇的目標組的目標已經(jīng)被置于特定目標集54中，則各個目標A與特定目標集中的目標之間的相似度或者被忽略，或者不被計算，以確保特定目標集54不會被視為最佳得數(shù)目標集。以此方式，僅將來自給定目標組50的一個目標置于給定目標集54中。步驟322。在步驟322中，進行在最后一次執(zhí)行步驟310時選擇的目標組50中的全部目標是否已經(jīng)被分配至目標集54的判定。如果是否(322-否)，則處理控制返回至步驟312，并且為在最后一次執(zhí)行步驟310時選擇的目標組50中的另一目標重復循環(huán)312-322。當在最后一次執(zhí)行步驟310時選擇的目標組50中的全部目標已經(jīng)被分配至目標集54時(322-是)，處理控制進行至步驟324。步驟324。當已經(jīng)將選擇的目標組50中的全部目標都分配至目標集時進行至步驟324。在優(yōu)選實施例中，這里計算得到的對準策略取決于每一個分別包括相同數(shù)量目標的目標集54。但是，包括循環(huán)312-322的上述處理并不能確保每一個目標集54均包括相同數(shù)量的目標。例如，在每一次重復循環(huán)312-322時，可在不存在目標的步驟306中生成目標集54。因此，在步驟324,每一個未被分配來自在最后一次執(zhí)行步驟310時選擇的目標組的目標的目標集54坤皮分配"缺失"目標。當然，存在其他方法來利用"缺失"(偽)目標來確保目標集54進位舍入，使得各個目標集54具有相同數(shù)量的目標。這里描述的包括使用計數(shù)器的方法僅起說明多種方法其中一種的作用，利用這些方法，可通過具有少于最大數(shù)量目標的偽"缺失"目標的后填目標集54來生成每一個均具有相同數(shù)量的目標的多個目標集54。在替代方法中，在執(zhí)行步驟318及324時不使用計數(shù)器或增加偽"缺失"目標，可以在已經(jīng)檢查了全部目標集54之后，緊在生成初始對準策略之前增加上述偽"缺失"目標。在該替代方法中，檢查目標集200810125256.X54以確保包括在任意一個目標集中的目標的最大數(shù)量。不存在最大數(shù)量目標的目標集54被后填偽"缺失"目標直至它們確實具有最大數(shù)量的目標。步驟326及328。在步驟326，進行是否已經(jīng)通過重復循環(huán)310-324而檢查了多個目標組中的各個目標集54的判定。如果是否(326-否)，則處理控制返回至選擇多個目標組50中另一目標組50的步驟310，并為新的目標組重復循環(huán)310-324。如果已經(jīng)通過重復循環(huán)310-324檢查了多個目標組中的各個目標集54(326-是)，則輸出包括多個目標集的初始對準策略(步驟328)。在一些實施例中，該輸出步驟僅表示在存儲器36及/或數(shù)據(jù)存儲器14中瞬時存儲了目標集54,或者在通過廣域網(wǎng)34或一些其他形式的網(wǎng)絡可由計算機10訪問的一些其他存儲器中存儲了目標集54。在一些實施例中，多個目標集被輸出至使用者界面裝置、計算機可讀存儲介質、存儲器、或者本地或遠程計算機系統(tǒng)，或者顯示了多個目標集。在一些實施例中，在存儲器36中存儲初始對準策略作為多個目標集54。在一些實施例中，每一個目標集54分別表示一個可觀察量，其在樣本中被測量并表明其自身為多個圖像中的目標。例如，在一些實施例中，每一個目標集54分別表示在一組生物樣本中的一些或全部中存在的代謝物，通過其測量得到多個圖像?，F(xiàn)參考圖2，示出了根據(jù)一個實施例的目標集54的其他細節(jié)。在完成圖3所示的處理時，示例性目標集54將包括多個目標200。目標集54中的每一個目標200均來自不同目標組50，因此來自多個圖像中的不同圖像46。目標集54中的各個目標200應當表示相同可視量。例如，如果目標200-1是表示第一圖像46中的特定代謝物的測量值，則從目標200-2至200-Z每一者均應是表示另一圖像46中相同代50謝物的測量值的高峰。如圖2所示，在一些實施例中，目標集54存儲關于目標集中各個目標200的特定信息，例如，從哪一個源圖像46發(fā)現(xiàn)的目標200，源圖像中的目標的中心、有效中心或者最大限度部分的坐標204、圖像中的可選目標強度206,以及(可選地)提供圖像中目標形狀208的量的一個或更多特性。圖3所示的處理生成包括多個目標集54的初始對準策略。如圖2所示，在完成圖2所示的處理時，各個目標集54分別包括來自不同圖像46的多個目標200。在給定目標集54中的每一個上述目標200分別表示測量數(shù)據(jù)中的相同可視量。當目標集54中的目標200確實表示測量數(shù)據(jù)中的相同可視量時，就講目標200相互"對應"。如果與特定目標集中的第二目標類似，特定目標集54中的第一目標200不表示相同可視量(例如，代謝物)則第一與第二目標相互不對應，并且應當從目標集54中去除一個目標。如果圖像表示樣本中代謝物的NMR測量值，則在對準策略中給定目標集54中的各個目標200可以是由相同代謝物生成的NMR光譜高峰?？稍谄渲邪l(fā)現(xiàn)給定代謝物的生物樣本的各個圖像中表示該NMR光譜高峰。參考圖7，提供了用于生成初始對準策略的替代方法。分別以與圖3中的步驟302及304相同的方法來執(zhí)行步驟702及704。在步驟706中，每一個目標組50中的各個目標均;波標記為未處理。步驟708。在步驟708，選擇多個目標組中的第一目標組50,并且對于第一目標組50中的各個目標構造包括各個目標的目標集54，由此構造多個目標集54。例如，考慮存在100個目標組50的情況。從100個目標組50中選擇第一目標組50。假定第一目標組50包括50個目標。對于第一目標組50中50個目標中的各個目標，生成包含各個目標的目標集54。步驟710。在步驟710中，選擇多個目標集54中的靶目標集54。在上述第一目標組50包括50個目標的示例中，步驟710限定了選擇在步驟708中生成的50個目標集54的其中一個。步驟712。在步驟712中，在步驟704中識別的多個目標組50中的靶目標組50被選擇。步驟714。在步驟714中，選擇其在最后一次執(zhí)行步驟712時被選擇的目標組50中的未處理目標，其具有與在最后一次執(zhí)行步驟710時被選擇的耙目標集54最佳的相似度得數(shù)。在為了給定靶目標集54第一次重復循環(huán)714-722時，耙目標集54將僅包括來自目標組50的目標。因此，在為了給定靶目標集54第一次執(zhí)行步驟714時，步驟714涉及確定靶目標集54中的單一目標與耙目標組50中的各個未處理目標之間的相似度。但是，為多個靶目標組50中的各個靶目標組50重復步驟714。假定已經(jīng)通過循環(huán)714-722處理了當前的n-l目標組50，由此，靶目標集54具有n-l各目標，或者實際目標，或者"缺失"目標P^i51，戶2,…，A-l}。然后，在步驟712中選擇第n個目標組50并且識別該仍未處理并具有與靶目標集P最大(最佳)相似度的第n靶目標組50中的目標》"。對于第n個目標組50中的任何目標^,A'/附(,，iO二^^附(兵A),其中p,.在纟且(pi，P2,…，？"一1}中。i，i步驟716-720。在步驟716中，進行把目標組50中具有與在步驟714中識別的耙目標集P最佳的相似度得數(shù)的未處理目標戶"是否兼容的判定。例如，考慮靶目標集包括單一目標^的情況。進一步假定^的特征為第一維值X及第二維值Y。在這里，當IX2-X11〈1，并且ly2-Y'i〈T2時，在步驟714中識別的未處理目標與靶目標集之間的坐標差異低于閾值，其中X2是用于未處理目標A的第一維指標；X1是用于靶目標集中目標的第一維指標；Y2是用于未處理目標A的第二維指標；yi是用于靶目標集中目標^/的第二維指標；Ti是第一維閾值極限值；而T2是第二維閾值極限值。