全球数据都能存在一个咖啡杯中?MIT团队把数据存到DNA里,靠谱吗?
2021-06-30 13:43:16 来源: 文汇报

全球数据都能存在一个咖啡杯中?一杯星巴克中杯是354毫升,世界人口目前七十多亿,这能存的下吗?

答案是:理论上可以。

近日,麻省理工学院(MIT)科学家研发出一种新型DNA存储技术,该技术可从大规模数据库中检索和标记DNA数据文件,实现了将数据存储为DNA形式的可能。

当地时间6月10日,相关论文发表在NatureMaterials上,通讯作者是MIT生物工程学教授马克·巴斯(MarkBathe)。

论文题为《在档案文件存储系统中使用布尔搜索的随机存取DNA存储器》(RandomaccessDNAmemoryusingBooleansearchinanarchivalfilestoragesystem)。

这项研究意味着照片、音频、文档和其他文件都可存储为DNA的形式,有望彻底改变人类存储数据的方式。

据了解,当前全球大约有10万亿字节的数据,大部分数据存储在占地面积庞大的数据中心里。这些数据中心比足球场还大,光是建设和维护成本就得10亿美元。

以DNA形式储存数据的灵感来自于包含遗传信息的DNA分子,该团队认为DNA分子有望以极高密度去存储大量数据信息。马克·巴斯表示,理论上一个咖啡杯即可存储全球所有的数据。

据悉,DNA的密度是闪存的1000倍,一旦制造出DNA聚合物,它就不会消耗任何能量,把DNA写下来之后,即可进行永久存储。

该团队表示,他们可将图像和文本页面编码为DNA,但是要突破从众多DNA片段的混合物中挑选出所需文件,即检索功能的技术壁垒。

据悉,研究人员以DNA形式存储数据需要一种约6微米大的二氧化硅颗粒,然后把数据文件固定在二氧化硅颗粒中,接下来用短DNA序列对文件进行标记。

其中,每个颗粒都标有与文件内容相对应的单链DNA“条形码”。用这种方法能从最多1020张图像中准确提取出单个图像。

北京大学第三医院博士生导师、国家妇产疾病临床医学研究中心副主任李默告诉DeepTech,这带来的好处非常显著,应用潜力也很巨大。

包括提高大规模数据存储的效率、节省公共资源、极大提升信息运输与流通速度等,还包括对诸多专业领域的促进,如以核酸为代表的生命科学在交叉学科的应用、机密信息的安全储备、以及环境保护等。

以DNA形式存储的数据,可以放在手掌里

在数字化时代,文本、照片或任何其他形式的信息,都是由0和1通过二进制编码而成的。类似的,我们也可将这些信息用四种核苷酸A、T、C、G编码为DNA,例如把G和C表示为0,A和T表示为1。

作为一种存储介质,DNA具有高稳定性和高密度的优点,高稳定性意味着DNA的合成和测序比较容易,高密度指的是每个核苷酸只有两个比特大小,即大约1立方纳米。因此以DNA形式存储的数据,其体积之小甚至能放在手掌中。

但是,西湖大学特聘研究员郭天南告诉DeepTech,目前DNA存储数据的访问速度尚远不及硬盘,数据读写成本较高,该成果的优势在于数据存储的稳定性,因此较适合于冷数据。

为了考察新方法的读取速度,MIT团队将20个不同的图片编码到大约3000个核苷酸长的DNA片段中,大小相当于大约100个字节。

这些图片包含猫、老虎、飞机和人物照等,因此研究人员给每张图都设置了相对应的条形码。

当提取特定图像时,首先需要移除DNA样本,然后添加与一定的标签,比如老虎照片对应的标签是“猫科动物”“橘色”和“野生”,猫照片对应的标签是“猫”“橘色”和“家养”。

研究人员用荧光、或磁性颗粒来标记这些引物(primer),为的是方便从样本中取出、并识别对应的匹配物。这时,需要的文件就可以被删除,而剩下的DNA文件毫无损伤,并能被完整地放回原处。

