1 TB 數(shù)據(jù)存儲(chǔ)成本 8 億美元，還是有點(diǎn)高。

作者 | 凌梓郡編輯 | 靖宇

恐龍滅絕 6000 多萬(wàn)年后，科學(xué)家們獲得了一塊史有前蚊子的琥珀，從蚊子血中獲得了恐龍的基因，從而讓遙遠(yuǎn)的生物復(fù)活。講這個(gè)故事的《侏羅紀(jì)公園》，至今仍位列全球電影票房前十。這個(gè)系列故事的原理很簡(jiǎn)單：DNA 存儲(chǔ)了恐龍的生物信息，科技讓它重新表達(dá)。

現(xiàn)在，用 DNA 想象另一個(gè)故事：在宇宙長(zhǎng)河中，「人類(lèi)世紀(jì)」也寂滅了。另外一種智慧生物出現(xiàn)，TA 們?nèi)ヌ骄窟h(yuǎn)古的「人類(lèi)文明」。有什么會(huì)承載人類(lèi)文明的記憶？氣溫異變，地球上的龐大數(shù)據(jù)中心徒留遺跡。

而凍土中有一份 DNA，它很輕，只有 1 公斤，看起來(lái)是一些被封裝在膠囊里的白色粉末。讀取后，里面卻記載了地球上曾有的巨量信息。視頻、文字、代碼展現(xiàn)了人類(lèi)歷史進(jìn)程中的無(wú)數(shù)發(fā)明和文藝作品。于是那個(gè)遙遠(yuǎn)文明的痕跡在宇宙間再次展開(kāi)。

這是另一個(gè)科幻設(shè)定了。背后的技術(shù)正是目前被關(guān)注的一個(gè)前沿方向：DNA 存儲(chǔ)信息。在大自然里，DNA 負(fù)責(zé)存儲(chǔ)遺傳信息。單個(gè)人體細(xì)胞的平均直徑是 5 到 200 微米，這其中的 DNA 可以包含一個(gè)人全部的遺傳信息：30 億對(duì)堿基。

那為什么不能用堿基存儲(chǔ)別的信息？這個(gè)科幻般的設(shè)想，正在走出實(shí)驗(yàn)室，被當(dāng)作信息存儲(chǔ)的未來(lái)方案。

01

基因組數(shù)據(jù)太多了，

怎么辦？

本來(lái)是生物學(xué)家想解決生物學(xué)發(fā)展的問(wèn)題。

11 年前，一群生物信息學(xué)家在德國(guó)的一家酒店里討論「數(shù)據(jù)存儲(chǔ)問(wèn)題」。Nick Goldman 也在其中，那是他在歐洲生物信息所（EBI）擔(dān)任高級(jí)科學(xué)家的第二年。

大規(guī)模的基因組測(cè)序正在進(jìn)行，隨之產(chǎn)生的數(shù)據(jù)規(guī)模快速增長(zhǎng)。存儲(chǔ)、壓縮這些數(shù)據(jù)是個(gè)麻煩事，現(xiàn)有的技術(shù)方案看起來(lái)不太行。據(jù)估計(jì)：人類(lèi)基因組需要高達(dá) 2-40EB 的存儲(chǔ)容量。這可能超過(guò)一個(gè)世界級(jí)科技公司的云存儲(chǔ)量——全世界蘋(píng)果用戶(hù)存儲(chǔ)在谷歌云上的數(shù)據(jù)總量大約是 8 EB。這 8EB 數(shù)據(jù)，每月存儲(chǔ)費(fèi)需要 2.18 億美元。（1EB= 102^3GB )

生物學(xué)家們陷入了沮喪。

Nick Goldman 拿著存儲(chǔ)了莎士比亞所有十四行詩(shī)、一張照片和「我有一個(gè)夢(mèng)想」演講片段的 DNA｜ 來(lái)源：EBI

有人靈光乍現(xiàn)：是什么東西阻止了我們用 DNA 來(lái)儲(chǔ)數(shù)據(jù)呢？

看起來(lái)是一句玩笑話(huà)，但是生物學(xué)家們意識(shí)到了這不僅僅是個(gè)玩笑，他們拿起手邊的餐巾紙，用圓珠筆認(rèn)真計(jì)算起可行性。