如果任何距離檢驗失敗(716-否)，則不將未處理目標A'增加至靶目標集54,而是將"缺失高峰"增加至靶目標集54(步驟718)。如果滿足兩個距離檢驗(716-是)，則將未處理目標A'增加至靶目標集54(步驟720)，并將未處理目標A標記為已處理。在一個示例中，多個圖像是二維1H-13CNMR圖像，并且第一維值X用于碳(C)而第二維值Y用于氫(H)，并且當1C2畫dl〈Bc，并且IH2-H^BH時，在步驟714中識別的未處理目標A與靶目標集^/之間的坐標差異低于閾值，其中C2是用于未處理目標A的第一維指標；C1是用于靶目標集中目標》y的第一維指標；H2是用于未處理目標A的第二維指標；H1是用于靶目標集中目標i5/的第二維指標；Bc是第一維闊值極限值；而bh是第二維閾值極限值。在一些實施例中，Bc是百萬分之10(PPM)或更小，9PPM或更小，8PPM或更小，7PPM或更小，6PPM或更小，5PPM或更小，4PPM或更小，3PPM或更小，2PPM或更小，1PPM或更小，或者0.5PPM或更小。在一些實施例中，Bh是百萬分之10(PPM)或更小，9PPM或更小，8PPM或更小，7PPM或更小，6PPM或更小，5PPM或更小，4PPM或更小，3PPM或更小，2PPM或更小，1PPM或更小，或者0.5PPM或更小。以上給出的用于判定在步驟714中識別的未處理目標A'的坐標以及靶目標集54中的目標的坐標是否低于閾值的示例并未處理靶目標集54包括多個目標的情況。在已經(jīng)為多個目標組50重復循環(huán)712-722之后，因為未處理目標或者"缺失"目標會在每一次重復時間循環(huán)712-722時被增加至靶目標集54，故靶目標集54會包括多個目標。存在至少兩種不同方法來處理上述情況。在一種方法中，靶目標集54中的全部目標的坐標被一起平均以形成表示把目標集54中全部目標的平均值的目標&。然后在靶目標組50中的各個目標A與平均目標^/之間執(zhí)行距離檢驗。在另一種方法中，在靶目標組50中的各個目標A'與靶目標集54中的各個目標之間執(zhí)行上述獨立的距離檢驗。在一些實施例中，如果任何距離檢驗失敗，則將在步驟714中識別的目標A'增加至靶目標集(716-否)。步驟722。在步驟722中，進行為了應當被分配至在最后一次執(zhí)行步驟710時選擇的耙目標集54的目標，多個目標組50中的全部目標組50是否已經(jīng)被檢查的判定。如果是(722-是)，則控制進行至步驟724。如果否(722-否)，則控制返回至步驟712，在此選擇另一靶目標組50并重復循環(huán)712-722。步驟724。在步驟724，進行是否已經(jīng)通過以上識別處理(循環(huán)712-722)檢查了多個目標集54中的全部目標集54的判定。如果否(724-否)，則處理控制返回至步驟710，在此選擇多個目標集54中的另一,巴目標集54,并為靶目標集54重復循環(huán)712-722。如果已經(jīng)通過重復循環(huán)712-722檢查了多個目標集54中的各個目標集54(724-是)，則控制進行至步驟726。步驟726。在步驟726，進行是否已經(jīng)將全部目標組中的全部目標標記為已處理的判定。如果否(726-否)，則控制進行至步驟728，如果是(726隱是)，則控制進行至步驟730。步驟728。在步驟728,為了多個目標組中一個目標組的未處理目標，將目標集54增加至多個目標集，并且將未處理目標布置在新生成目標集中并標記為已處理。將新生成目標集設計為粑目標集，并且控制進行至步驟712，使得靶目標集可具來自目標組(而非是未處理目標的源頭的目標組)的相應目標。步驟730。在步驟730中，輸出包括多個目標集54的初始對準策略。在一些實施例中，該輸出步驟僅表示在存儲器36及/或數(shù)據(jù)存儲器14中或者在一些其他通過廣域網(wǎng)34或一些其他形式的網(wǎng)絡可4皮計算機10訪問的存儲器中瞬時存儲多個目標集54。在一些實施例中，該輸出步驟僅表示使目標集54到達執(zhí)行圖4所示的那些步驟的目標集優(yōu)化器。在一些實施例中，將多個目標集54輸出至使用者界面裝置、計算機可讀存儲介質、存儲器、或者本地或遠程計算機系統(tǒng)，或者顯示多個目標集54。圖3及圖7示出了用于生成初始對準策略的兩種方法。本領域的技術人員將理解用于生成初始對準策略的等同方法以及所有這些方法均落入本發(fā)明的范圍內。例如，參考圖7，在步驟708，在該方法中在此階段無需構造多個目標集。相同，一旦選擇了第一目標組，就可為第一目標組中的各個目標重復循環(huán)712-722，并且在為各個目標初次重復循環(huán)712-722期間可以構造用于第一目標組中各個目標的目標集?？梢酝ㄟ^為第一目標組中各個目標重復循環(huán)710-722來構造多個目標集。然后，可以為任何依舊被標記為未處理的目標組中的目標生成新的目標集，并為新目標集重復循環(huán)712-722。然后可以持續(xù)為未處理目標構造新的目標集以及重復循環(huán)712-722的步驟的處理直至在多個目標組中的任何目標組中均已不存在未處理目標。為其中初始對準策略包括至少一個目標集(其中在至少一個目標集中的一些目標相互不對應)的狀態(tài)提供用于改進初始對準策略的方法。在圖4中示出了改進上述對準策略的示例方法。在圖4所示的步驟中，存儲對準策略作為多個目標集54。步驟402。在步驟402中，選擇來自對準策略(多個目標集)的目標集54的子組合。在一些實施例中，選擇了來自對準策略的三個目標集。在一些實施例中，從對準策略中選擇四個目標集，五個目標集，六個目標集，七個目標集，八個目標集，九個目標集，或十個目標集。在實踐中，可在步驟402選擇高達全對準策略(在步驟328輸出)自身中目標集54的數(shù)量的任意數(shù)量的目標集。對在選擇的目標集的子組合中目標200的分配以及將目標200向不同目標集54的可能的再分配的檢驗通過以下詳述的循環(huán)404-412中的步驟進行。步驟404。在步驟404中，選擇多個目標組中的目標組50。在常規(guī)實施例中，在執(zhí)行步驟404時不對給定目標組50進行二次選擇直至在先前執(zhí)行步驟404時已經(jīng)在多個目標組中選擇了全部目標組50。例如，在一些實施例中，如果已經(jīng)在先前執(zhí)行步驟404時選擇了一次目標組50-1并且已經(jīng)在先前執(zhí)行了步驟404時已經(jīng)選擇了其他目標組50-N，則不適合在步驟404中選擇目標組50-1。在一些實施例中，在選擇的目標組不同于在最后一次執(zhí)行步驟404時選擇的目標組的情況下，在多個目標組中隨機或偽隨機地選擇目標組50而不考慮是否在執(zhí)行步驟404時已經(jīng)選擇了同一目標組50。例如，在該具體實施例中，在第i次重復步驟404時，如果第i-l次重復步驟404，則不能在步驟404選擇目標組50-1。但是，可在第i+l次重復步驟404時選擇目標組50-l。步驟406。在步驟406中，對在步驟404中設計的來自目標組50的目標200(在最后一次執(zhí)行步驟402中界定的目標集的子組合中)的子組合進行識別。例如，考慮來自在最后一次執(zhí)行步驟402中選擇的多個目標集的目標集54的子組合是目標集A，B及C的情況。進一步假定在最后一次執(zhí)行步驟404時選擇的目標組是目標組50-1。然后，根據(jù)該示例，在步驟406中從目標組50-1選4奪的目標的子組合是目標組50-1中在對準策略中已經(jīng)被分配至目標集A，B及C的那些目標。