馬可夫鏈是一串狀態的轉換機率，從A狀態到B, C, D...狀態的機率分別是多少、B到A, C, D...狀態又多少....

在計算時，當然是由最高機率的下去算。在理想狀態下，不可能的組合，會被排在最後面算，簡單地說就是不會被算到。因為你算到不可能的組合前，就知道已經到了低機率的串鏈，後面的可以棄置。當然這是你可以準確設定適合狀態，且算出合理機率的情況。

用馬可夫鏈來算蛋白質折疊的效率如何我不清楚。但 google 應用馬可夫鏈來顯示你最想要的搜尋結果，效果相當不錯，通常你想搜尋的網頁，在第一頁就顯示完了。

雖然你搜尋時會出現說有幾百萬、幾千萬個結果，但只有前面一部份有真正排序，後面幾萬的，都因機率太低被棄置了。

忽然想到，蛋白質的計算用的可能是隱藏式馬可夫模型，因為這比較適合搜尋未知的結果。

隱藏式馬可夫模型差別就是某些狀態是蓋牌的情況。

我查了一下，隱藏式馬可夫模型有被應用到

生物資訊學 和 基因組學
基因組序列中蛋白質編碼區域的預測
對於相互關聯的DNA或蛋白質族的建模
從基本結構中預測第二結構元素

再補充一下，研究所時，我們實驗室主要做語音辯識、處理，有用到隱藏式馬可夫鏈的技術，當時有其他人用的是類神經網路，也就是現在AI用的技術。

但類神經網路當時效果並不好，隱藏式馬可夫鏈才是顯學。只是沒想到風水輪流轉，現在隱藏式馬可夫模型已經完全被類神經網路打趴。

所以十幾年前蛋白質計算使用隱藏式馬可夫模型並沒有什麼問題，在當時那是主流，類神經網路還只是不成熟的東西。