[转帖] DNA存储：用“生命”来存储数据

邱晓云

DNA存储：这是用“生命”来存储数据

我们都知道DNA（脱氧核糖核酸）存着生物的生命信息和遗传指令。储存人造的数码信息？还真没听说过。
不久前，欧洲生物信息研究所（EBI）的高德曼（Nick Goldman）博士及其团队在《自然》杂志今年1月号上发布了一项研究：用DNA存储数码信息。文章详述了实验的总体设想、具体方法和结果，以及费用分析。学界和业界为之轰动，称它为信息存储领域的一个“里程碑”。
难怪如此，数码信息存储已是信息社会的一只烫手山芋。互联网时代，数码信息爆炸，以天文级数不断增长。据美国IDC公司的最新研究报告，2012年，全球生成和复制的数码信息总量近3个ZB（ZB是信息量单位，等于10的21次方；常见的GB是10的9次方）。IDC预测，数码信息的总量将以每两年翻一倍的速度增长，到2020年，达到40个ZB。这到底是多少呢？打个比方您就明白了。全球所有的海滩加起来，大约有 700,500,000,000,000,000,000颗沙粒；40个ZB就是这沙粒总量的57倍。届时，咱们中国产的信息将占全球总量的22％。如此巨大的信息量，好处是显而易见的。许多前人没法想象、难以完成的事，我们现在拿着手机，点击几下，就把它做了。古人说，秀才不出门，全知天下事，不就是今天网友生活的写照？商业活动就更离不开网络信息了，比如那些全球连锁店，可以实时收集、分析各地分店销售库存数据，随时调整订单进货，减低成本，提高利润。诸如此类，不胜枚举。由此还发展出一个新学科：大数据。
然而，有一利必有一弊。海量信息让存储空间叫急，人力物力费用不堪重负。总部位于瑞士的欧洲核研究组织（CERN）就是一个典型例子。该组织掌管着大型强子对撞机的运行和数据分析，每年产生约25个PB（PB等于10的15次方）的数据，2015年将增至50-60个PB，相当于一百八十多万张常规DVD的存量。按规定，这些数据归档后，必须保存二十年或更久，存放在恒温恒湿的环境。而且，每隔三四年，整个数据档案要翻录到新的存储介质上，以确保信息安全，便于跟新一代计算设备和技术匹配。试想，保存并维护这个数据集，得占多大的地方，花多少钱，费多少人力！这还只是一个机构的困难。所以，任何能减压的发明创造，都会受到热烈欢迎。
为此，科学家一直在努力，寻找新技术、新方法、新介质，解决存储问题。从大软盘到小软盘，再到光盘，如今是U盘；还有硬盘、磁带、云存储等，新品种层出不穷。然而，存储能力的增速就像矮人一样，远远跟不上信息的步伐。结果是，决策者常常不得不在保证信息完整与节省经费之间做选择，十分棘手。现在，高德曼博士告诉我们，他们的发明，可以让仅一克重的DNA存储2.2个PB信息量。换句话说，CERN每年60个PB的数据，只需约28克DNA就解决了。您说，大家能不兴奋！
话说回来，DNA的存储效能，这并不是什么新发现。众所周知，地球上一切生物的基因信息都存在DNA上，我们每个人的身体就拥有约30亿个碱基对。但用DNA来存储数码信息，却是科学上又一次偶遇的惊喜。阿基米德泡在澡盆里想出了浮力定律，牛顿躺在苹果树下发现了地心引力；而高德曼和同事一次在研究所附近的酒吧泡吧，忽然灵感降临，得了想法——赶快掏出笔，把一套DNA数码信息存储的编码设计写在了纸巾上。
若能用DNA存储数码信息，当然是再理想不过。只是实现起来并不容易，要攻克许多技术难关。2012年似乎是一个转折点。高德曼团队和哈佛大学的George Church团队相继公布了各自的研究成果，而前者的成果更为完善、可操作而实用。Church教授评价说，因为高德曼团队的工作，“我们终于有了一个真实的领域”。
据高德曼博士的报告，DNA存储数码信息的原理和过程似乎并不复杂：用特定的碱基编码，将电子文件编入DNA，合成后即可保存。取用信息时，用DNA测序仪，按编码规则将该DNA序列转换解读回电子文件，便能在电脑上使用了。所以，编码的设计是DNA数码信息存储成功的关键。数码信息是一个内容形式多样、数量高速增长的集成。因此，编码须有足够的能力编辑无限扩大的信息集，并忠实记录其中的每一分子，准确度100％，不容半点差错。