如圖5所示，假定在初始對準策略中，目標X在目標集A中，目標Y在目標集B中，而目標Z在目標集C中。當然，目標集A,B及C也將具有其他來自其他圖像的目標組的目標，但僅可使用在最后一次執(zhí)行步驟404時選擇的目標組來在步驟406中形成替代對準策略。因此，作為步驟406的結果，選擇了數(shù)量N的目標集，并為N個目標集每一個選擇N個目標。將理解的是，圖5僅列出了在步驟328的初始對準策略中目標集(集A，B及C)的子組合，并且步驟328的初始對準策略通常具有比圖5中列出的目標集的子組合更多的目標集(例如，50個或更多)。步驟408。在步驟402中，在多個目標集中選擇目標集54(例如，目標集A，B及C)的子組合。在步驟404，選擇多個目標組中的目標組50。在步驟406，從在步驟404中選擇的目標組中選擇目標200(其被分配至在步驟402中選擇的目標集54的子組合)(例如，目標X，Y及Z)的子組合。在步驟408，為來自步驟406的目標的選擇子組合以及來自步驟402的目標集的選擇的子組合的各個可能目標-目標集計算相似度得數(shù)。如圖5所示，在三個目標及三個目標集的情況下，總共存在六個不同目標-目標集組合，原始策略以及五個替代對準策略。為這些替代對準策略的每一個計算相似度得數(shù)。在一些實施例中，如下計算相同度得數(shù)F(對準策略)=(目標集)褒移中的fa好標踏如圖5所示，每一個考慮的目標集54均具有多個目標200。在步驟406中，為了重新配置全部可能目標-目標集組合以生成替代對準策略，來識別特定目標組50中的這些目標200。將在步驟406中未識別的目標200在這些替代對準策略的每一個中保持固定不變。例如，參考圖5，在步驟406中選擇目標X,Y及Z,由此其被重新配置為全部可能的替代對準策略，而并未在步驟406中識別目標H,J及K，因為其并非來自在最后一次執(zhí)行步驟404時識別的目標組。在一些實施例中f(目標集)=Zw附(a,a)囊爐必全薪;/<'力>該目標函數(shù)實質上是用于全部目標集的目標對之間的相似度測量值。在這里，A及》y分別是第i個目標及第j個目標，sim(A',》y)是A與i5/之間的相似度測量值。例如，在上述實施例中，圖5中所示的用于初始對準策略的相似度得數(shù)是F(對準策略)=f(目標集A)+f(目標集B)+f(目標集C)=Zw'附。,，凡)+巧)+2]w'附(a,a)《疾標:4^效全新對<,,/>盡#疾*^游全敘身<;,)>互#標#6，殷全欲身<0'>=sim(X,H)+sim(Y，J)+sim(Z,K)此外，在上述實施例中，圖5中示出的相似度得數(shù)替代對準策略1是F(對準策略)=f(目標集A)+f(目標集B)+f(目標集C)g薪標jM^游全泰對<,',)>《標^#3^游全新對<;,7>《賴薪囊c^必全新對<,',)>=sim(X,H)+sim(Z，J)+sim(Y,K)在一些實施例中，多個圖像46包括1H-13C核磁共振光譜，并且在對準策略中用于目標集54中給定目標對^,^的sim(A',^/)使用以下等式進行計算sim(A,巧)=-{dist(A,巧》2叫(Ci-Cj)2+X(Hi-Hj)2》，其中Ci表示目標戶/在"C維中的坐標；Cj表示目標在13C維中的坐標；Hi表示目標A'在iH維中的坐標；Hj表示目標^/在&維中的坐標；而X是標準化常數(shù)。在一些實施例中，通過首先考慮用于碳及質子尺度的上限來確定入。59例如，可以通過手動對準表示兩個已知代謝物(在二維NMR光譜中相互緊鄰)的兩個基準目標集來估計用于碳及質子尺度的上限?？梢约俣ㄓ糜谝粋€目標集中的目標的石友尺度的坐標根據(jù)統(tǒng)一分配[Ctrue-Rc,Ctrue+Rc]被獨立地繪制，其中C加e是用于相應代謝物的碳尺度中的實際坐標，而Rc是目標可在碳尺度中偏移的最大范圍，其可以無誤差形式根據(jù)基準數(shù)據(jù)來估計。然后將用于碳尺度的上限Bc界定為2Rc。可以類似的方法來計算用于質子尺度的上限BH。然后將標準化常數(shù)i估計為{BC/BH}2。在一些實施例中，多個圖像46包括二維光譜，并且在對準策略中用于目標集54中給定目標對A',i^的sim(A,i3/)使用以下等式進行計算sim(A、巧)=-{dist(A'，巧)〉、畫((Xi-Xj)2+X(Yi-Yj)2)，其中Xi表示目標A在X維中的坐標；Xj表示目標》y在X維中的坐標；Yj表示目標A在Y維中的坐標；Yj表示目標i^在Y維中的坐標；而X是標準化常數(shù)。在上述實施例中，利用用于平衡X維及Y維的適當方法來確定X。應當理解，當多個圖像46包括三維光譜，四維光譜以及更高階光譜時，可以使用類似的距離度規(guī)，其中將其他項增加至距離度規(guī)(或其他形成的用于計算相似度的度規(guī))以處理其他維度。此外，可以使用其他類似度規(guī)來在步驟408計算相似度，包括但不限于曼哈坦距離、Chebychev距離、矢量之間的角度、相關距離、標準歐幾里得距離、Mahalanobis距離、Pearson相關系數(shù)的乘方、或者Minkowski距離。例如可以使用SAS(StatisticsAnalysisSystemsInstitute,Cary,)或S-Plus(StatisticalSciences,Inc.,Seattle,Washington)來計算上述度量。上述度量在Draghici,2003,DataAnalysisToolsforDNAMicroarrays,Chapman&Hall,CRCPressLondon,chapter11中進行了描述，為此通過引用將其全部內容包含于本說明書中。在一些實施例中，多個圖像46包括二維光譜，并且在對準策略中用于目標集54中給定目標對戶/，^的sim(戶/,乃')使用以下等式進行計算sim(尸/，")=l,矛廁一{必"戶,',;5/)}2其中，陽(dist(A，巧》2二((Xi陽Xj)2+X(Yi-Y力，其中Xj表示目標A'在X維中的坐標；Xj表示目標^/在X維中的坐標；Yi表示目標A在Y維中的坐標；Yj表示目標^/在Y維中的坐標；而入是標準化常數(shù)。在上述實施例中，使用用于平衡X維與Y維的合適方法來確定X。在一些實施例中，多個圖像46包括二維圖像(例如，光譜)，并且在對準策略中用于目標集54中給定目標對戶/,&'的sim(A,^吏用以下等式進行計算Yj表示目標戶/在Y維中的坐標；Yj表示目標^在Y維中的坐標；X是標準化常數(shù)；correlatioriij是界定的相鄰目標A'與目標i5/之間的關系；Y是關系項correlationij的一又重；Ii是目標A'的記錄強度；Ij是目標》j'的記錄強度；而"是(Ii-Ij)2的4又重。當可使用復制圖像時，上述實施例特別有用。復制圖像是在完全相同的一組實驗條件下獲得的圖像。在一些實施例中，對上述復制圖像進行平均以形成每一個均表示兩個或更多復制圖像的多個圖像。例如，考慮存在四個圖像A，B，C及D的情況，其中A是B的復制圖像而C是D的復制圖像。在此情況下，A與B可以被平均以形成圖像AB而C與D可以被平均以形成圖像CD。然后使用圖3及圖4所示如上所述的方法來對準圖像AB與CD。在一些實施例中，界定了在其原始圖像中包圍了各個目標的相鄰區(qū)域。參考圖2，將這些相鄰區(qū)域存儲為用于目標集54中的各個目標200的一個或更多可選目標形狀208。然后，使用相鄰關系來測量成對高峰之間的形狀相似度，其中correlationij是A'與^/相鄰界定的之間的關系。在一些實施例中，correlationij是W與力'相鄰界定的之間的Pearson關系系數(shù)?？梢允褂贸Ｒ?guī)方法來分別確定戶/與A'的記錄強度Ii與Ij。