用一公斤DNA代替你的硬盤，靠譜嗎？
誠然，進入21世紀之后，這個世界的數(shù)據(jù)增長速度太快了，數(shù)據(jù)量級越來越大，按照現(xiàn)有發(fā)展速度傳統(tǒng)硅基存儲介質(zhì)是否還能撐住，就成為了許多人關(guān)心的一個問題
最近關(guān)于DNA存儲的文章刷屏了，消息源于今年2月19號華盛頓大學和微軟研究院合作在《Nature biotechnology》上發(fā)表的一篇有關(guān)DNA存儲的研究成果。對此我想發(fā)表一點自己的觀點，受限于我的認知，僅當是拋磚引玉了。
誠然，進入21世紀之后，這個世界的數(shù)據(jù)增長速度太快了，數(shù)據(jù)量級越來越大，按照現(xiàn)有發(fā)展速度傳統(tǒng)硅基存儲介質(zhì)是否還能撐住，就成為了許多人關(guān)心的一個問題，大家都在探討是否會有枯竭的那一天，如果枯竭了我們還能用什么東西來存儲我們的數(shù)據(jù)。于是存儲生命遺傳密碼的介質(zhì)——DNA就成了一個非常有希望的選項。
基因是怎么與二進制聯(lián)系起來的？
在談論我們的話題之前，先來了解一下DNA是如何存儲數(shù)據(jù)的。
原理本身并不復雜。
我們知道，計算機上存儲的數(shù)據(jù)都是依據(jù)電壓的高和低代表1和0來表示的，每一個數(shù)字、字符和標點符號都由唯一的一串01組合來構(gòu)成。比如小寫字母“e”的代碼是：01100101，因此，任何數(shù)字化的內(nèi)容（視頻，音頻，圖片，文字）本質(zhì)上都只是一串串的0和1而已。
DNA存儲的原理示意圖，首先把英文字母轉(zhuǎn)變成對應的01串，然后把這個0和1的數(shù)據(jù)串轉(zhuǎn)變成由堿基A、C、G、T表示的DNA序列；編碼的時候就是合成這個序列，解碼的時候測序解讀（圖片來自Science）
那么，DNA的存儲原理實際上就是把原本這些用0和1來表示的內(nèi)容，換成用堿基：A，C，G，T來表示，這是一個從數(shù)字信號到化學信號的過程。而且由于堿基有四個，相比起原本的0和1，我們可以用來多表示兩個狀態(tài)，比如，我們可以假設用A代表00，C代表01，G代表10，T代表11。一個本來要用8bit代表的字符用DNA編碼的話，只需要用4個化學堿基，比如上面的小寫字符“e”編碼成為DNA序列就是：CGCC。
下圖是哈佛大學醫(yī)學院兩年前做的一個事情，他們第一次利用這樣的技術(shù)把這一張“奔跑的駿馬”的Gif放進了活大腸桿菌的DNA里，而且還能重新測序并解碼出來。
原始影像（左）和從DNA中提取還原的gif（右），除了部分稍有模糊，準確度達90%左右。
2016年的時候，華盛頓大學和微軟研究院的團隊（本次NBT的成果的團隊），他們更進了一步，把莎士比亞的十四行詩、馬丁·路德·金的演講原聲、醫(yī)學論文等資料共計739KB的數(shù)據(jù)編碼成了DNA序列，并存儲起來，這個技術(shù)以此為標記取得了巨大的進步。
DNA存儲結(jié)構(gòu)和磁盤不同，它存儲的密度極高，1克的DNA就能夠存下天量的信息，如果要存下當前全世界的所有數(shù)據(jù)，更是只需要1千克左右的DNA就足夠了！不需要成千上萬個阿里巴巴或者AWS的數(shù)據(jù)中心，看起來還更加經(jīng)濟實惠，貌似一切都很美好……
但是，凡事就怕這個但是。
DNA存儲面臨的問題
目前DNA存儲要發(fā)展成為真正具有實際應用價值的東西，至少還需要解決以下幾個問題：
合成成本高
DNA要存儲信息，首先要做的就是依據(jù)信息合成DNA序列。那么現(xiàn)在的合成成本是多少呢？大約0.5美元~1.0美元一個堿基！也就是說存儲2bit（一個堿基）的數(shù)據(jù)需要花費大約5元~10元人民幣。