DNA 存儲(chǔ)遺傳信息的原理并不復(fù)雜，它由四種核苷酸 A、T、G、C 組成，彼此兩兩對(duì)應(yīng)，組成雙螺旋結(jié)構(gòu)。核苷酸的序列，記錄了遺傳信息。

在數(shù)字世界，所有的信息本質(zhì)上是 0 和 1 組成的數(shù)據(jù)串。想要 DNA 存儲(chǔ)數(shù)字信息，簡(jiǎn)單理解，原就是將 0 和 1 的編碼序列轉(zhuǎn)換成核苷酸的序列。DNA 存儲(chǔ)的優(yōu)勢(shì)在于密度大，大約在你眼前逗號(hào)這么大小，1 立方毫米的 DNA，就可以容納 9TB（1TB=1024GB）的信息。

用 DNA 存儲(chǔ)數(shù)據(jù)，也并不是完全新的想法，之前就有科學(xué)家嘗試過(guò)。不過(guò)屬于科學(xué)和藝術(shù)的先鋒跨界實(shí)驗(yàn)。

1988 年，藝術(shù)家 Joe Davis 和哈佛大學(xué)的研究員，將一副名為「小維納斯」（Micro Venus）的圖案存儲(chǔ)到 DNA 短鏈中。

存儲(chǔ)進(jìn) DNA 的小維納斯（microvenus）圖片 來(lái)源：相關(guān)論文

這個(gè)圖案編碼簡(jiǎn)易，白色的地方標(biāo)記為 0、黑色的線(xiàn)條部分標(biāo)記為 1，文件大小只有 35bits，用了 28 個(gè)核苷酸長(zhǎng)度的 DNA 鏈條來(lái)存儲(chǔ)。

在那次酒店討論的 2 年之后，2013 年，Goldman 團(tuán)隊(duì)發(fā)表了研究成果。這次，他們存儲(chǔ)了 5 種不同格式的文件，一共有 0.75MB。為了確保信息讀取不出錯(cuò)，科學(xué)家存儲(chǔ)的時(shí)候，每份信息按照四倍冗余的量來(lái)存儲(chǔ)。

五個(gè)文件分別是：

•154 首莎士比亞的 14 行詩(shī)（ASCII 編碼格式）

• 提出 DNA 雙螺旋結(jié)構(gòu)的論文（PDF 版）

• 一張照片（JPEG 格式）

• 馬丁 · 路德金「我有一個(gè)夢(mèng)想」演講其中 26 秒片段（MP3 格式）

• 一串霍夫曼密碼

這些年，DNA 存儲(chǔ)容量的上線(xiàn)不斷被突破。2019 年，美國(guó)一家創(chuàng)業(yè)公司 Catalog 在 DNA 中存儲(chǔ)了 16GB 的維基百科。這個(gè)公司表示自己正在建設(shè)世界上第一個(gè)基于 DNA 的大規(guī)模數(shù)字?jǐn)?shù)據(jù)存儲(chǔ)和計(jì)算平臺(tái)。

02

編碼和解碼，

要處理的事情很多

在一些生物學(xué)家看來(lái)，用 DNA 來(lái)存儲(chǔ)是一件非常「順滑」的事。「大自然的編碼語(yǔ)言非常類(lèi)似于我們?cè)谟?jì)算機(jī)領(lǐng)域使用的二進(jìn)制語(yǔ)言。在硬盤(pán)上我們使用 0 和 1 來(lái)代表數(shù)據(jù)，而 DNA 中，我們擁有 4 種形式的核苷酸，A、C、T 和 G」。在瑞士聯(lián)邦理工學(xué)院的生物學(xué)家 Robert Grass 說(shuō)。

DNA 存儲(chǔ)的關(guān)鍵之一是用四個(gè)核苷酸去映射 0 和 1 兩個(gè)數(shù)字。方案可以很簡(jiǎn)單。比如：A 對(duì)應(yīng) 00，C 對(duì)應(yīng) 01，G 對(duì)應(yīng) 10，T 對(duì)應(yīng) 11。然后再按照所需要的核苷酸序列，像串珠子一樣，把核苷酸們串成一串。（這就是 DNA 合成）需要讀取信息的時(shí)候，再運(yùn)用基因測(cè)序技術(shù)，把這一串核苷酸序列讀取出來(lái)，再翻譯成 0 和 1 的字符串。這個(gè)流程就是編碼— DNA 合成—測(cè)序—解碼。