通常，在目標200是圖像46中的高峰的情況下，上述方法可呈現(xiàn)出高峰所包圍的面積或體積。在一些實施例中，確定Y以平衡位置差異及形狀差異。在一些實施例中，使用距離乘方的平均值與關系的平均值之間的比率作為對Y的估計值以使關系項與距離乘方的標度可進行比較。通過隨機選取較大數(shù)量(例如，10,000)的目標對計算兩個平均值，使得任何一對目標均來自不同圖像并且其在兩個維度上的位置差處于預定上限內。在一些實施例中，n被界定為位置偏移的標準偏差與對準的復制圖像(例如，上述示例中的AB及CD圖像)中全部目標的記錄強度的標準偏差的比率，否則ri是零。步驟410。在步驟410中，基于可實現(xiàn)最佳相似度得數(shù)的目標-目標集組合對準策略，選擇的目標的子組合被重新分配至選擇的目標集的子組合中的目標集。例如，參考圖5,如果對準策略2可實現(xiàn)最佳得數(shù)，則將目標X重新分配至目標集B并將目標Y重新分配至目標集A。繼續(xù)參考圖5，另一方面，如果初始對準策略可實現(xiàn)最佳得數(shù)，則目標X保持在目標集A中而將目標Y保持在目標集B中。步驟412。在步驟412中，進行對于全部對準策略(多個目標組)中各個目標組，在最后一次執(zhí)行步驟402中識別的目標集的子組合是否已經(jīng)被估計的判定。例如，參考圖5，條件(412-是)將不會滿足，直至對于與圖像1對應的目標組執(zhí)行了步驟404而對與圖像2對應的目標組另一次執(zhí)行了步驟404。如果對于全部對準策略中的各個目標組，在最后一次執(zhí)行步驟402中識別的目標組的子組合還未被估計(412-否)，則控制進行至步驟404，其中在多個目標組中選擇了另一目標組。例如，參考圖5，在一次重復(執(zhí)行)步驟404時，與圖像1對應的目標組可被選擇，而在另一次重復步驟404時，與圖像2對應的目標組可被選擇。當為了在步驟402中選擇的目標集的給定子組合已經(jīng)在執(zhí)行步驟404時選擇了全部目標組(412-是)，則處理控制進行至步驟414。步驟414。在步驟414中，進行在循環(huán)404-414期間是否存在任何目標被重新分配至不同目標集的判定。如果是(414-是)，則通過循環(huán)404-412重新檢查目標組。例如，參考圖5,假定對于圖像1接收了替代對準策略1。然后，當?shù)竭_決定414時，在執(zhí)行步驟404之后就再次檢查用于圖像1的目標組以及用于圖像2的目標組。該模式持續(xù)直至對于在步驟402選擇的目標集的給定子組合，不存在對于用于圖像1的目標組或用于圖像2的目標組被接收的替代對準策略。當在執(zhí)行循環(huán)404-414期間目標還未被重新分配至不同目標集時(414-否)，處理控制進行至步驟416。步驟416。在步驟416中，進行用于完成對準策略的目標功能是否已經(jīng)改進的判定。用于完成對準策略的目標功能如下F(對準策略)=Z/(^標叛)棘柳鄉(xiāng)膝夠其中S賺卿鄉(xiāng)脈游可利用上述任何方法來計算。如果目標功能在最后第N次重復循環(huán)402-416時得到改進(其中在不同實施例中N為1，2，3，4，5，6或更大的值)(416-是)，則處理控制返回至步驟402，在此從多個目標集中選擇目標集的新子組合。如果目標功能在最后第N次重復循環(huán)402-416時還未改進(416-否)，則其最終形式的目標集被輸出作為最終對準策略。在一些實施例中，最終輸出策略的輸出表示在存儲器36及/或數(shù)據(jù)存儲器14中，或者在可通過計算機IO經(jīng)由廣域網(wǎng)34被訪問的一些其他存儲器中瞬時存儲包括最終對準策略的目標集54。在一些實施例中，包括最終輸出策略的多個目標集被輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示多個目標集。圖4中示出的處理是貪心查找算法的示例。在替代實施例中，采用查找算法的改變示例。例如，在一些實施例中，步驟416持續(xù)至返回至步驟402的循環(huán)直至已經(jīng)在全部對準策略中從多個目標集M選擇了N個目標集的各個可能子組合，其中N被保持為常量(例如，N=3)并且N<M。因此，例如在一些實施例中，在全部對準策略中存在10個目標集54，并且步驟416循環(huán)返回至步驟402直至已經(jīng)在10個目標集54的全部組中選擇了3個目標集54的各個子組合。在一些實施例中，在從每一次重復步驟402時選擇的目標集的子組合中的目標集的數(shù)量是固定數(shù)，例如3個目標集54。在其他實施例中，允許在每一次重復步驟402時選擇目標集的子組合中的目標集的數(shù)量發(fā)生改變。例如，在一些實施例中，在一個重復步驟402時，選擇了五個目標集54，而在另一次重復步驟402時，選擇了四個目標集54。在另一實施例中，無論在重復循環(huán)402-416固定次之后目標功能是否纟皮改進，均實現(xiàn)條件416-否。例如，在一些實施例中，無論在循環(huán)402-416已經(jīng)被重復超過兩次，超過十次，超過100次，超過1000次，超過十萬次，或者超過一百萬次之后目標功能仍然被改進，均實現(xiàn)條件416-否。任何這些替代查找實施例均是貪心查找算法的形式。實際上，可以使用任何貪心查找算法(即，遵循試圖發(fā)現(xiàn)全球最佳且在每一階段實現(xiàn)局部最佳選擇的問題解決后啟發(fā)的任何算法)來改進初始對準策略328。圖4揭示的算法僅提供了一種上述算法的示例。在Cormenelal.,1990，IntroductiontoAlgorithmsChapter17"GreedyAlgorithms"p.329;Cormen,2001,IntroductiontoAlgorithms,Chapter16;Gutin等，2002,DiscreteAppliedMathematics117,81-86;Bang-Jensen等，2004，DiscreteOptimization1,121-127;以及BendallandMargot,2006,DiscreteOptimization3,288-298中有對貪心算法的其他介紹，因為其揭示了貪心算法，這里通過引用將其包含于本說明書中。在一些實施例中，使用動態(tài)查找而非貪心查找算法來改進初始對準策略328而非圖4中的處理。在一些實施例中，使用動態(tài)查找與貪心查找算法之間的混合來改進初始對準策略328而非圖4中的處理。在Cormen等,2001,IntroductiontoAlgorithms,2nded.MITPress&McGraw-Hill,chpt.15:32369;Stokey等,1989，RecursiveMethodsinEconomicDynamics,HarvardUniv.Press;Bertsekas,2000,DynamicProgrammingandOptimalControl,2nded.AthenaScientific,Vols.1and2;以及Giegerich等，2004,ScienceofComputerProgramming,Vol51,3:215-263中揭示了可以4吏用的示例性動態(tài)方法，因為其揭示了動態(tài)查找，這里通過引用將其包含于本說明書中。動態(tài)編程(動態(tài)查找)使用了(i)重疊子問題，(ii)最佳子結構，以及(iii)記憶。動態(tài)編程通常采用上下法或下上法這兩種方法中一種方法。在上下法中，問題被分隔為子問題，且這些子問題被解決且方案被記憶，以防需要再次解決這些問題。這是遞歸與記憶的組合。在下上法中，可能需要的全部子問題被預先解決，然后被用于建立對更大問題的解決方案。