你身体里的 DNA，能存下整个宇宙的数据

AndLib 2022-08-04 发布于北京

展开全文

↓解锁更多新鲜事儿↓

作者 | 凌梓郡
编辑 | 靖宇

出品 | 极客公园

1 TB 数据存储成本 8 亿美元，还是有点高。

恐龙灭绝 6000 多万年后，科学家们获得了一块史有前蚊子的琥珀，从蚊子血中获得了恐龙的基因，从而让遥远的生物复活。讲这个故事的《侏罗纪公园》，至今仍位列全球电影票房前十。这个系列故事的原理很简单：DNA 存储了恐龙的生物信息，科技让它重新表达。

现在，用 DNA 想象另一个故事：在宇宙长河中，「人类世纪」也寂灭了。另外一种智慧生物出现，TA 们去探究远古的「人类文明」。有什么会承载人类文明的记忆？气温异变，地球上的庞大数据中心徒留遗迹。

而冻土中有一份 DNA，它很轻，只有 1 公斤，看起来是一些被封装在胶囊里的白色粉末。读取后，里面却记载了地球上曾有的巨量信息。视频、文字、代码展现了人类历史进程中的无数发明和文艺作品。于是那个遥远文明的痕迹在宇宙间再次展开。

这是另一个科幻设定了。背后的技术正是目前被关注的一个前沿方向：DNA 存储信息。在大自然里，DNA 负责存储遗传信息。单个人体细胞的平均直径是 5 到 200 微米，这其中的 DNA 可以包含一个人全部的遗传信息：30 亿对碱基。

那为什么不能用碱基存储别的信息？这个科幻般的设想，正在走出实验室，被当作信息存储的未来方案。

基因组数据太多了，

怎么办？

本来是生物学家想解决生物学发展的问题。

11 年前，一群生物信息学家在德国的一家酒店里讨论「数据存储问题」。Nick Goldman 也在其中，那是他在欧洲生物信息所（EBI）担任高级科学家的第二年。

大规模的基因组测序正在进行，随之产生的数据规模快速增长。存储、压缩这些数据是个麻烦事，现有的技术方案看起来不太行。据估计：人类基因组需要高达 2-40EB 的存储容量。这可能超过一个世界级科技公司的云存储量——全世界苹果用户存储在谷歌云上的数据总量大约是 8 EB。这 8EB 数据，每月存储费需要 2.18 亿美元。（1EB= 102^3GB)

生物学家们陷入了沮丧。

▲Nick Goldman 拿着存储了莎士比亚所有十四行诗、一张照片和「我有一个梦想」演讲片段的 DNA｜来源：EBI

有人灵光乍现：是什么东西阻止了我们用 DNA 来储数据呢？

看起来是一句玩笑话，但是生物学家们意识到了这不仅仅是个玩笑，他们拿起手边的餐巾纸，用圆珠笔认真计算起可行性。

DNA 存储遗传信息的原理并不复杂，它由四种核苷酸 A、T、G、C 组成，彼此两两对应，组成双螺旋结构。核苷酸的序列，记录了遗传信息。

在数字世界，所有的信息本质上是 0 和 1 组成的数据串。想要 DNA 存储数字信息，简单理解，原就是将 0 和 1 的编码序列转换成核苷酸的序列。DNA 存储的优势在于密度大，大约在你眼前逗号这么大小，1 立方毫米的 DNA，就可以容纳 9TB（1TB=1024GB）的信息。

用 DNA 存储数据，也并不是完全新的想法，之前就有科学家尝试过。不过属于科学和艺术的先锋跨界实验。

1988 年，艺术家 Joe Davis 和哈佛大学的研究员，将一副名为「小维纳斯」（Micro Venus）的图案存储到 DNA 短链中。

▲存储进 DNA 的小维纳斯（microvenus）

图片来源：相关论文

这个图案编码简易，白色的地方标记为 0、黑色的线条部分标记为 1，文件大小只有 35bits，用了 28 个核苷酸长度的 DNA 链条来存储。

在那次酒店讨论的 2 年之后，2013 年，Goldman 团队发表了研究成果。这次，他们存储了 5 种不同格式的文件，一共有 0.75MB。为了确保信息读取不出错，科学家存储的时候，每份信息按照四倍冗余的量来存储。

五个文件分别是：

·154 首莎士比亚的 14 行诗（ASCII 编码格式）

· 提出 DNA 双螺旋结构的论文（PDF 版）

·一张照片（JPEG 格式）

·马丁· 路德金「我有一个梦想」演讲其中 26 秒片段（MP3 格式）

·一串霍夫曼密码

这些年，DNA 存储容量的上线不断被突破。2019 年，美国一家创业公司 Catalog 在 DNA 中存储了 16GB 的维基百科。这个公司表示自己正在建设世界上第一个基于 DNA 的大规模数字数据存储和计算平台。

编码和解码，

要处理的事情很多

在一些生物学家看来，用 DNA 来存储是一件非常「顺滑」的事。「大自然的编码语言非常类似于我们在计算机领域使用的二进制语言。在硬盘上我们使用 0 和 1 来代表数据，而 DNA 中，我们拥有 4 种形式的核苷酸，A、C、T 和 G」。在瑞士联邦理工学院的生物学家 Robert Grass 说。

DNA 存储的关键之一是用四个核苷酸去映射 0 和 1 两个数字。方案可以很简单。比如：A 对应 00，C 对应 01，G 对应 10，T 对应 11。然后再按照所需要的核苷酸序列，像串珠子一样，把核苷酸们串成一串。（这就是 DNA 合成）需要读取信息的时候，再运用基因测序技术，把这一串核苷酸序列读取出来，再翻译成 0 和 1 的字符串。这个流程就是编码—DNA 合成—测序—解码。

这个听起来像是「把大象装进冰箱」的流程，操作起来需要考虑的问题还有很多。不然科学家就不必一直研究新的编码方案了。

在自然界存在的 DNA 中，A 和 T，C 与 G 两两配对，在一条 DNA 中，CG 与 AT 的存在比例基本均匀，为 50% 左右。如果 C 和 G 的含量过高，可能会让 DNA 链产生一些复杂的物理结构。这就会让 DNA 测序（解码）变得复杂。

▲DNA 存储的步骤

来源：DNA Data Storage Alliance

而且在「串珠子」（也就是合成 DNA 链条）的过程中，错误率不可避免。目前大约每合成 100 个碱基就会出现一个错误。这是由目前的化学合成技术带来的瓶颈，每合成一个碱基，有 99.9% 以上的正确率。但是当碱基串变长，0.01% 的概率相乘，错误就难以避免。目前人工合成 DNA 的单链的长度一般不超过 100 个碱基，极限在 300 个碱基左右。而在自然界的 DNA 动辄有几千个碱基对。

也就是说，虽然 DNA 的存储能力很强，但它们不得不以很多条短链的方式存在。如果存储的信息量比较大，这些 DNA 短链就像一本散装的书。它可以存储很多信息，存在形式却是一张张标着页码的纸。当然，可以将一条条 DNA 短链拼接成长链。这就意味着增加了一道工序。在测序的过程中，又需要把长链打断成短链。这是因为目前技术还不能一次性读取长链。

在测序的过程中，也存在错误率。尽管目前的错误率已经低至 10^-3 数量级，比起商业硬盘的读写错误率，仍相差至少 9 个数量级。

正确率受到合成和测序这两项技术的影响，科学家想到设计编码方案来避免：在编码中增加纠错机制。这样，哪怕碱基合成和测序中出现了错误，依旧能够保证被存储进 DNA 的内容能够被正确读取出来。