這個(gè)聽(tīng)起來(lái)像是「把大象裝進(jìn)冰箱」的流程，操作起來(lái)需要考慮的問(wèn)題還有很多。不然科學(xué)家就不必一直研究新的編碼方案了。

在自然界存在的 DNA 中，A 和 T，C 與 G 兩兩配對(duì)，在一條 DNA 中，CG 與 AT 的存在比例基本均勻，為 50% 左右。如果 C 和 G 的含量過(guò)高，可能會(huì)讓 DNA 鏈產(chǎn)生一些復(fù)雜的物理結(jié)構(gòu)。這就會(huì)讓 DNA 測(cè)序（解碼）變得復(fù)雜。

DNA 存儲(chǔ)的步驟｜ 來(lái)源：DNA Data Storage Alliance

而且在「串珠子」（也就是合成 DNA 鏈條）的過(guò)程中，錯(cuò)誤率不可避免。目前大約每合成 100 個(gè)堿基就會(huì)出現(xiàn)一個(gè)錯(cuò)誤。這是由目前的化學(xué)合成技術(shù)帶來(lái)的瓶頸，每合成一個(gè)堿基，有 99.9% 以上的正確率。但是當(dāng)堿基串變長(zhǎng)，0.01% 的概率相乘，錯(cuò)誤就難以避免。目前人工合成 DNA 的單鏈的長(zhǎng)度一般不超過(guò) 100 個(gè)堿基，極限在 300 個(gè)堿基左右。而在自然界的 DNA 動(dòng)輒有幾千個(gè)堿基對(duì)。

也就是說(shuō)，雖然 DNA 的存儲(chǔ)能力很強(qiáng)，但它們不得不以很多條短鏈的方式存在。如果存儲(chǔ)的信息量比較大，這些 DNA 短鏈就像一本散裝的書(shū)。它可以存儲(chǔ)很多信息，存在形式卻是一張張標(biāo)著頁(yè)碼的紙。當(dāng)然，可以將一條條 DNA 短鏈拼接成長(zhǎng)鏈。這就意味著增加了一道工序。在測(cè)序的過(guò)程中，又需要把長(zhǎng)鏈打斷成短鏈。這是因?yàn)槟壳凹夹g(shù)還不能一次性讀取長(zhǎng)鏈。

在測(cè)序的過(guò)程中，也存在錯(cuò)誤率。盡管目前的錯(cuò)誤率已經(jīng)低至 10^-3 數(shù)量級(jí)，比起商業(yè)硬盤(pán)的讀寫(xiě)錯(cuò)誤率，仍相差至少 9 個(gè)數(shù)量級(jí)。

正確率受到合成和測(cè)序這兩項(xiàng)技術(shù)的影響，科學(xué)家想到設(shè)計(jì)編碼方案來(lái)避免：在編碼中增加糾錯(cuò)機(jī)制。這樣，哪怕堿基合成和測(cè)序中出現(xiàn)了錯(cuò)誤，依舊能夠保證被存儲(chǔ)進(jìn) DNA 的內(nèi)容能夠被正確讀取出來(lái)。

03

走出實(shí)驗(yàn)室，

還要考慮速度和成本

DNA 存儲(chǔ)也正在嘗試走出實(shí)驗(yàn)室。

2020 年 10 月，微軟、西部數(shù)據(jù)和基因測(cè)序巨頭 Illumina、DNA 合成初創(chuàng)公司 Twist Bioscience 等聯(lián)合成立了 DNA 數(shù)據(jù)存儲(chǔ)聯(lián)盟。

這是世界上第一個(gè)該領(lǐng)域的學(xué)術(shù)和產(chǎn)業(yè)鏈聯(lián)盟。這個(gè)聯(lián)盟希望制定技術(shù)和格式標(biāo)準(zhǔn)，最終建立一個(gè)可以通用的商業(yè)系統(tǒng)。

微軟研究院在 2015 年就成立來(lái) DNA 存儲(chǔ)的項(xiàng)目，并聘請(qǐng)了華盛頓大學(xué)的計(jì)算機(jī)科學(xué)與工程學(xué)院的副教授 Karin Strauss 擔(dān)任高級(jí)首席研究經(jīng)理（Senior Principal Research Manager）。