一些實施例利用通常各個實驗條件涉及多次復制的情況。在上述實施例中，策略是首先將各個條件的復制下的目標對準?？梢允褂蒙鲜鰣D3及圖4所示的方法來實現(xiàn)此目的，其中各個圖像是在相同實驗條件下所取的復制品。然后，為各個條件生成平均圖像。最后，使用上述圖3及圖4所示的方法在全部實驗條件上將平均圖像對準，其中各個圖像分別是來自多個復制品的平均圖像。在一些實施例中，對開在復制品中表示相同可視量(例如，代謝物)的目標，還考慮跟蹤并被用于以上述方法對準目標的信號強度。在一些實施例中，各個實驗條件分別是不同攝動，或者不存在上述攝動，其中在測量樣本之前樣本被暴露或不被暴露。實施例易受醋氨酚導致肝中毒影響的不同純系林對于遺傳分析，對16個純系小鼠抹受在單次腹腔內施加300mg/kg劑量醋氨酚的肝中毒的影響性進行了評估。公知將劑量會造成鼠的肝中毒。在施藥后24小時期間，評估血清丙胺酸轉氨酶(ALT)、發(fā)病率以及肝組織化學作為肝中毒的癥狀。在不同實驗中觀察到不同的中毒嚴重程度。但是，在接收上述劑量的醋氨酚之后，15個抹重復地出現(xiàn)了肝中毒。除了血清ALT的升高之外，暴露至醋氨酚也導致上述15個林的鼠的較高死亡率。但是，SJL林被重復地抵抗防止出現(xiàn)藥致肝中毒。在暴露至醋氨酚之后，SJL鼠沒有死亡，且其在血清ALT方面的升高小且短暫的多。為了揭示這些林相互之間差異的遺傳方面的原因，執(zhí)行對從抗體(SJL)以及三個選擇的敏感(C57BL6，DBA/2以及SMJ)抹獲得的肝臟內藥物引入反應的詳細組織化學、轉錄以及體內膠質分析。在進行了醋氨酚處理四十八小時之后，在來自三個敏感抹的鼠中出現(xiàn)至少60%的死亡率，而全部SJL鼠均存活。此外，上述三個敏感林具有不同的發(fā)病模式。在施藥后，C57B6鼠在六小時內出現(xiàn)100%的死亡率，而在施藥后，SMJ及DBA/2抹的死亡分別出現(xiàn)在24小時及48小時。對肝臟組織部分的組織學檢查確認了生物化學及發(fā)病率分析。來自SJL的肝臟組織具有相對較小的藥物引入傷害。但是，從三個敏感抹獲得的肝臟組織卻顯示非常嚴重的小葉中心壞死。67對醋氨酚的肝毒素劑量的不同受影響性可能是因為產(chǎn)生的導致肝中毒的反應醌代謝物比率不同。但是，之前已經(jīng)說明了抗體SJL抹在醋氨酚處理之后生成與敏感C57B6抹相同量的肝醋氨酚蛋白加合物。此外，肝基因表達圖顯示醋氨酚處理在SJL鼠中引起與三個敏感抹中相同(或更大)水平的DNA損傷。作為DNA損害反應的指標(Ddit3，Dnajbl,以及因此，肝中毒劑量的醋氨酚導致形成蛋白加合物，并激活抗體SJL鼠中的DNA損傷反應達到與易受影響抹相同的程度。這意味著影響對有毒代謝物的宿主反應的遺傳差異的構成基礎在于對醋氨酚引起的肝中毒的易受影響的抹具體差異。此外，在敏感抹中僅單一株在反應方面具有抵抗力且可變的事實表明多于一個遺傳因素會影響純系抹中的抵抗力。對醋氨酚導致內源代謝物以及基因表達變化的分析在抗體(SJL)以及三個敏感抹(DBA,SMJ以及C57)抹暴露至醋氨酚0，3及6小時之后對肝臟中內源代謝物以及基因表達變化進行檢查以對有助于抵抗醋氨酚導致肝中毒的路徑以及基因進行識別。利用1H-13C二維NMR分析來顯示內源代謝物的輪廓。通過此方法量化并分析超過400個代謝物高峰，并使用主要成份分析(PCA)(Duda,2001,PatternClassification,JohnWiley&Sons,Inc.,pp.568-569)來識別將每文感抹與三個抗體抹區(qū)別開的代謝物高峰。在藥物處理之后三個小時獲得的代謝物輪廓將抗體SJL鼠與三個敏感抹區(qū)別開。因此，對將抗體抹的反應與三個敏感抹在施藥后零及三小時區(qū)別開的高峰內的代謝物進行識別。九個內源代謝物高峰在抗體SJL抹中具有獨特的豐富圖案，其在質量及數(shù)量上與三個敏感抹區(qū)別開。使用具有凈化化合物的共振分配及確認實驗，對上述九個高峰中八個的性質進行確認。三個高峰被分配至谷胱甘肽。與其對醋氨酚導致肝中毒的抵抗性一致，SJL是在醋氨酚給藥之后三個小時唯一維持其肝谷胱甘肽濃度的抹，肝谷胱甘肽水平在三個敏感抹中顯著下降。其他五上代謝物高峰被分配給丙胺酸、乳酸鹽以及三甲銨乙內酯。同時使用微陣列(microarray)來分析在之前(零小時)及醋氨酚給藥之后三小時從這四個抹獲得的肝臟中的基因表達。使用預先確定的選擇標準(重影改變(fold-change)〉2并且p值0.01)，抗體SJL抹具有224個基因，其表達圖案與在處理之后小時間三個敏感抹中的基因完全不同。上述較大數(shù)量的不同表達基因限制了通過其自身分析基因表達數(shù)據(jù)的實用性。但是，對基因表達以及代謝物數(shù)據(jù)的集成分析提出了需要考慮的更嚴格的一組路徑及基因。在基因存在數(shù)據(jù)庫中僅功能注解了這些不同表達的基因的二十個作為涉及代謝物。此外，在路徑中僅有三個基因(Pdk4，G6pc以及Bhmt2)涉及被代謝物數(shù)據(jù)識別出的四個內源代謝物。畜牧業(yè)及藥物治療從Jackson實驗室(BarHarbor,ME)獲得七至八周大的雄鼠并在使用前進行額外一周的環(huán)境適應。對以下16個純系抹鼠進行了研究SJL,LGJ,BALB/cJ，DBA/2J，A/J,AKR/J,A/HeJ,129/SvJ,BIO.D2-H2/oSNJ,C57BL/6J,NZW/LaCJ,NZB/BInJ,MRL/MpJ,C3H/HeJ,LP/J,SM/J。鼠在無病原體環(huán)境中容納，并被隨意供應食物及水達12小時以及12小時光照黑暗周期直至實驗使用。在各個實驗之前，一夜之間(超過十六小時)從動物處取回食物以統(tǒng)一的耗盡肝谷胱甘肽儲備。全部鼠均被給予單次300mg/kg劑量的新近制備的懸浮在PBS(pH7.4)中的醋氨酚(VoigtGlobalDistributionInc.)腹膜內施藥，并被允許在處理之后自由進食及進水。通過C02吸入4吏鼠安樂死以在施藥之后零、三、以及六個小時獲取血液樣本及肝臟組織。對于醋氨酚致死的發(fā)生，對剩余鼠進行48小時監(jiān)控。血液樣本通過心臟穿刺提取并被置于EDTA涂層試管中，且血漿樣本通過離心分離。在MarshfieldClinic實驗室(Marshfield,Wisconsin)對丙氨酸轉氨酶(ALT)活性進行測量。肝臟組織;波立即移除并切為兩部分。較小部分在緩沖福爾馬林中被固定，通過標準組織學技術被處理，利用蘇木精及曙紅染色，并為了獲得肝臟損傷的組織學證明而被檢查。剩余部分在液氮中被突然冷凍，并被存儲在-80。C用于基因表達及代謝物分析。代謝物提取，NMR分析以及數(shù)據(jù)處理冷凍肝臟組織(~500mg)與液氮一起被研磨成粉并被立即投入15ml的67%MeOH/33。/o水的冷溶液中。組織通過三次冷凍及融化^:細胞溶解，充分混合，然后在4°C以12,000xg的離心力經(jīng)過30分鐘處理。通過在500^1D20(CambridgeIsotopeLaboratories,Inc.)中快速抽真空并重新懸浮來干燥上清液。然后通過10-kDa切斷過濾器(MicroconYM-10,Millipore)來離心過濾樣本以去除沉淀蛋白質。濾液;陂凍干并溶解在包含ImM鈉-3-(3-甲基甲珪烷)-2，2，3，4-tetradeuteriopropionate(TSP;Sigma-Aldrich)的200|ilD20中，這是NMR分析的內部標準。利用具有z軸脈沖場梯度的3mmNalorac微探針，NMR光譜以300°K記錄在以&599.99MHz頻率及13C150.87MHz頻率工作的BrukerAvance600MHz攝譜儀上。