一個咖啡杯就能裝下全世界？

有了DNA數據存儲，這是可能的。

1988年，藝術家Joe Davis和哈佛大學研究人員合作，首次證明了DNA存儲數字化數據的原理。

[[405986]]

Davis通過明暗像素將代表35bits數據的符文符號圖像表示為二進制0和1，并將其編碼成了大腸桿菌DNA中的28個堿基對。

隨后，存儲在DNA中的數據也從簡單文本變成高清音樂視頻、整個數據庫、MPEG、JPG、PDF等文件，甚至還有惡意軟件。

DNA數據存儲發展過程（1965-2018）（圖源：nature）

DNA數據存儲是什么

DNA數據存儲是一個將二進制數據轉換成人工合成DNA鏈的編碼過程。

為了在DNA中存儲二進制數字文件，比特（bits）將從1和0轉換成字母A，C，G，T，這四個字母代表組成DNA的四種核苷酸：腺嘌呤，胞嘧啶，鳥嘌呤，胸腺嘧啶。

物理存儲介質是一條序列中包含As, Cs, Gs, Ts的合成DNA鏈，其順序與數字文件中的bits相對應，如果要恢復數據，需要對DNA鏈進行測序，根據As, Cs, Gs, Ts還原成初始的數字序列。

數字化的數據在DNA中編碼和解碼的過程（圖源：https://www.ssbt.org.cn/upload/20190905163302_429.pdf）

在人類創造數據能力不斷增長的今天，基于DNA的數據存儲似乎是個「潛力股」。

因為與其他大多數媒介相比，DNA提供了驚人的「數據存儲密度」，而且相比傳統數據存儲，它具有高度穩定性：DNA分子半衰期超過「500年」，低溫條件下可保存「成千上萬年」。

但DNA并非沒有缺點，成本高昂是阻礙其發展的主要問題。

目前，DNA鏈的堿基模式中沒有編碼比特的標準方法，合成特定的序列仍然很昂貴。而用目前的方法訪問數據不僅慢，而且會消耗用于存儲的DNA。如果試圖訪問數據的次數太多，就必須以某種方式恢復它，這有可能引入錯誤。

近日，麻省理工學院和Broad研究所（Broad Institute）的一個團隊找到了一個解決方案。在這個過程中，研究人員創建了一個基于DNA的圖像存儲系統，它介于「文件系統」和「基于元數據的數據庫」之間，相關論文已在Nature上發表。

把所有數據存儲到DNA上的瓶頸

在DNA中存儲數據的系統涉及到向包含數據的DNA片段添加特定的序列標簽。

為了得到想要的數據，你只需添加能與正確的標簽堿基配對的DNA位，并使用它們來擴增完整的序列。可以把它想象成用一個 ID 標記集合中的每個圖像，然后進行設置，只放大一個特定的 ID。

這種方法是有效的，但它有兩個方面的限制。

首先，使用稱為PCR（聚合酶鏈式反應）的過程進行的擴增步驟，對可擴增的序列的大小有限制。而每個標簽都會占用一些有限的空間，所以添加更多詳細的標簽（如復雜的文件系統可能需要）會減少數據空間。

一條 8 個 PCR 管，每個管含有 100 μL 反應混合物

另一個限制是，擴增特定數據片段的 PCR 反應會消耗一些原始的 DNA 庫。換句話說，每次你拉出一些數據，你都會破壞成堆的不相關的數據。頻繁地訪問數據，最終會耗盡整個存儲庫。雖然有辦法重新放大一切信息，但每次這樣做都會增加引入錯誤的機會。

