DNA如何解決我們的數據存儲問題

瑪麗·帕蘭格

1971年夏，弗蘭克·扎帕在瑞士的蒙特勒賭場里表演。賭場里擠滿了觀眾，一個粉絲放了一把火，屋子里燃起了大火。扎帕像掄起斧頭一樣掄起了他的吉普森吉他，砸破賭場的窗戶，2000多名青少年尖叫著涌了出去。在日內瓦湖邊酒店觀看的深紫樂隊隊員看到了火焰，用《水上煙霧》捕捉了這一刻，將其永久地蝕刻在蒙特勒爵士音樂節的歷史上。2013年，它成為聯合國教科文組織第一個視聽檔案《世界記憶》的一部分。

現在，《水上煙霧》又創造了歷史。2017年9月，它成為《世界記憶》檔案中首批以DNA形式存儲的作品之一，存儲后可以100%的精度回放。這個項目是華盛頓大學、微軟公司和基地設在舊金山的DNA制造公司Twist Bioscience的合作項目。

許多權威人士預測，DNA成為存儲數據的最終方式只是一個時間問題。這種方式緊湊、高效并富于彈性。畢竟，DNA已經被調整了數十億年，成為遺傳信息的完美儲存庫，永遠不會過時——因為只要地球上有生命，我們就會對解碼DNA感興趣。Twist Bioscience的首席技術官員比爾·派克說：“大自然已經對這種格式進行了優化。”

微軟、IBM和英特爾等公司都對這一領域表現出興趣。2017年4月，在由美國情報高級研究項目主辦的特邀專題研討會上，他們與其他行業、學術人員和政府專家一起討論了DNA在解決人類數據存儲危機中的實用潛力。

這是一個時時刻刻都在增大的問題。根據IBM公司2016年營銷云報告，今天存在的數據中有90%是在過去兩年中創建的。我們每天都會生成2.5x10¹⁸字節的信息，分別來自高清視頻和照片、粒子物理學大數據、基因組測序、太空探測、衛星和遙感，還有智囊團、秘密監視行動和互聯網追蹤算法。

目前，所有這些數據都流入巨大的服務器農場，轉移到旋轉的硬盤驅動器或最先進的磁帶卷軸上。這些物理基板占據了很大的空間。

我們不妨用DNA來做比較。整個人類的基因組，一個由30億個DNA堿基對組成的代碼，或者用數據語言來說，3000兆字節，都可以放入一個肉眼看不見的“包裹”——細胞核。1克DNA（指尖上一滴水的大小）至少可以相當于233個重量超過150千克的電腦硬盤。如果把人體內所有的遺傳信息（150澤字節）都存儲在磁帶或硬盤驅動器上，就需要一個巨大的設施。

還有耐久性問題。在目前的存儲競爭者中，磁帶壽命最長，為一二十年。硬盤、CD、DVD和閃存驅動器不太可靠，通常有5年至10年就不行了。DNA已經被證明可以存在幾千年而毫發無損。例如，2013年，科學家在阿拉斯加多年凍土中發現的70萬年前的馬骨碎片的DNA，就重構了一個早期馬的親緣基因組。

因此，如果將DNA數據檔案保存在干燥涼爽的地方，比如說保存在北極附近的斯瓦爾巴德全球種子庫的一個架子上，這個DNA數據檔案就可以保存數萬年而不需要維護。

因此，《水上煙霧》的DNA拷貝將存在很長時間。那么，科學家是如何將一首歌變成分子的呢？首先，將數字音樂文件從一系列的1和0轉換成DNA的字母A、C、T和G的堿基，例如用A代表00、C代表01、T代表10、G代表11；然后將字母序列組合成帶有索引信息的DNA短語，按照正確的順序排列。使用這些編碼序列，可以通過化學反應制造逐個字母，然后將其保存在試管中。