该检索过程还支持布尔逻辑(Booleanalgebra)搜索查询,比如从“总统和18世纪”可以搜出乔治?华盛顿的结果,和我们日常使用的百度搜索、谷歌搜索很相似。在概念验证阶段,搜索速度是每秒1KB,搜索速度由每个胶囊的数据大小决定。

中国科学院生物学博士、助理研究员李雷告诉DeepTech,事实上这等于提供了一种更加便捷的检索策略,使得我们在查找信息的时候,可以更加容易找到具体的信息点,而不是像过去那样通过PCR(polymerasechainreaction聚合酶链反应)来在全DNA上进行搜索。换句话,这种新策略使得数据定位更加容易,可以针对性地提取信息。

另据悉,该团队使用哈佛医学院(HarvardMedicalSchool)遗传学和医学教授史蒂芬?埃利奇(StephenElledge)开发的10万个序列中的单链DNA序列作为条形码,如果在每个文件上放置两个这样的标签,就可以唯一地标记10^10个不同的文件,也就是100亿。

这意味着,每个文件上有4个标签,就可以唯一地标记10^20个文件。故此,哈佛医学院遗传学教授乔治?丘奇(GeorgeChurch)将该成果描述为“知识管理和搜索技术的巨大飞跃”。

目前,该团队已成立一家名为CacheDNA的初创公司,该公司目前正在开发DNA长期存储技术,届时相关技术既能用于数据的长期存储,也可用于短期存储。

但是,该成果仍有可优化的空间。比如,这种新技术成本非常高昂,写1PB数据(100万GB)需要花费1万亿美元。

如果想比普通用于存储数据的磁带更具竞争力,该团队认为成本还需要降低约6个数量级。他们认为,这预计能在10年或20年内实现,因为过去几十年存储信息的成本一直在大幅下降。

另一个主要瓶颈,是这种技术难以从其他文件中挑选出想要的文件。假设成本问题已经解决,我们就能在DNA中写入1EB甚至1ZB数据,然而这时就有无数的文件、图像或电影和其他东西,要想找到目标文件简直就像大海捞针。

当下,人们通常使用PCR来检索DNA文件,每个DNA数据文件都包含一个与特定PCR引物结合的序列。要想提取特定文件,就得把该引物添加到样本中以查找和扩增所需序列。

然而,这种方法的一个缺点是引物和脱靶DNA序列之间可能存在串扰,导致不需要的文件被拉出。此外,PCR检索过程需要酶,最终会消耗池中的大部分DNA,因为所有其他DNA都没有被放大,这是能做的就是把它扔掉。

西湖大学特聘研究员郭天南告诉DeepTech,这种新方法的优势主要在于克服了传统方法对PCR扩增的依赖,减小了PCR扩增中可能产生的技术噪音。并且,这种方法尽量减小对未读取数据的损害,即未读取的DNA可以有效回收并且再次按需读取。

针对COVID-19检测、人类基因组测序等,我们迫切需要低成本、大规模存储解决方案。如果DNA合成可以变得足够便宜,那么就能可以实现存储更大的文件。

另据悉,该团队计划将这种DNA封装技术用于存储“冷”数据,即保存在档案中的不经常访问的数据。

对此李雷认为这主要是因为DNA存储技术不成熟,具体地说是DNA保存技术。DNA很容易发生降解,除了会受到温度影响,化学因素比如储存DNA的溶液等都会致其发生降解,而一旦降解,这些物质就彻底成为杂乱无章的信息。此外反复访问同样会对DNA进行处理,最终导致DNA自身的不稳定。

李默认为,该技术的“数据检索”环节依赖于荧光激活分类,限制了数据检索及读取的速度与效率,因此该技术不适用于读取“热数据”,即存储后被高频次访问的数据,并且读取速度较传统硬盘也不具备优势。但如日后能在这些环节有所突破,则将是另一次质的进步。