使用ID質子光譜，2D質子相關光譜COSY，以及2D1H-13C單鍵相關HSQC光譜來分配共振。定量代謝物分析中使用的高峰從使用用于一致性選擇的z軸脈沖場梯度獲得的2D1H-13CHSQC光譜中選取。使用16至64scans/FID以及用于1H以及13C維的256個點獲取光譜，并且總光譜獲取時間從2.75至11小時。NMR分配通過獲取具有凈化化合物的樣本的光譜來確認。2D-NMR光譜利用Topspin(Bruker,Billerica，Masschussetts)來處理，并利用SparkyAssignmentandIntegrationSoftearepackage(UCSF,SanFranciscoCalifornia)來幫助來進行解釋。結合圖1至圖5在以上描述的算法被用來將與不同光譜中出現(xiàn)的與相同代謝物對應的高峰對準。簡言之，以兩步來實現(xiàn)對準。在第一步驟中，對準用于相同抹的復制品并使用對準的串的平均<i來為林生成代表光譜(representativespectrum)。然后將代表光譜對準以完成對NMR數(shù)據(jù)的最終對準。然后使用以下標準來過濾對準高峰串(1)代謝物高峰出現(xiàn)在從不同抹及時間點獲得的超過四個樣本中；(2)高峰的最大強度大于十；(3)最大與最小強度的重影改變大于五；(4)因為其高度重疊，故排除具有光譜區(qū)域(13C:1-81;3.3-4.3)的高峰。然后以其ANOVAp-值來將符合這些標準的高峰分級。M實施例及引用參考文獻本說明書中引述的全部參考文獻通過引用，為了各種目的，將其全部內容包含在本說明書中。這里揭示的各種方法，計算機程序產(chǎn)品以及計算機可選地進一步包括用于將結果輸出(例如，輸出至監(jiān)視器，使用者，計算機可讀介質，例如，存儲介質或遠程計算機)的步驟或命令?？梢杂嬎銠C程序產(chǎn)品應用本發(fā)明，其包括嵌入計算機可讀存儲介質中的計算機程序機構。此外，可在一個或更多計算機或計算機系統(tǒng)中應用本發(fā)明的任何方法。此外，可在一個或更多計算機產(chǎn)品中應用本發(fā)明的任何方法。本發(fā)明的一些實施例纟是供了編碼命令或具有命令以執(zhí)行這里揭示的任何或全部方法的計算機系統(tǒng)或計算機程序產(chǎn)品。上述方法/命令可被存儲在CD-ROM，DVD，磁盤存儲產(chǎn)品，或者任何其他計算機可讀數(shù)據(jù)或程序存儲產(chǎn)品上。上述方法也可被嵌入固定存儲器，例如ROM,—個或更多可編程芯片，或者一個或更多特定用途集成電路(ASIC)。上述固定存儲器可被定位在服務器，802.11訪問點，802.11無線橋/站，移動電子裝置或者其他電子裝置上。在計算機程序產(chǎn)品中編碼的上述方法也可經(jīng)由互連網(wǎng)或其他方式，通過數(shù)字地或在載波上傳遞計算機數(shù)據(jù)信號(其中嵌入軟件模塊)，電子式地分布。權利要求1.一種方法，用于將多個目標組中的目標對準，所述多個目標組中每一個目標組分別包括多個圖像中相應圖像中的多個目標，其中，在所述多個目標組中的每一個目標組中的所述每一個目標初始分別被標記為未處理，所述方法包括以下步驟(A)為所述多個目標組中第一目標組中的各個目標中每一者分別構造包含所述第一目標組中的所述各個目標的相應目標集，由此構造多個目標集；(B)為所述多個目標組中靶目標組中的各個未處理目標每一者分別計算所述多個目標集中的靶目標集與所述各個目標之間的相似度度量，由此計算多個相似度度量，其中當所述目標與所述靶目標集之間的坐標差異低于閾值時，所述靶目標組中具有與所述靶目標集最佳相似度得數(shù)的所述目標被增加至所述靶目標集，并被標記為已處理；否則，當所述目標與所述靶目標集之間的坐標差異不低于閾值時，將卻失目標增加至所述靶目標集；(C)為所述多個目標組中剩余各個目標組重復所述計算步驟(B)，由此使所述靶目標集增加；并且(D)為所述多個目標集中剩余各個目標集重復所述計算步驟(B)，其中，所述各個目標集被設計為所述靶目標集，其中，處于同一目標集中的目標被視為彼此對應，由此將所述多個目標組中的目標對準。2.根據(jù)權利要求1所述的方法，其中，所述多個目標組中目標組的所述多個目標中的各個目標的特征在于第一維值X及第二維值Y。3.根據(jù)權利要求1所述的方法，其中，所述第一維值X用于碳(C)而所述第二維值Y用于氫(H)，并且其中，當lc2-C^I〈Bc，并且IH2-H"〈BH時，在步驟(B)中所述^^目標組中具有與所述^^目標集的所述最佳相似度得數(shù)的所述目標與所述靶目標集之間的所述坐標差異低于閾值，其中C2是用于所述靶目標組中具有與所述靶目標集的所述最佳相似度得數(shù)的所述目標的第一維指標；C1是用于所述靶目標集的第一維指標；H2是用于所述靶目標組中具有與所述靶目標集的所述最佳相似度得數(shù)的所述目標的第二維指標；H1是用于所述靶目標集的第二維指標；Bc是第一維閾值極限值；而BH是第二維閾值極限值。4.根據(jù)權利要求1所述的方法，其中，所述多個圖像中的各個圖像分別是二維圖像。5.根據(jù)權利要求1所述的方法，其中，所述多個圖像中的各個圖像分別是N維圖像，其中，N等于l或更大。6.根據(jù)權利要求5所述的方法，其中，當ICn2-Cn"〈Bn時在步驟(B)中所述靶目標組中具有與所述靶目標集的所述最佳相似度得數(shù)的所述目標與所述靶目標集之間的所述坐標差異低于閾值，其中C，是用于所述靶目標組中具有與所述靶目標集的所述最佳相似度得數(shù)的所述目標的第i維指標；C/是用于所述靶目標集的第i維指標；而B,是第i維閾值極限值。7.根據(jù)權利要求1所述的方法，其中，所述多個圖像中的各個圖像分別是二維圖像。8.根據(jù)權利要求1所述的方法，其中，所述多個圖像中的圖像是二維&-13(:核磁共振光譜，并且所述圖像中的所述目標是所述二維&-13(:核磁共振光譜中的高峰。9.根據(jù)權利要求1所述的方法，其中，所述多個圖像中的圖像是二維核磁共振(NMR)光譜，三維NMR光譜，或者四維NMR光譜，并且所述圖像中的所述目標是所述二維，三維，或者四維NMR光譜中的高峰。10.根據(jù)權利要求1所述的方法，其中，所述多個圖像中的圖像是2D核奧佛好塞提高及交換(NOESY)光譜、二維J解析(2D-J)光譜、共核2D相關(COSY)光譜、2D旋轉回聲相關(SECSY)光譜、繼相干轉換(RELAYED-COSY)光譜、1H-15NCOSY光譜、'H-"PCOSY光譜、u3Cd」HCOSY光譜、旋轉框架NOE(ROESY)光譜、總相關(TOCSY)光譜、異核單量子相關(HSQC)光譜、異核多量子相關(HMQC)光譜、異核多鍵相關(HMBC)光譜、二維異核相關(HETCOR)光譜、雙量子過濾相關(DQFC)光譜或者二維INADAQUATE光譜。11.根據(jù)權利要求1所述的方法，其中，所述多個圖像中的圖像是二維異核磁共振光譜，并且所述圖像中的所述目標是所述二維異核磁共振光傳中的高峰。12.根據(jù)權利要求1所述的方法，其中，所述多個圖像中的圖像是二維同核磁共l展光譜，并且所述圖像中的所述目標是所述二維同核磁共4展光譜中的高峰。13.根據(jù)權利要求1所述的方法，其中，所述多個目標組中的目標組包括50個目標。14.根據(jù)權利要求1所述的方法，其中，所述多個目標組中的目標組包括200個目標。15.根據(jù)權利要求1所述的方法，其中，所述多個圖像包括iH-"C核磁共振光譜，并且其中，根據(jù)以下公式sim(A，P)(dist(A,&)}2=-t{(Ci-Cj)2+,-Hj)}2，來計算在步驟(B)中計算的所述目標與所述靶目標集P={》1,...,^/}之間的相似度度量，其中Ci是目標A'在13C維中的坐標；Cj是目標i5/在13C維中的坐標；Hi是目標A在^維中的坐標；Hj是目標》y在'H維中的坐標；而X是標準化常數(shù)。