全球數(shù)據(jù)都能存在一個咖啡杯中？一杯星巴克中杯是 354 毫升，世界人口目前七十多億，這能存的下嗎？

答案是：理論上可以。

近日，麻省理工學院（MIT）科學家研發(fā)出一種新型 DNA 存儲技術，該技術可從大規(guī)模數(shù)據(jù)庫中檢索和標記 DNA 數(shù)據(jù)文件，實現(xiàn)了將數(shù)據(jù)存儲為 DNA 形式的可能。

當?shù)貢r間 6 月 10 日，相關論文發(fā)表在 Nature Materials 上，通訊作者是 MIT 生物工程學教授馬克·巴斯（Mark Bathe）。

論文題為《在檔案文件存儲系統(tǒng)中使用布爾搜索的隨機存取 DNA 存儲器》（Random access DNA memory using Boolean search in an archival file storage system）。

這項研究意味著照片、音頻、文檔和其他文件都可存儲為 DNA 的形式，有望徹底改變?nèi)祟惔鎯?shù)據(jù)的方式。

據(jù)了解，當前全球大約有 10 萬億字節(jié)的數(shù)據(jù)，大部分數(shù)據(jù)存儲在占地面積龐大的數(shù)據(jù)中心里。這些數(shù)據(jù)中心比足球場還大，光是建設和維護成本就得 10 億美元。

以 DNA 形式儲存數(shù)據(jù)的靈感來自于包含遺傳信息的 DNA 分子，該團隊認為 DNA 分子有望以極高密度去存儲大量數(shù)據(jù)信息。馬克·巴斯表示，理論上一個咖啡杯即可存儲全球所有的數(shù)據(jù)。

據(jù)悉，DNA 的密度是閃存的 1000 倍，一旦制造出 DNA 聚合物，它就不會消耗任何能量，把 DNA 寫下來之后，即可進行永久存儲。

該團隊表示，他們可將圖像和文本頁面編碼為 DNA，但是要突破從眾多 DNA 片段的混合物中挑選出所需文件，即檢索功能的技術壁壘。

據(jù)悉，研究人員以 DNA 形式存儲數(shù)據(jù)需要一種約 6 微米大的二氧化硅顆粒，然后把數(shù)據(jù)文件固定在二氧化硅顆粒中，接下來用短 DNA 序列對文件進行標記。

其中，每個顆粒都標有與文件內(nèi)容相對應的單鏈 DNA “條形碼”。用這種方法能從最多 1020 張圖像中準確提取出單個圖像。

北京大學第三醫(yī)院博士生導師、國家婦產(chǎn)疾病臨床醫(yī)學研究中心副主任李默告訴 DeepTech，這帶來的好處非常顯著，應用潛力也很巨大。

包括提高大規(guī)模數(shù)據(jù)存儲的效率、節(jié)省公共資源、極大提升信息運輸與流通速度等，還包括對諸多專業(yè)領域的促進，如以核酸為代表的生命科學在交叉學科的應用、機密信息的安全儲備、以及環(huán)境保護等。

以 DNA 形式存儲的數(shù)據(jù)，先到可以放在手掌里

在數(shù)字化時代， 文本、照片或任何其他形式的信息，都是由 0 和 1 通過二進制編碼而成的。類似的，我們也可將這些信息用四種核苷酸 A、T、C、G 編碼為 DNA，例如把 G 和 C 表示為 0，A 和 T 表示為 1。

作為一種存儲介質，DNA 具有高穩(wěn)定性和高密度的優(yōu)點，高穩(wěn)定性意味著 DNA 的合成和測序比較容易，高密度指的是每個核苷酸只有兩個比特大小，即大約 1 立方納米。因此以 DNA 形式存儲的數(shù)據(jù)，其體積之小甚至能放在手掌中。

但是，西湖大學特聘研究員郭天南告訴 DeepTech，目前 DNA 存儲數(shù)據(jù)的訪問速度尚遠不及硬盤，數(shù)據(jù)讀寫成本較高，該成果的優(yōu)勢在于數(shù)據(jù)存儲的穩(wěn)定性，因此較適合于冷數(shù)據(jù)。

為了考察新方法的讀取速度，MIT 團隊將 20 個不同的圖片編碼到大約 3000 個核苷酸長的 DNA 片段中，大小相當于大約 100 個字節(jié)。

這些圖片包含貓、老虎、飛機和人物照等，因此研究人員給每張圖都設置了相對應的條形碼。

當提取特定圖像時，首先需要移除 DNA 樣本，然后添加與一定的標簽，比如老虎照片對應的標簽是 “貓科動物”“橘色” 和 “野生”，貓照片對應的標簽是 “貓”“橘色” 和 “家養(yǎng)”。

研究人員用熒光、或磁性顆粒來標記這些引物（primer），為的是方便從樣本中取出、并識別對應的匹配物。這時，需要的文件就可以被刪除，而剩下的 DNA 文件毫無損傷，并能被完整地放回原處。

