在日前的一項新研究中，美國麻省理工學(xué)院的科學(xué)家開發(fā)了一種標記和檢索DNA數(shù)據(jù)文件的技術(shù)，這或許能讓DNA數(shù)據(jù)存儲成為可能。

此時此刻，地球上大約有10萬億吉字節(jié)（GB）的數(shù)據(jù)量，而每一天，人類制造出來的電子郵件、照片、社交媒體動態(tài)和其他數(shù)字文件加起來，又有250萬吉字節(jié)的數(shù)據(jù)。這些數(shù)據(jù)中的大部分都存儲在名為“艾字節(jié)（exabyte，簡稱EB）數(shù)據(jù)中心”的巨大設(shè)施中（1EB相當(dāng)于10億GB），其規(guī)?？赡苡袔讉€足球場那么大，建造和維護成本約為10億美元。

許多科學(xué)家認為，解決天量數(shù)據(jù)存儲問題的另一種辦法在于包含我們遺傳信息的生物大分子：脫氧核糖核酸（DNA）。從地球生命誕生至今，DNA已經(jīng)進化到可以以極高的密度存儲大量信息。麻省理工學(xué)院的生物工程學(xué)教授馬克·巴思表示，理論上一個裝滿DNA的咖啡杯就可以存儲世界上所有的數(shù)據(jù)。

“我們需要新的解決方案，來存儲世界正不斷積累的大量數(shù)據(jù)，尤其是檔案數(shù)據(jù)，”他說，“DNA的密度甚至是閃存的1000倍。另一個有趣的特性是，DNA聚合物一旦制造出來，它就不會再消耗任何能量。你可以把數(shù)據(jù)寫入DNA，然后永久存儲起來?！?/p>

科學(xué)家已經(jīng)證明，圖像和文本可以編碼為DNA，但我們還需要一種從許多DNA片段混合物中挑選出所需文件的簡單方法。在新研究中，馬克·巴思及其同事展示了一種方法，能將每個數(shù)據(jù)文件封裝到一個6微米的二氧化硅球形“膠囊”中，并使用DNA短序列作為標簽，以顯示其文件內(nèi)容。

利用這種方法，研究人員從包含20張圖像的DNA文件中準確提取出了以DNA序列形式存儲的單個圖像。考慮到可以用到的標簽數(shù)量，這種方法最多能擴展到1020個文件。

穩(wěn)定的存儲介質(zhì)

數(shù)字存儲系統(tǒng)將文本、照片和其他類型的信息都編碼為一系列的0和1，同樣的信息也可以用構(gòu)成遺傳密碼的4種核苷酸（A、T、G和C，即腺嘌呤、胸腺嘧啶、鳥嘌呤和胞嘧啶）編碼在DNA中。例如，G和C可以代表0，而A和T代表1。

作為存儲介質(zhì)，DNA還具有其他幾個特點。首先，它非常穩(wěn)定，而且合成和測序都相當(dāng)容易（但目前還十分昂貴）。其次，它具有非常高的存儲密度——1個核苷酸相當(dāng)于2個比特，大約為1立方納米。因此，以DNA形式存儲的數(shù)據(jù)完全可以放在我們的手掌中。

這種存儲數(shù)據(jù)的新方法面臨著諸多障礙，首先就是合成如此大量DNA需要耗費的成本。目前，寫入1拍字節(jié)（100萬GB）的數(shù)據(jù)需要花費1萬億美元。為了與磁帶（通常用于存儲檔案數(shù)據(jù)）競爭，巴思估計DNA合成的成本需要降低約6個數(shù)量級。他指出，這一目標可能會在10年或20年內(nèi)實現(xiàn)，就像過去幾十年來閃存存儲信息的成本大幅下降一樣。

除了成本之外，使用DNA存儲數(shù)據(jù)的另一個主要瓶頸是，我們很難從所有文件中挑選出想要的文件。

“假設(shè)寫入DNA的技術(shù)已經(jīng)很先進，可以實現(xiàn)在DNA中寫入1艾字節(jié)或1澤字節(jié)（zettabyte，簡稱ZB，1 ZB=1 000 EB）數(shù)據(jù)的成本效益，會發(fā)生什么？你會有一大堆的DNA，也就是無數(shù)的文件、圖像或電影和其他東西，但你需要在其中找到想要的某一張圖片或某一部電影，”巴思說，“這就像大海撈針。”

