1 TB 數(shù)據(jù)存儲成本 8 億美元，還是有點高。

作者 | 凌梓郡編輯 | 靖宇

恐龍滅絕 6000 多萬年后，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。講這個故事的《侏羅紀(jì)公園》，至今仍位列全球電影票房前十。這個系列故事的原理很簡單：DNA 存儲了恐龍的生物信息，科技讓它重新表達(dá)。

現(xiàn)在，用 DNA 想象另一個故事：在宇宙長河中，「人類世紀(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「人類文明」。有什么會承載人類文明的記憶？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)了人類歷史進(jìn)程中的無數(shù)發(fā)明和文藝作品。于是那個遙遠(yuǎn)文明的痕跡在宇宙間再次展開。

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

那為什么不能用堿基存儲別的信息？這個科幻般的設(shè)想，正在走出實驗室，被當(dāng)作信息存儲的未來方案。

01

基因組數(shù)據(jù)太多了，

怎么辦？

本來是生物學(xué)家想解決生物學(xué)發(fā)展的問題。

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

大規(guī)模的基因組測序正在進(jìn)行，隨之產(chǎn)生的數(shù)據(jù)規(guī)模快速增長。存儲、壓縮這些數(shù)據(jù)是個麻煩事，現(xiàn)有的技術(shù)方案看起來不太行。據(jù)估計：人類基因組需要高達(dá) 2-40EB 的存儲容量。這可能超過一個世界級科技公司的云存儲量——全世界蘋果用戶存儲在谷歌云上的數(shù)據(jù)總量大約是 8 EB。這 8EB 數(shù)據(jù)，每月存儲費需要 2.18 億美元。（1EB= 102^3GB )

生物學(xué)家們陷入了沮喪。

Nick Goldman 拿著存儲了莎士比亞所有十四行詩、一張照片和「我有一個夢想」演講片段的 DNA｜ 來源：EBI

有人靈光乍現(xiàn)：是什么東西阻止了我們用 DNA 來儲數(shù)據(jù)呢？

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

DNA 存儲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 存儲數(shù)字信息，簡單理解，原就是將 0 和 1 的編碼序列轉(zhuǎn)換成核苷酸的序列。DNA 存儲的優(yōu)勢在于密度大，大約在你眼前逗號這么大小，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。不過屬于科學(xué)和藝術(shù)的先鋒跨界實驗。

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）的圖案存儲到 DNA 短鏈中。

存儲進(jìn) DNA 的小維納斯（microvenus）圖片 來源：相關(guān)論文

這個圖案編碼簡易，白色的地方標(biāo)記為 0、黑色的線條部分標(biāo)記為 1，文件大小只有 35bits，用了 28 個核苷酸長度的 DNA 鏈條來存儲。

在那次酒店討論的 2 年之后，2013 年，Goldman 團(tuán)隊發(fā)表了研究成果。這次，他們存儲了 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，科學(xué)家存儲的時候，每份信息按照四倍冗余的量來存儲。

五個文件分別是：

•154 首莎士比亞的 14 行詩（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「我有一個夢想」演講其中 26 秒片段（MP3 格式）

• 一串霍夫曼密碼

這些年，DNA 存儲容量的上線不斷被突破。2019 年，美國一家創(chuàng)業(yè)公司 Catalog 在 DNA 中存儲了 16GB 的維基百科。這個公司表示自己正在建設(shè)世界上第一個基于 DNA 的大規(guī)模數(shù)字?jǐn)?shù)據(jù)存儲和計算平臺。

02

編碼和解碼，

要處理的事情很多

在一些生物學(xué)家看來，用 DNA 來存儲是一件非常「順滑」的事。「大自然的編碼語言非常類似于我們在計算機領(lǐng)域使用的二進(jìn)制語言。在硬盤上我們使用 0 和 1 來代表數(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。

DNA 存儲的關(guān)鍵之一是用四個核苷酸去映射 0 和 1 兩個數(shù)字。方案可以很簡單。比如：A 對應(yīng) 00，C 對應(yīng) 01，G 對應(yīng) 10，T 對應(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）需要讀取信息的時候，再運用基因測序技術(shù)，把這一串核苷酸序列讀取出來，再翻譯成 0 和 1 的字符串。這個流程就是編碼— DNA 合成—測序—解碼。

這個聽起來像是「把大象裝進(jìn)冰箱」的流程，操作起來需要考慮的問題還有很多。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，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 的含量過高，可能會讓 DNA 鏈產(chǎn)生一些復(fù)雜的物理結(jié)構(gòu)。這就會讓 DNA 測序（解碼）變得復(fù)雜。

DNA 存儲的步驟｜ 來源：DNA Data Storage Alliance

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

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

在測序的過程中，也存在錯誤率。盡管目前的錯誤率已經(jīng)低至 10^-3 數(shù)量級，比起商業(yè)硬盤的讀寫錯誤率，仍相差至少 9 個數(shù)量級。

正確率受到合成和測序這兩項技術(shù)的影響，科學(xué)家想到設(shè)計編碼方案來避免：在編碼中增加糾錯機制。這樣，哪怕堿基合成和測序中出現(xiàn)了錯誤，依舊能夠保證被存儲進(jìn) DNA 的內(nèi)容能夠被正確讀取出來。

03

走出實驗室，

還要考慮速度和成本

DNA 存儲也正在嘗試走出實驗室。

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

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

微軟研究院在 2015 年就成立來 DNA 存儲的項目，并聘請了華盛頓大學(xué)的計算機科學(xué)與工程學(xué)院的副教授 Karin Strauss 擔(dān)任高級首席研究經(jīng)理（Senior Principal Research Manager）。

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

在他們的研究中，想開發(fā)的是另一個功能：隨機讀取。常見的 DNA 測序技術(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)中的某一個小片段，就會非常麻煩。

2016 年，他們發(fā)表了一項研究，可以在 DNA 已經(jīng)存儲的信息中搜索到指定的圖像，定位后，用酶來復(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｜來源：csenews

要讓 DNA 存儲離商用更進(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上千個字節(jié)（KB），成熟的云存儲方案已經(jīng)有每秒千兆字節(jié)（GB）以上。

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

2021 年，微軟開發(fā)出首個納米級 DNA 存儲器，能夠在每個平方厘米的區(qū)域上，同時合成 25X106（2650）條堿基序列。這個新的技術(shù)把原來同時合成堿基序列的數(shù)字從個位提升到了千位。這個吞吐量，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 存儲的成本是每萬億字節(jié)（TB）8 億美元。而磁帶存儲成本已經(jīng)降到了每萬億字節(jié) 16 美元以下。這樣比起來似乎毫無競爭力。但現(xiàn)實生活中的大型數(shù)據(jù)中心的維護(hù)成本極高，還要定期更新硬件；DNA 存儲密度大、體積小、可以長時間不變質(zhì)的優(yōu)勢就變成了降維打擊。

所以量大、讀取頻率低的「冷數(shù)據(jù)」，被認(rèn)為是 DNA 存儲最近的應(yīng)用場景。Twist Bioscience 最近在一份市場報告中強調(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。

另外一些樂觀的科學(xué)家，更相信技術(shù)的進(jìn)步。

自 2003 年人類基因組計劃完成以來，測序成本降低了 200 萬倍。2016 年時，面對每秒千字節(jié)的速度，Goldman 說，「（讀寫的速度提升）6 個數(shù)量級對基因組學(xué)來說沒什么大不了的。你只需要再等一會兒。」

那這「一會兒」是多久呢？這個領(lǐng)域似乎到了臨門一腳，仍在等待突破。

* 頭圖來源：視覺中國