該檢索過程還支持布爾邏輯（Boolean algebra）搜索查詢，比如從 “總統(tǒng)和 18 世紀” 可以搜出喬治?華盛頓的結果，和我們?nèi)粘Ｊ褂玫陌俣人阉鳌⒐雀杷阉骱芟嗨啤Ｔ诟拍铗炞C階段，搜索速度是每秒 1KB，搜索速度由每個膠囊的數(shù)據(jù)大小決定。

中國科學院生物學博士、助理研究員李雷告訴 DeepTech，事實上這等于提供了一種更加便捷的檢索策略，使得我們在查找信息的時候，可以更加容易找到具體的信息點，而不是像過去那樣通過 PCR（ polymerase chain reaction 聚合酶鏈反應）來在全 DNA 上進行搜索。換句話，這種新策略使得數(shù)據(jù)定位更加容易，可以針對性地提取信息。

另據(jù)悉，該團隊使用哈佛醫(yī)學院（Harvard Medical School）遺傳學和醫(yī)學教授史蒂芬?埃利奇（Stephen Elledge）開發(fā)的 10 萬個序列中的單鏈 DNA 序列作為條形碼，如果在每個文件上放置兩個這樣的標簽，就可以唯一地標記 10^10 個不同的文件，也就是 100 億。

這意味著，每個文件上有 4 個標簽，就可以唯一地標記 10^20 個文件。故此，哈佛醫(yī)學院遺傳學教授喬治?丘奇（George Church）將該成果描述為 “知識管理和搜索技術的巨大飛躍”。

目前，該團隊已成立一家名為 Cache DNA 的初創(chuàng)公司，該公司目前正在開發(fā) DNA 長期存儲技術，屆時相關技術既能用于數(shù)據(jù)的長期存儲，也可用于短期存儲。

但是，該成果仍有可優(yōu)化的空間。比如，這種新技術成本非常高昂，寫 1PB 數(shù)據(jù)（100 萬 GB）需要花費 1 萬億美元。

如果想比普通用于存儲數(shù)據(jù)的磁帶更具競爭力，該團隊認為成本還需要降低約 6 個數(shù)量級。他們認為，這預計能在 10 年或 20 年內(nèi)實現(xiàn)，因為過去幾十年存儲信息的成本一直在大幅下降。

另一個主要瓶頸，是這種技術難以從其他文件中挑選出想要的文件。假設成本問題已經(jīng)解決，我們就能在 DNA 中寫入 1EB 甚至 1ZB 數(shù)據(jù)，然而這時就有無數(shù)的文件、圖像或電影和其他東西，要想找到目標文件簡直就像大海撈針。

當下，人們通常使用 PCR 來檢索 DNA 文件，每個 DNA 數(shù)據(jù)文件都包含一個與特定 PCR 引物結合的序列。要想提取特定文件，就得把該引物添加到樣本中以查找和擴增所需序列。

然而，這種方法的一個缺點是引物和脫靶 DNA 序列之間可能存在串擾，導致不需要的文件被拉出。此外，PCR 檢索過程需要酶，最終會消耗池中的大部分 DNA，因為所有其他 DNA 都沒有被放大，這是能做的就是把它扔掉。

西湖大學特聘研究員郭天南告訴 DeepTech，這種新方法的優(yōu)勢主要在于克服了傳統(tǒng)方法對 PCR 擴增的依賴，減小了 PCR 擴增中可能產(chǎn)生的技術噪音。并且，這種方法盡量減小對未讀取數(shù)據(jù)的損害，即未讀取的 DNA 可以有效回收并且再次按需讀取。

針對 COVID-19 檢測、人類基因組測序等，我們迫切需要低成本、大規(guī)模存儲解決方案。如果 DNA 合成可以變得足夠便宜，那么就能可以實現(xiàn)存儲更大的文件。

另據(jù)悉，該團隊計劃將這種 DNA 封裝技術用于存儲 “冷” 數(shù)據(jù)，即保存在檔案中的不經(jīng)常訪問的數(shù)據(jù)。

對此李雷認為這主要是因為 DNA 存儲技術不成熟，具體地說是 DNA 保存技術。DNA 很容易發(fā)生降解，除了會受到溫度影響，化學因素比如儲存 DNA 的溶液等都會致其發(fā)生降解，而一旦降解，這些物質就徹底成為雜亂無章的信息。此外反復訪問同樣會對 DNA 進行處理，最終導致 DNA 自身的不穩(wěn)定。

李默認為，該技術的 “數(shù)據(jù)檢索” 環(huán)節(jié)依賴于熒光激活分類，限制了數(shù)據(jù)檢索及讀取的速度與效率，因此該技術不適用于讀取 “熱數(shù)據(jù)”，即存儲后被高頻次訪問的數(shù)據(jù)，并且讀取速度較傳統(tǒng)硬盤也不具備優(yōu)勢。但如日后能在這些環(huán)節(jié)有所突破，則將是另一次質的進步。

責任編輯：haq