16.根據(jù)權利要求1所述的方法，其中，當所述目標與所述靶目標集之間的相似度度量大于所述把目標組中任何其他目標與所述靶目標集之間的所述相似度度量時，所述目標與所述靶目標集之間的所述相似度度量具有所述最佳相似度得數(shù)。17.根據(jù)權利要求1所述的方法，其中，當所述目標與所述靶目標組之間的相似度度量大于所述靶目標組中任何其他目標與所述靶目標集之間的所述相似度度量時，所述目標與所述靶目標集之間的所述相似度度量具有所述最佳相似度得數(shù)。18.根據(jù)權利要求1所述的方法，所述方法還包括對在所述多個目標集中分配目標進行優(yōu)化。19.根據(jù)權利要求18所述的方法，其中，所述優(yōu)化步驟包括(i)在所述多個目標集中選擇目標集的子組合；(ii)從^皮分配至目標集的所述子組合的所述多個目標組中的目標組選擇目標的子組合；(iii)為目標的所述選擇子組合與目標集的所述選擇子組合的每一個可能的目標-目標集組合分別計算相似度得數(shù)；并且(iv)根據(jù)在步驟(iii)中實現(xiàn)所述最佳相似度得數(shù)的所述目標-目標集組合來將所述目標組中的目標的所述選擇子組合重新分配至目標集的所述選擇的子組合中的目標集。20.根據(jù)權利要求19所述的方法，其中，為所述多個目標組中每一個目標組重復步驟(ii)，(iii)及(iv)。21.根據(jù)權利要求19所述的方法，其中，為所述多個目標集中目標集的不同子組合重復步驟(i),(ii)，(iii)及(iv)。22.根據(jù)權利要求21所述的方法，其中，在所述多個目標集中目標集的給定不同子組合，為所述多個目標組中各個目標組重復步驟(ii),(iii)及(iv)。23.根據(jù)權利要求19所述的方法，其中，重復步驟(i),(ii),(iii)及(iv)數(shù)次，并且其中，每一次重復步驟(i)，(ii)，(iii)及(iv)均是為所述多個目標集中目標集的不同子組合。24.根據(jù)權利要求23所述的方法，其中，為所述多個目標集中目標集的各個不同子組合，為所述多個目標組中的各個目標組重復步驟(ii)，(iii)及(iv)25.根據(jù)權利要求19所述的方法，所述方法還包括(v)為所述多個目標組中的各個目標組重復步驟(ii),(iii)及(iv);(vi)確定在步驟(v)之前是否用于目標功能的值已經(jīng)相對于用于所述目標功能的值改進；并且當所述目標功能已經(jīng)改進時，為所述多個目標集中目標集的不同子組合重復步驟(i),(ii)，(iii)及(iv);并且當所述目標功能尚未改進時，結束所述優(yōu)化步驟(E)。26.根據(jù)權利要求25所述的方法，其中，表示為F(對準策略)的所述目標功能是F(對準策略)=2>(目標集10K=l,多個目標集中的全部目標集其中，<formula>formulaseeoriginaldocumentpage8</formula>　目標集k中的全部對〈ij〉27.根據(jù)權利要求26所述的方法，其中，所述多個圖像包括^-13(:核磁共振光譜，并且其中sim=-{dist(A,巧,))2-((Ci-Cj)2+X(Hi-Hj)2〉，其中Ci是目標集k中目標A'在"C維中的坐標；Cj是目標集k中目標力'在13C維中的坐標；Hi是目標集k中目標A在&維中的坐標；Hj是目標集k中目標Py在^維中的坐標；而入是標準化常數(shù)。28.根據(jù)權利要求26所述的方法，其中，所述多個圖像包括二維光譜，并且其中simP)=-{dist(A、巧)〉2-((Xi扁Xj)2+X(Yi-Yj)2〉，其中Xi是目標集k中目標A在X維中的坐標；Xj是目標集k中目標力在X維中的坐標；Yi是目標集k中目標A在Y維中的坐標；Yj是目標集k中目標&在Y維中的坐標；而入是標準化常數(shù)。29.根據(jù)權利要求26所迷的方法，其中，所述多個圖像包括二維光譜，并且其中其中，-(dist(A'，巧"^-((Xi-Xj)2+X(Yi-Yj)"，其中Xj是目標集k中目標A'在X維中的坐標；Xj是目標集k中目標力在X維中的坐標；Yi是目標集k中目標A在Y維中的坐標；Yj是目標集k中目標^/在Y維中的坐標；而入是標準化常數(shù)。30.根據(jù)權利要求26所述的方法，其中，所迷多個圖像包括二維光譜，并且其中sim尸"戶,'力)}2+/儒-,由—,.—/7.(/'.-々)2其中，-{dist(A,巧)^隱((Xi-Xj)2+X(Yi-Yj力，其中Xi是目標集k中目標A'在X維中的坐標；Xj是目標集k中目標》y在X維中的坐標；Yi是目標集k中目標A在Y維中的坐標；Yj是目標集k中目標》y在Y維中的坐標；X是標準化常數(shù)；correlatioriij是界定的相鄰目標A'與目標^/之間的關系；"Y是關系項correlationij的^又重；Ii是目標A的記錄強度；Ij是目標^/的記錄強度；而ri是(Irlj)2的4又重。31.根據(jù)權利要求18所述的方法，其中，利用貪心查找算法、動態(tài)查找或者貪心查找與動態(tài)查找的組合來執(zhí)行對所述多個目標集中目標分配的優(yōu)化D32.根據(jù)權利要求1所述的方法，其中，所述多個目標組中目標組中的目標對應與代謝物。33.根據(jù)權利要求1所述的方法，其中，所述多個圖像是在第一實驗條件下獲取的復制光譜，所述方法還包括使用所述多個目標集來將所述多個圖像組合為單一第一平均光譜。34.根據(jù)權利要求1所述的方法，其中，為不同第二多個圖像重復步驟(A)至(C),其中，所述不同第二多個圖像是在第二實驗條件下獲取的復制光譜，所迷方法還包括使用所迷多個目標集來將所述不同第二多個圖像組合為單一第二平均光譜。35.根據(jù)權利要求34所述的方法，其中，重復步驟(A)至(C)以將所述第一平均光譜與所述第二平均光譜對準。36.根據(jù)權利要求1所述的方法，所述方法還包括將所述多個目標集輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示所述多個目標集。37.根據(jù)權利要求1所述的方法，所述方法還包括根據(jù)所述多個目標集中的目標分配來將所述多個圖像對準。38.根據(jù)權利要求37所述的方法，所述方法還包括將所述多個對準圖像輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示所述多個對準圖像。39.—種設備，用于將多個目標組中的目標對準，所述多個目標組中的每一個目標組分別包括在多個圖像中相應圖像中的所述目標，所述設備包括中央處理單元；以及存儲器，其連接至所述中央處理單元，所述存儲器包括用于訪問所述多個目標組的命令；圖像比較模塊，所述圖像比較模塊包括用于執(zhí)行以下步驟的命令(A)為所述多個目標組中第一目標組中的各個目標中每一者分別構造包含所述第一目標組中的所述各個目標的相應目標集，由此構造多個目標集；(B)為所述多個目標組中靶目標組中的各個未處理目標每一者分別計算所述多個目標集中的靶目標集與所述各個目標之間的相似度度量，由此計算多個相似度度量，其中當所述目標與所述耙目標集之間的坐標差異低于閾值時，所述靶目標組中具有與所述靶目標集最佳相似度得數(shù)的所述目標被增加至所述靶目標集，并^c標記為已處理；否則，當所述目標與所述靶目標集之間的坐標差異不低于閾值時，將卻失目標增加至所述#巴目標集；(C)為所述多個目標組中剩余各個目標組重復所述計算步驟(B),由此j吏所述^^目標集增加；以及(D)為所述多個目標集中剩余各個目標集重復所述計算步驟(B)，其中，所述各個目標集被設計為所述靶目標集，其中，處于同一目標集中的目標被視為彼此對應，由此將所述多個目標組中的目標對準。