高德曼团队做到了。他们的方法是这样的：首先，把电子文件的二进制码（0，1）翻译成三进制码（0，1，2）；然后，用由DNA四个碱基（分别以它们的学名首字母A、T、C、G代表）构成的一套特定编码和规则，将三进制码编译成一个DNA码序列。接着，以每25个碱基向后错位的方式，把这个DNA序列切割成若干个含100个碱基的等长片段，直至整个序列的所有内容都获得四个复本（例如：1，2，3，4；2，3，4，1；3，4，1，2；4，1，2，3）。这样一来，当任何一个复本出错时，有另外三个复本可供参考认证，可谓万无一失。为了确定这些等长片段在这个DNA序列中的准确位置，高德曼团队给它们各自的首尾加上了索引标识。用DNA编码编好电子文件后，再用专门设备做DNA合成，信息写录就完成了。取用合成DNA中的信息时，先把合成DNA放入标准化学试剂，然后用DNA测序仪，根据索引标识，将各个片段依序粘接成原DNA码序列，再译回二进制码，形成电子文件，就大功告成了。高德曼团队十分谨慎，在编码设计中不惜繁琐，引入多重防错检错机制，为的是保证编辑和解读复原达到零误差。
编码设计好之后，高德曼小组用了五个不同类型的电子文件做测试：一段26秒钟长的马丁·路德·金《我有一个梦想》演讲录音；一篇关于DNA结构的经典学术论文的PDF文件；莎士比亚十四行诗全篇，一张EBI大楼的彩色照片；以及一段这次试验使用的软件算法（a Huffman code）。信息总量不大，约739千字节，着重检验编码对不同信息形式、内容以及格式的适用能力。DNA的存储能力的确惊人，当装着这五个文件的合成DNA的试管送到高德曼手中，他看了半天，竟然什么也没找到。还是经同事指点，才发现试管底部那颗灰尘般大小的DNA。
然后，团队用DNA测序仪，把合成DNA中的信息复原为电子文件。结果令人振奋：它与原始电子文件的重合率为100％。不过这100％跟着一段有惊无险的小插曲。在DNA测序时，PDF文件中的两个25碱基小节不见了。缺了它们，就会出现误差，这是绝对不能容忍的。好在编码为每个小节提供了四个复本，根据复本，编码准确地完成了复原任务。这次歪打正着，证明了该编码防错的优越性能。还好，团队很快找到了丢失的原因，高博士保证，只需稍微修改一下程序，类似问题以后不会再发生了。
编码实验成功！关键的一步迈出，DNA作为信息存储介质的其他优越性能也就变得实在了。除了存储密度高，DNA还有一些突出的优点。它很容易保存，只需放在冷、暗、干燥处，没有恒温恒湿的苛刻要求。它还非常稳定，存放上百万年都没问题，不会走样。另外，它合成测序，使用的设备和方法都是生物学研究的常规工具。这使得DNA的存储有效地避开了因设备技术更新换代而起的许多麻烦。所以DNA是数码信息长期存储的理想材料，而且存储的时间越长，越能显出优越性。
这样看来，我们是不是就可以期待在不久的将来用上DNA盘，把信息存储的担忧甩到脑后去呢？还是那句话，利弊相生。
DNA作为存储介质，也有显著的弱点。首先是成本太高。高德曼团队的实验费用高得惊人：每一兆（MB，10的6次方）字节的存储费用是12,400美元，外加测序解读220美元。这是常规磁带存写费用的一百万倍还多。甭说个人，就是尖端科研也用不起啊。所以，DNA存储必须大大降低成本，才谈得上实际应用。第二，信息写读非常耗时。数码信息编入DNA目前只能由专门的DNA合成设备来做；而从DNA中取读信息，重组复原为数码文件，也很费时。高德曼团队用了整整两个星期，才完成五个文件739千字节的复原。第三，DNA介质不能重复使用，写录完毕，一般来说不能修改，不能再用。可是，我们已经习惯了常规存储，如硬盘和U盘的便利。十来美元买一只16GB存储量的U盘，插入电脑，就能周而复始地写文章，做计算，听音乐，看录像；人机（存储器）之间无缝交流，用我们普通人的标准，几乎达到了合一的地步。这些“简单”的基本功能，DNA介质却难以胜任。所以，DNA存储介质离实际应用还有漫长的路要走。
好在科学家大多是乐观派。高德曼团队对DNA整体研究的发展和编码本身的改进充满信心，认为DNA介质用于数码信息长期存储，前景是光明的。并且指出，DNA起始费用是很高，但那只是一次性的。后续的保养费用却极低，几乎可以忽略不计。反观常规介质，起始费用虽低，但后续费用高，人力消耗也很大。高德曼团队计算过，以目前价格看，只有需要保存六百年以上的信息，使用DNA存储才划算；换言之，存储六百年，才能使DNA一次性费用与常规介质的长期维持费用持平。但根据近年来DNA合成和测序费用大幅下降的走势，可以预计，十多年内价格有望下降一百倍。要是这样，存储期五十年以上，且无需多次存取的信息，DNA介质就很有竞争力了。
一位研究历史的朋友，听了这个故事，大为赞叹：这下好了，不仅可以把无数史籍乃至一座座图书馆都录入DNA，咱们的日常生活也能留给后人了——声像图文并茂，叫千秋万代之后的他们，接触真真实实的我们！
是啊，那该多好！DNA和数码信息携手，演绎着一个未来的故事：那承载生命的，让生命之造物得了“永存”。

heisfool

这不就是游戏刺客信条的东西么？