檢索信息時，用測序儀運行DNA以讀取DNA堿基的確切順序；然后解碼產生原始的二進制數據；最后，這個音樂文件在瑞士洛桑的蒙特勒爵士音樂節中被零差錯播放。

《水上煙霧》不是第一個被存儲為DNA的數字信息。2012年至2013年，由喬治·丘奇牽頭的哈佛大學研究小組以及由尤恩·伯尼和尼克·古爾德曼牽頭的歐洲生物信息學研究所的研究小組獨立存儲了DNA數字數據。哈佛大學的樣本是一本50000詞的合成生物學圖書；歐洲生物信息學研究所的樣本包含一張彩色圖像、莎士比亞的154首十四行詩、馬丁·路德·金《我有一個夢想》演講的片斷以及沃森和克里克1953年發表的有關DNA結構的經典論文。

目前，合成DNA每個字母的成本是10美分。TwistBioscience的首席執行官艾米麗·勒普勞斯特估計，只有每個字母的成本降至0.001美分，DNA存儲才可以真正與磁帶競爭。大量的現金投入和豐厚的市場前景可能會提供必要的推動力。

第二個障礙是技術性的：DNA合成和測序技術都可能帶入某些類型的錯誤，所以將1和0翻譯成DNA字母的代碼時需要精心組合，以消除這些錯誤。

計算機科學家已經卷入并參加了這場爭斗。每年的電氣與電子工程師協會國際信息理論研討會（主程序員的一個會議）上，都有一個專門討論DNA存儲編碼的會議。

2016年4月，微軟和華盛頓大學的一個研究小組存儲了200兆字節的DNA，有OK Go搖滾樂隊的音樂視頻，有100多種語言的《世界人權宣言》，有古騰堡項目最受歡迎的100本圖書，還有農作物的種子數據庫，由Twist Bioscience合成，編碼方法采用了計算中使用的常見錯誤糾正方案。他們還設計了一種方法來識別和排序特定的信息片段，而不必對整個記錄進行排序。

華盛頓大學教授路易斯·塞澤說：“我們正在使用電腦知識——如何糾正記憶錯誤，并將其應用到自然界。”

2017年3月，哥倫比亞大學的雅尼夫·埃利克和紐約基因組中心的迪娜·杰林斯基使用新算法對6個數據文件的數據進行了編碼，該算法能夠編碼更多的核苷酸數據，并且仍然以100%的準確性還原文件。他們的“DNA噴泉”技術，可以在每克DNA上產生215拍字節（2.15億千兆字節）的記錄。在這樣的密度下，人類記錄的所有數據都將能放入一個與兩輛皮卡車大小相當的容器中。

因為書寫和閱讀DNA的速度還比較慢，所以早期的應用程序將會被歸檔。微軟表示，公司計劃在3年內建立一個原生商業DNA存儲系統。

想象一下，一體化的DNA數據系統并非遙不可及。二進制數據在一端被輸入，合成為DNA并被存儲，然后被提取、測序，并作為二進制數據再次發送到另一端。塞澤說：“我們正在研究整合合成器（實際‘庫和閱讀器/定序器）架構，目標是開發一個完整的系統。”

其他研究人員正在設法盡可能保持DNA穩定。蘇黎世聯邦理工學院功能材料實驗室的科學家羅伯特·格拉斯正在研究一種將DNA封裝在微小二氧化硅珠子中的方法。他說：“類似于骨骼化石，我們希望用合成的‘化石殼來保護包含信息的DNA。”為了測試珠子的耐久性，他們將其加熱到大約70℃并持續了一個星期，這相當于在大約10℃的環境中保存2000年。

現在讓我們回到音樂上來。把聯合國教科文組織的《世界記憶》這樣的重要檔案按照一定格式保存下來，即使在短期內相對昂貴，也是一個好主意。塞澤說：“聯合國教科文組織的檔案為測試我們的方法提供了完美的實用案例。”

當深紫樂隊寫“我們永遠不會忘記/水上煙霧.空中之火”時，他們并不知道現在發生的這些，但是，他們的創作現在得到了證實。