跟你有同样的感觉，而且我最近作了一个这方面的工作，做方法。个人认为降低假阳性的有效方法有两种：一个是Local Genomic Text（或者称局部的统计显著性），另外一个是比较基因组。或者你可以尝试二者结合起来。

个人认为可以把那些单独的预测位点和那些几个位点都重叠的结果去掉，毕竟转录的启动是那些几个相隔数bp的位点结合多个转录因子而发生的

如果你是在基因组上作应用的话，干脆把motif finding的方法，矩阵打分方法，基因调控模式，比较基因组这些东西杂合起来耍一遍。如果还不够的话，根据蛋白DNA complex的结构的结合自由能模型（不过这个要求比较高，需要知道3D结构）

well if you are unhappy about the assumption for site independency in a simple position specific scoring matrix (PSSM), you can go to use high-order descriptions such as high-order HMM.In principle, I think the technique of motif minding has been quite mature. There might be some developments in new techniques, but I doubt there will be any huge breakthroughs. I think more oppunties lie in the use of new types of data. For example, Richard Young's Chip-Chip data turn out to be very stimulating for new advances in TF analyses. With AS, future chances shoud lie in the mining of splicing microarray data, which are coming out at a very impressive speed during the past 1-2 years.

利用计算化学中的QSAR，你可以试试用不同的权重参数，把这些变量都ensemble起来。大不了最后SVM一把啦，或者考虑用environment中的序列信息来降低一下 false positive？

你的理解估计八成也是从文献里面看的。Michael zhang是认为“多个TF共同作用”。不过也只是解释很有限的数据。一个可能是TFBS本身有组织特异性，时间特异性。用matrix预测出来的，是全空间的，所有可能的TFBS。显然，真正在体内，是不可能同时检测到这些的。