目前，DNA文件通常使用PCR（聚合酶鏈式反應(yīng)）方法來檢索。每個DNA數(shù)據(jù)文件都包含一個與特定PCR引物結(jié)合的序列。為了讀取某個特定的文件，需要將該引物添加到樣品中，找到并放大所想要的序列。然而，這種方法的一個缺點是，引物與目標序列以外的DNA序列之間可能存在串?dāng)_，導(dǎo)致不必要的文件輸出。此外，PCR的檢索過程需要用到酶，最終會消耗庫中的大部分DNA。

“這有點像在干草堆里找一根針，因為其他所有DNA都沒有被放大，因此基本上它們都被扔掉了。”巴思說。

解決DNA文件檢索難題

麻省理工學(xué)院的研究小組開發(fā)了一種新的檢索技術(shù)，希望取代PCR方法。他們將每個DNA文件封裝到一個微小的二氧化硅膠囊中，每個膠囊都貼上了由單鏈DNA組成的“條形碼”，與文件內(nèi)容相對應(yīng)。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3 000個核苷酸的DNA片段中，這大致相當(dāng)于100個字節(jié)（他們的研究還顯示，這些膠囊可以容納高達1 GB的DNA文件）。

研究中的每個文件都有相應(yīng)的條形碼標簽，如“貓”或“飛機”等。當(dāng)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(yīng)的引物。例如，老虎的圖像對應(yīng)的標簽是“貓”“橘色”和“野生”，而家貓的圖像對應(yīng)“貓”“橘色”和“家養(yǎng)”。

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(xù)存儲數(shù)據(jù)。他們的檢索過程允許布爾邏輯語句，如“總統(tǒng)和18世紀”會生成“喬治·華盛頓”的結(jié)果，這很類似谷歌的圖像檢索。

論文的另一主要作者麻省理工學(xué)院的詹姆斯·巴納爾說：“在目前的概念驗證階段，我們的搜索速度是每秒1 000字節(jié)（1KB）。我們的文件系統(tǒng)的搜索速度是由每個膠囊的數(shù)據(jù)量大小決定的，而目前限制數(shù)據(jù)量大小的因素就是在DNA上寫入100兆字節(jié)（MB）數(shù)據(jù)所需的高昂成本，以及可以并行使用的分類器的數(shù)量。如果DNA合成變得足夠便宜，我們就能夠用這種方法將每個文件存儲的數(shù)據(jù)量最大化?！?/p>

研究人員所使用的條形碼——單鏈DNA序列——取自哈佛醫(yī)學(xué)院遺傳學(xué)和醫(yī)學(xué)教授史蒂芬·埃利奇開發(fā)的序列庫，其中包含了10萬個序列。如果給每個文件貼上2個這樣的標簽，就可以唯一地標記1 010個不同的文件;如果每個文件上有4個標簽，就可以唯一地標記1 020個文件。

哈佛醫(yī)學(xué)院遺傳學(xué)教授喬治·丘奇并沒有參與這項研究，但他將這項技術(shù)描述為“知識管理和搜索技術(shù)的巨大飛躍”。

“在DNA中寫入、復(fù)制、讀取，以及用DNA進行低能耗的檔案數(shù)據(jù)存儲方面，我們?nèi)〉昧丝焖龠M步，但這也使得從巨大的數(shù)據(jù)庫（1021字節(jié)，澤字節(jié)規(guī)模）中精確檢索數(shù)據(jù)文件變得極為困難，”丘奇說，“這項新研究引人注目的地方在于，它使用一個完全獨立的DNA外層解決了這個問題，擴展了DNA的不同屬性（雜交而非測序），而且使用的是現(xiàn)有的儀器和化學(xué)試劑?！?/p>

巴思設(shè)想這種DNA封裝技術(shù)可以用于存儲“冷”數(shù)據(jù)，即保存在檔案中但不經(jīng)常訪問的數(shù)據(jù)。目前，他的實驗室已經(jīng)成立了一家名為Cache DNA的初創(chuàng)公司，正在開發(fā)DNA的長期存儲技術(shù)，既可以用于長期的DNA數(shù)據(jù)存儲，也能用于短期的臨床和其他現(xiàn)有的DNA樣品存儲。

“雖然我們可能還需要一段時間才能將DNA作為數(shù)據(jù)存儲介質(zhì)，但目前在COVID-19檢測、人類基因組測序和其他基因組學(xué)領(lǐng)域中，對于DNA和RNA樣品的低成本和大規(guī)模存儲的解決方案都有很緊迫的需求?！卑退颊f道。