按照目前的信息存儲技術(shù)，一般是8bit為一個字節(jié)（Byte），2個字節(jié)（Byte）才代表一個字符——也就是說8個堿基可以編碼一個字符，那么你看看，要存儲200MB的數(shù)據(jù)需要花費100百萬~200百萬美元（1億~2億美元）的巨資——而200MB的大小的文件還不夠一個長一點的短視頻大??！更何況現(xiàn)在動不動就幾個GB的電影呢。
因此，堿基合成的成本是第一個需要解決的難題。如果成本無法降低一百萬倍，那么無法進入實用環(huán)節(jié)，而如果不能降低幾億倍甚至幾十億倍，那么我認為這個技術(shù)將很難被大規(guī)模使用。
合成速度慢
這個問題可能更要命。我們現(xiàn)在磁盤的存儲速度是多快呢？磁盤的讀寫畢竟是電磁信號，信息狀態(tài)的改變是以光的速度在發(fā)生的——當然磁盤在讀寫數(shù)據(jù)的時候需要進行非常多的定位、查詢、比較、校驗等一系列復雜的操作，因此遠低于光速。然而即便如此，目前普通的SSD硬盤讀寫速度也有300MB/s~500MB/s，差一些的高速硬盤也在100MB/s左右！
而DNA的合成速度有多快呢？DNA的合成依賴于一系列的化學反應，大腸桿菌的DNA（合成）復制速度大約是1000堿基/秒，看起來很快了，但它的速度在電磁面前根本不值一提，我們可以算一下合成200MB的數(shù)據(jù)需要多久呢？200×1024×1024×8 /1000/86400=19 天！也就是說現(xiàn)在磁盤1秒鐘寫入的數(shù)據(jù)，我們大約需要花差不多三周的時間才能完成！
這是什么概念？據(jù)統(tǒng)計截至2017年全球數(shù)據(jù)大約有16 ZB（澤字節(jié)，每澤字節(jié)為10萬億億字節(jié)，僅指數(shù)字化的數(shù)據(jù)），那么假設我們要把這個量級的數(shù)據(jù)存到DNA中，大概要花多長時間？我斗膽計算了一下，發(fā)現(xiàn)竟然需要40億年！40億年啊，同志們，地球才多老??？這還是在不考慮數(shù)據(jù)校驗的狀態(tài)下。
更有甚者，據(jù)說到了2020年，全球數(shù)據(jù)更是要達到驚人的44ZB的量級！當然，上面的結(jié)果是在單個反應下的合成速度，事實上，我們可以讓全世界成千上萬的實驗室或者機構(gòu)一起來做，同時隨著技術(shù)的發(fā)展可以設計出DNA大規(guī)模并行合成技術(shù)，就如同大規(guī)模并行測序一般，通過工程上的規(guī)模化彌補先天的缺陷，將速度提高幾百萬到幾億倍。
但這對合成的技術(shù)就提出了更高的要求，因為這個過程不可避免的會導致我們放棄數(shù)據(jù)原有的連續(xù)性，那么該如何把這些打散的數(shù)據(jù)在讀取的時候重新正確地組合到一起也將成一個重要的問題。除此之外，還有實時合成記錄的問題呢。
數(shù)據(jù)讀取無法實時
DNA存儲的數(shù)據(jù)要讀取出來目前是通過測序這條路。雖然相比于DNA合成，測序的問題小了很多。按照當前最新的測序技術(shù)——一臺NovaSeq測序儀基本上能夠在兩天的時間內(nèi)完成3Tb~6Tb數(shù)據(jù)的解碼。成本相比于DNA合成也基本低了一百萬倍左右。即便如此，真要實用，依然有許多問題必須解決。
比如我們在看電影的時候，你不會真的希望對著一臺測序儀看吧，另外刷微信、微博、頭條、知乎等的操作是多么頻繁和快速，DNA解碼要如何做到實時并且保障信息的可逆回滾，挑戰(zhàn)不小啊（中間通過磁盤來緩存嗎？）。