而這項新的研究已經將標簽信息從數據存儲中分離出來。此外，研究人員創建了一個系統，其中可以只訪問你感興趣的DNA數據，而不觸及其余的數據，提高了數據存儲的壽命。

給二氧化硅磁珠添加「涂層」

該基本技術是基于這樣一個事實，即DNA會粘在二氧化硅磁珠（beads）上。

但這種吸力與DNA的大小無關，因此你可以使用這個系統存儲任意大的數據塊（在這種情況下，這些片段的大小是過去使用的典型的DNA數據存儲塊的10倍以上）。

同樣重要的是，DNA中沒有標簽被存儲在數據中，所以數據存儲和文件系統信息之間沒有競爭。

一旦DNA出現在這些磁珠的表面，研究人員就在其上面聚合一些額外的二氧化硅。這個過程涂抹了DNA并保護它不受環境影響。

研究人員通過使用熒光標簽來確認該系統是有效的；基本上，所有以這種方式創造的顆粒都含有DNA。

只有當這個外殼就位后，研究人員才添加標簽，這些標簽與外殼進行化學連接。這些標簽是由單鏈DNA制成的，而且有可能在一個玻璃外殼上附著幾個不同的標簽。

研究人員對每個數據塊分別進行了處理，一旦一切就緒，被標記的玻璃球就可以混入一個單一的數據庫。

雖然沒有純DNA的存儲那么緊湊，但仍然具有長期穩定和不需要能源維護的優勢。

取代PCR

有趣的部分是訪問數據。

除了成本之外，使用DNA存儲數據的另一個主要瓶頸是，很難從所有文件中挑選出想要的文件。

此次開發的新的檢索技術，希望取代PCR方法。

研究人員將每個DNA文件封裝到一個微小的二氧化硅磁珠中，每個磁珠都貼上了由單鏈DNA組成的「條形碼」，與文件內容相對應。

為了證明這種方法的成本效益，研究人員將20個不同的圖像編碼到大約長度為3000個核苷酸的DNA片段中，這大致相當于100個字節（研究還顯示，這些磁珠可以容納高達1GB的DNA文件）。

研究中的每個文件都有相應的條形碼標簽，如「貓」或「飛機」等。

當研究人員想要提取一個特定的圖像時，他們會取出一個DNA樣本，加入與目標標簽相對應的引物。例如，老虎的圖像對應的標簽是「貓」「橘色」和「野生」，而家貓的圖像對應「貓」「橘色」和「家養」。

這些引物用熒光或磁性顆粒標記，便于從樣本中提取并識別匹配片段。

通過這種方法，研究人員可以將需要的文件移出來，剩下的DNA則完整地放回去，繼續存儲數據。

他們的檢索過程允許「布爾邏輯語句」，如「總統和18世紀」會生成「喬治·華盛頓」的結果，這很類似谷歌的圖像檢索。

在目前的概念驗證階段，搜索速度是每秒1000字節（1KB）。文件系統的搜索速度是由每個磁珠的數據量大小決定的，而目前限制數據量大小的因素就是在DNA上寫入100兆字節（MB）數據所需的高昂成本，以及可以并行使用的分類器的數量。

如果DNA合成變得足夠便宜，就能夠用這種方法將每個文件存儲的數據量最大化

DNA數據存儲目前局限于「冷存儲」

該系統還允許用多個術語進行「布爾搜索」（Boolean search）。

通過一個接一個地選擇不同的標簽，你可以建立起相當復雜的條件：貓為真，馴養的為假，黑為真，等等。

給兩個標簽貼上相同的熒光顏色，如果你抓到任何帶有這種顏色的東西，你就可以得到相當于邏輯OR的結果。

因為這些標簽中的每一個都可以被看作是關于DNA所存儲的圖像的元數據，磁珠的集合最終作為一個元數據驅動的圖像數據庫。

雖然這項研究代表了基于DNA的存儲在復雜性方面的一個重大飛躍，但它仍然只是基于DNA的存儲。

這意味著它的速度之慢，甚至還不如磁帶驅動器。

根據研究人員的計算，即使他們把更多的數據塞進每顆磁珠，搜索上限只是每秒約1GB的數據。這將意味著搜索PB級的數據將需要「兩周多」的時間。

而這僅僅是找到合適的磁珠。敲開它們，將DNA放進去，然后進行必要的測序，以實際確定磁珠中儲存的內容，這又會使實驗過程增加幾天。

當然，沒有人會因為DNA存儲「速度快」而推薦它；正如上面提到的，它的優勢在能源使用和數據穩定性方面。

我們只有在確定不會經常訪問某些數據時才會將它儲存在DNA中，也即「冷存檔存儲」。

不過，目前，該實驗室已經成立了一家名為Cache DNA的初創公司，正在開發DNA的長期存儲技術，既可以用于長期的DNA數據存儲，也能用于短期的臨床和其他現有的DNA樣品存儲。

https://www.cache-dna.com/

雖然可能還需要一段時間才能將DNA作為數據存儲介質，但目前在Covid-19檢測、人類基因組測序和其他基因組學領域中，對于DNA和RNA樣品的低成本和大規模存儲的解決方案都有很大需求。