标准分类器在蛋白质亚细胞定位中的评估：Debasish Mohapatra 等人对三种标准分类器（Classification And Regression Tree，CART；K-Nearest Neighbor，蛋白互作，KNN；Support Vector Machine，SVM）在蛋白质亚细胞定位预测中的性能进行了比较。实验结果表明，SVM 在准确性和宏观平均精度方面表现较好，而 CART 在宏观平均召回率和宏观 F1 分数方面表现较好。

基于 AdaBoost Learner 的蛋白质亚细胞定位预测：Yu-Huan Jin 等人介绍了一种基于 AdaBoost Learner 的蛋白质亚细胞定位预测方法。该方法利用蛋白质的氨基酸组成进行预测，通过 Jackknife 交叉验证和独立数据集测试表明，AdaBoost 是一种稳健有效的模型，预测准确率高于其他现有预测器。

为什么有的基因定位结果与预想的不一致？

对于一个特定的定位载体，只要荧光表达较好，其定位结果是确定的，不会随人为意愿或操作而改变。至于有时候和预想的结果不一样，可能和蛋白本身、选择的表达载体以及荧光蛋白融合方式等有关。

为什么有的普通定位结果出来后无法准确判断其定位位置？

细胞中的细胞器复杂且多样，除一些常见的、特征比较明显的细胞器外，有些细胞器在激光共聚焦下形状比较相似，例如：线粒体、过氧化物酶体、高尔基体等细胞器，它们的荧光表达形状可能都是点状，因此不易区分。这时可以结合基因的其他功能研究来判断其可能表达的位置。另外，蛋白表达本身也是一个复杂的过程，涉及到多个合成场所及转运过程，自身表达情况可能比较复杂，因此不易判断具体的表达位置。

用水稻原生质体进行亚细胞定位时，为什么不拍摄叶绿体的自发荧光？

经测验，使用水稻黄化苗制备原生质体，载体转化效率及基因表达强度较高，而黄化苗中叶绿体较少，因此水稻原生质体定位拍照时，除非与叶绿体共定位，否则不拍摄叶绿体的自发荧光。

为什么要提供GFP空载的对照图片？

（1）作为整个实验过程中的操作参照，可排除因实验操作而导致目的基因没有荧光信号的影响。

（2）作为载体体系的参照，确认构建载体时所使用的载体是可正常表达荧光蛋白的。

蛋白互作-武汉贝科新肽由武汉贝科新肽科技有限公司提供。蛋白互作-武汉贝科新肽是武汉贝科新肽科技有限公司今年新升级推出的，以上图片仅供参考，请您拨打本页面或图片上的联系电话，索取联系人：夏先生。