40.根據(jù)權利要求39所述的設備，其中，所述比較模塊還包括用于執(zhí)行以下步驟的命令(E)將所述多個目標集輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示所述多個目標集。41.一種設備，用于將多個目標組中的目標對準，所述多個目標組中的每一個目標組分別包括在多個圖像中相應圖像中的所述目標，所述設備包括中央處理單元；以及存儲器，其連接至所述中央處理單元，所述存儲器包括(A)用于訪問所述多個目標組的裝置；(B)用于為所述多個目標組中第一目標組中的各個目標中每一者分別構造包含所述第一目標組中的所述各個目標的相應目標集，由此構造多個目標集的裝置；(C)用于為所述多個目標組中靶目標組中的各個未處理目標每一者分別計算所述多個目標集中的靶目標集與所述各個目標之間的相似度度量，由此計算多個相似度度量的裝置，其中當所述目標與所述靶目標集之間的坐標差異低于閾值時，所述靶目標組中具有與所述靶目標集最佳相似度得數(shù)的所述目標被增加至所述靶目標集，并4支標記為已處理；否則，當所述目標與所述靶目標集之間的坐標差異不低于閾值時，將卻失目標增加至所述靶目標集；(D)用于為所述多個目標組中剩余各個目標組重復用于計算(C)的裝置，由此使所述靶目標集增加的裝置；以及(E)用于為所述多個目標集中剩余各個目標集重復用于計算(C)的裝置的裝置，其中，所述各個目標集被設計為所述靶目標集，其中，處于同一目標集中的目標祐:視為彼此對應，由此將所述多個目標組中的目標對準。42.根據(jù)權利要求41所述的設備，其中，所述存儲器還包括(F)用于將所述多個目標集輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示所述多個目標集的裝置。43.—種設備，用于將存儲在計算機可讀存儲介質中的多個目標組中的目標對準，所述存儲介質包括(A)用于訪問所述多個目標組的第一多個二進制值；(A)用于為了所述多個目標組中第一目標組中的各個目標每一者分別構造包含所述第一目標組中所述各個目標，由此構造多個目標集的第二多個二進制值；(B)用于為所述多個目標組中靶目標組中的各個未處理目標每一者分別計算所述多個目標集中的靶目標集與所述各個目標之間的相似度度量，由此計算多個相似度度量的第三多個二進制值，其中當所述目標與所述靶目標集之間的坐標差異低于閾值時，所述靶目標組中具有與所述耙目標集最佳相似度得數(shù)的所述目標被增加至所述粑目標集，并被標記為已處理；否則，當所述目標與所述靶目標集之間的坐標差異不低于閾值時，將卻失目標增加至所述耙目標集；(C)用于為所述多個目標組中剩余各個目標組重復計算(C)的裝置，由此使所述把目標集增加的第四多個二進制值；以及(D)用于為所述多個目標集中剩余各個目標集重復計算(C)的第五多個二進制值，其中，所述各個目標集被設計為所述靶目標集，其中，處于同一目標集中的目標祐j見為4皮此對應，由此將所述多個目標組中的目標對準。44.根據(jù)權利要求43所述的設備，其中，所述存儲介質還包括(F)用于將所述多個目標集輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示所述多個目標集的第六多個二進制值。45.—種方法，用于將多個目標組中的目標對準，所述多個目標組中每一個目標組分別包括多個圖像中相應圖像中的多個目標，所述方法包括以下步驟(A)為所述多個目標組中第一目標組中的各個目標中每一者分別構造包含所述第一目標組中的所述各個目標的相應目標集，由此構造多個目標集；(B)為所述多個目標組中目標組中的各個目標每一者分別計算(i)所述各個目標與(ii)所述多個目標集中目標集中目標之間的相似度度量，其中當所述各個目標與所述多個目標集中的第一目標集中的目標之間的所述相似度度量優(yōu)于所述各個目標與所述多個目標集中任何另一目標集中的目標之間的所述相似度度量并且(ii)所述各個目標與所述第一目標集中的目標之間的坐標差異低于閾值時，所述各個目標被增加至所述第一目標集，否則，將包括所述各個目標的新目標集增加至所述多個目標集；并且(C)為所述多個目標組中剩余各個目標組重復所述計算步驟(B)，其中，處于同一目標集中的目標被視為彼此對應，由此將所述多個目標組中的目標對準。46.根據(jù)權利要求45所述的方法，其中，所述方法還包括對在所述多個目標集中分配目標進行優(yōu)化。47.根據(jù)權利要求46所述的方法，其中，所述優(yōu)化步驟包括(i)在所述多個目標集中選擇目標集的子組合；(ii)從被分配至目標集的所述子組合的所述多個目標組中的目標組選擇目標的子組合；(iii)為目標的所述選擇子組合與目標集的所述選擇子組合的每一個可能的目標-目標集組合分別計算相似度得數(shù)；并且(iv)根據(jù)在步驟(iii)中實現(xiàn)所述最佳相似度得數(shù)的所述目標-目標集組合來將所述目標組中的目標的所述選擇子組合重新分配至目標集的所述選擇的子組合中的目標集。48.根據(jù)權利要求47所述的方法，其中，為所述多個目標組中每一個目標組重復步驟(ii),(iii)及(iv)。49.根據(jù)權利要求47所述的方法，其中，為所述多個目標集中目標集的不同子組合重復步驟(i),(ii)，(iii)及(iv)。50.根據(jù)權利要求49所述的方法，其中，在所述多個目標集中目標集的給定不同子組合，為所述多個目標組中各個目標組重復步驟(ii)，(iii)及(iv)。51.根據(jù)權利要求47所述的方法，其中，重復步驟(i)，(ii)，(iii)及(iv)數(shù)次，并且其中，每一次重復步驟(i)，(ii)，(iii)及(iv)均是為所述多個目標集中目標集的不同子組合。52.根據(jù)權利要求51所述的方法，其中，為所述多個目標集中目標集的各個不同子組合，為所述多個目標組中的各個目標組重復步驟(ii),(iii)及(iv)。53.根據(jù)權利要求47所述的方法，所述方法還包括(v)為所述多個目標組中的各個目標組重復步驟(ii),(iii)及(iv);(vi)確定在步驟(v)之前是否用于目標功能的值已經(jīng)相對于用于所述目標功能的值改進；并且當所述目標功能已經(jīng)改進時，為所述多個目標集中目標集的不同子組合重復步驟(i)，(ii)，(Hi)及(iv);并且當所述目標功能尚未改進時，結束所述優(yōu)化步驟(E)。54.根據(jù)權利要求45所述的方法，所述方法還包括將所述多個目標集輸出至使用者界面裝置，計算機可讀存儲介質，存儲器，或者本地或遠程計算機系統(tǒng)，或者顯示所述多個目標集。55.根據(jù)權利要求1所述的方法，所述方法還包括(E)執(zhí)行以下步驟(i)對于在所述多個目標組中被標記為未處理的靶目標，將靶目標集增加于所述多個目標集，其中，所述耙目標被增加至所述靶目標集并被標記為已處理；并且(ii)為了所述粑目標集重復步驟(B)及(C);并且(F)重復步驟(E)直至在所述多個目標組中的任何目標組中沒有剩余的被標記為未處理的目標。全文摘要提供了用于將目標組中的目標對準的系統(tǒng)及方法。目標組具有處于多個圖像中相應圖像中的目標。對于第一目標組中的各個目標，構造相應目標集包括各個目標，由此構造多個目標集。在目標集與目標組中的目標之間計算相似度度量以向目標集分配目標。然后改進目標集以將目標組中的目標對準。文檔編號G06T7/00GK101329289SQ20081012525公開日2008年12月24日申請日期2008年6月23日優(yōu)先權日2007年6月21日發(fā)明者廖國春,明鄭,鵬陸申請人:弗.哈夫曼-拉羅切有限公司