2013 年，她和同事去英國(guó) EBI 訪(fǎng)問(wèn)，了解到 Goldman 和同事們關(guān)于 DNA 存儲(chǔ)的研究，就對(duì)這個(gè)方向產(chǎn)生了很大的興趣。Strauss 說(shuō)，「DNA 的密度、穩(wěn)定性和成熟度讓我們興奮。」

在他們的研究中，想開(kāi)發(fā)的是另一個(gè)功能：隨機(jī)讀取。常見(jiàn)的 DNA 測(cè)序技術(shù)中，必須要將所有的堿基串一次性讀取完，才能夠獲得信息。要么不讀取，要么全讀。如果只想要數(shù)據(jù)中的某一個(gè)小片段，就會(huì)非常麻煩。

2016 年，他們發(fā)表了一項(xiàng)研究，可以在 DNA 已經(jīng)存儲(chǔ)的信息中搜索到指定的圖像，定位后，用酶來(lái)復(fù)制所需的 DNA 的片段，然后只需讀取這一小段即可。

Karin Strauss（右）和兩位研究合作者｜來(lái)源：csenews

要讓 DNA 存儲(chǔ)離商用更進(jìn)一步，還需要解決合成速度和成本。現(xiàn)在合成速度是每秒存儲(chǔ)上千個(gè)字節(jié)（KB），成熟的云存儲(chǔ)方案已經(jīng)有每秒千兆字節(jié)（GB）以上。

這意味著，編寫(xiě) DNA 的速度還需要提升 6 個(gè)數(shù)量級(jí)。如何讓提升數(shù)據(jù)處理量？就像并行計(jì)算能夠提升數(shù)據(jù)處理速度，科學(xué)家希望 DNA 在合成時(shí)也可以并行多條，同時(shí)處理。

2021 年，微軟開(kāi)發(fā)出首個(gè)納米級(jí) DNA 存儲(chǔ)器，能夠在每個(gè)平方厘米的區(qū)域上，同時(shí)合成 25X106（2650）條堿基序列。這個(gè)新的技術(shù)把原來(lái)同時(shí)合成堿基序列的數(shù)字從個(gè)位提升到了千位。這個(gè)吞吐量，讓 DNA 合成速度變成了每秒兆字節(jié)（MB）。

新的方法讓 DNA 合成的陣列數(shù)量大大增加｜來(lái)源：微軟研究院

更大的吞吐量，也就意味著更低的成本。現(xiàn)在 DNA 存儲(chǔ)的成本是每萬(wàn)億字節(jié)（TB）8 億美元。而磁帶存儲(chǔ)成本已經(jīng)降到了每萬(wàn)億字節(jié) 16 美元以下。這樣比起來(lái)似乎毫無(wú)競(jìng)爭(zhēng)力。但現(xiàn)實(shí)生活中的大型數(shù)據(jù)中心的維護(hù)成本極高，還要定期更新硬件；DNA 存儲(chǔ)密度大、體積小、可以長(zhǎng)時(shí)間不變質(zhì)的優(yōu)勢(shì)就變成了降維打擊。

所以量大、讀取頻率低的「冷數(shù)據(jù)」，被認(rèn)為是 DNA 存儲(chǔ)最近的應(yīng)用場(chǎng)景。Twist Bioscience 最近在一份市場(chǎng)報(bào)告中強(qiáng)調(diào)，這種技術(shù)能夠幫助科技企業(yè)「大規(guī)模、低功耗」情況下更有效地部署。

另外一些樂(lè)觀(guān)的科學(xué)家，更相信技術(shù)的進(jìn)步。

自 2003 年人類(lèi)基因組計(jì)劃完成以來(lái)，測(cè)序成本降低了 200 萬(wàn)倍。2016 年時(shí)，面對(duì)每秒千字節(jié)的速度，Goldman 說(shuō)，「（讀寫(xiě)的速度提升）6 個(gè)數(shù)量級(jí)對(duì)基因組學(xué)來(lái)說(shuō)沒(méi)什么大不了的。你只需要再等一會(huì)兒。」

那這「一會(huì)兒」是多久呢？這個(gè)領(lǐng)域似乎到了臨門(mén)一腳，仍在等待突破。

* 頭圖來(lái)源：視覺(jué)中國(guó)