Finding Enriched Motifs in Genomic Regions (findMotifsGenome.pl)
在指定区域做motif enrichment，大大降低了假阳性。
MEME也可以做，但是设定更加复杂。
转录因子的表达具有高度的组织特异性，而且已知的TF只有1000多个，基因有30000多个，所以一个TF的靶基因可能有几百个，而且具有高度的时空组织特异性。
实验的方法就不说了，可靠、成本高、耗费劳力。
以下只说高通量数据的预测方法。
最简单的预测就是基于基因表达，co-expressed就是可能的靶基因，预测软件一大把。
问题很多，首先理解假设：
1. TF的线性变化引起target gene的线性变化，他们线性相关；
2. TF的调控是sparse的，
问题：
1. 有人说这根本就不是线性的，TF的yes or no，决定target gene的表达；
2. 不是线性相关，存在shift，先后的shift是普遍存在的；
3. co-expression是无法得出target关系的；
所以，现在大家都开始结合motif enrichment了，TF的靶向作用是靠motif与基因组DNA结合来执行的。
但是我们不知道结合位点，所以大部分的富集都默认选择了10kb的flanking region，motif很短，随机比对会带来很多假阳性。
现在，大家有open chromatin的数据了，知道了候选的结合区域，我们就可以更有效的预测了，这就是HOMER的预测功能。
最终，open chromatin还是不准，因为DNA有三维结构，distal regulation是普遍存在的。