數(shù)據(jù)隨機讀取仍需進一步解決
所謂隨機讀取數(shù)據(jù)的意思就是：我想打開哪一份文件就打開哪一份，并且我想讀取其中的哪一段就讀取哪一段，而且這個操作必須要在很短的時間內(nèi)實現(xiàn)。這對于存儲在DNA中的數(shù)據(jù)文件來說要如何才能夠做到？
2月19日，華盛頓大學和微軟研究院合作發(fā)表在《Nature biotechnology》上的這篇文章“Random access in large-scale DNA data storage”，就是為了解決這一個問題。它最大的突破是設計了一種辦法來解決這個隨機讀取的問題——文章的標題也能夠看出來。他們把35份相互獨立的數(shù)據(jù)文件（大小約200MB）合成為DNA序列存儲起來，并且精心設計特定的引物（primer，即引子，是一小段單鏈DNA或RNA，作為DNA復制的起始點），標記每一個文件在DNA序列上的地址（如同硬盤的存儲路徑一樣）。這個時候，當我們要重新讀取這些數(shù)據(jù)的時候能夠按照需要快速跳到特定某份文件的位置上進行測讀。
比如我們想要獲取第10份文件上的內(nèi)容，如果放在從前，我們只能全部測序了才能得到，但是借助這個技術(shù)，我們可以直接跳到這份文件所在的位置上，把它測讀出來。
雖然這個技術(shù)已經(jīng)做到了這一步，應該說取得了不小的進步，但也應該清晰地認識到它距離真正應用還有不小的距離。另外，依我愚見，這個方案也還有不完美的地方：
第一，定位精細度不夠，雖然可以定位到特定的文件，但還不能夠?qū)崿F(xiàn)在文件內(nèi)部的隨意跳轉(zhuǎn)，更加不能檢索；
第二，效率還是太低了，而且為了保證信息的準確，還得進行較高深度的測序，并需要進行序列組裝。雖然說測序速度在提高，但若做不到實時，應用價值依然是大打折扣；
第三，靈活性有待商酌，引物需要精心設計，這次是35份，如果是350份或者更多呢？當我們合成了很多份這樣的序列之后，如何保存才能保證測讀的時候，不會因為相同引物的問題而導致測讀不準確？
DNA存儲技術(shù)會顛覆現(xiàn)有的計算機存儲技術(shù)嗎？
我認為不會，即便DNA存儲技術(shù)成熟了，兩者也將一直共存，直到被其他的介質(zhì)代替了。DNA存和讀的效率遠不及磁盤的速度，這是自然原理所決定的，一時半會無法解決，但它對數(shù)據(jù)保存的耐久性卻很好。
因此，DNA存儲更可能的是替代磁帶存儲，把不需要經(jīng)常使用的“冷”數(shù)據(jù)歸檔保存，把重要的數(shù)據(jù)進行冷存?zhèn)浞?，而且鑒于DNA本身體積小、幾乎不耗電的特點、保存也方便，確實可以節(jié)省很多的社會資源。
小結(jié)
當然，我不是DNA合成領(lǐng)域的專家，寫這一篇文章不是為了抨擊DNA存儲的成果，相反，我非常認同DNA存儲技術(shù)的發(fā)展，更希望看到它在未來的應用。
但我也很謹慎，會想這是否真的是最好的方法。我們說DNA對數(shù)據(jù)存儲的密度遠高于現(xiàn)在的磁盤，但如果我們能夠操縱原子的量子狀態(tài)，利用原子的量子狀態(tài)（比如：自旋）存儲數(shù)據(jù)那樣密度豈不是更高？而且還不會有速度限制上的問題。
有些媒體的盲目夸大，甚至罔顧事實，一旦發(fā)現(xiàn)一個新東西就總覺得它是萬能的，總認為它將如何“顛覆”一切等諸如此類的言論。過分的夸大甚至曲解對于科學技術(shù)的發(fā)展不是好事，也不能引導公眾對其做出客觀的判斷。技術(shù)的發(fā)展有其自身的規(guī)律性，該到它顛覆一切的時候，不用說也會自然發(fā)生，現(xiàn)在就耐心看它長大。
本文作者解螺旋的礦工