浩浩耗，我有屠龙之术，欲翻流云起舞；我有苍茫之志，欲煎七海成田； 阅读原文 这个问题两说，如果是从 DNA 的本质来说，DNA 本身就是一种遗传物质，它存储的就是遗传信息，没有别的。 但如果换一个思路，利用 DNA 的特性，是否能构建一个新的存储系统工具，那想象的空间就大了，甚至有科学家已经把 DNA 看作是数据存储的终极解决方案了！ 要想理解这个概念，我们就得从 DNA 的基础结构说起。应该大家至少都从高中的生物学课上了解过，DNA 是一条双螺旋结构的长链，而将这条长链进一步解旋以后，我们进一步的发现了 DNA 的基本组成单元—碱基，分别是腺嘌呤（A）、鸟嘌呤（G）、胞嘧啶（C）、胸腺嘧啶（T）。而正是这个固定的特点，让 DNA 有了成为数据存储载体的潜力。 说起数据，稍微有点计算机常识的朋友，一定都听过二进制（binary）的概念。现代的计算机和依赖计算机的设备里都使用二进制，每个数字称为一个比特（Bit：Binary digit），可以说，在计算机的世界里，所有的信息回归到本源上，只有 0 和 1。而 0 和 1 可以表达出全世界的所有文字和语言符号。 简单阐述一下，我们人类采用的是十进制算术法，主要原因是因为我们有 10 个手指头。那对于使用二进制的计算机而言，就要把 3，4，5，6，7，8，9，10 都转换只有 0 和 1 的字符串。比如 150 的二进制格式是：1001 0110 好，原理就不在这里展开了，反正你们就知道，二进制的世界，就是可以用 0 和 1 两个数字组成的字符串，表示一切信息，比如字母，数字等。那么同样的原理，DNA 的组成只有固定的 A T G C 四种字符，那么实际上只需要先用二进制对 A,G,C,T 四个字母进行编码，就能以同样的逻辑，解析出对应 DNA 序列所代表的含义。比如我们前面举的例子，150 这个数字的二进制格式是：10010110，那现在按下面这个图的对应，150 这个数字的 DNA 格式就应该是：CGGC 是不是 DNA 存储数据的原理就大概弄明白了。所以理论上，目前可以存储在计算机里的任何数据，都可以用合成一段 DNA 序列的方式来代替，在读取的时候，只需要通过测序的手段，加上编译的规则，把这段 DNA 序列读取并翻译出来即可。 比如下面这些文字和图像就是通过读取 DNA 序列得到的。 2012 年，哈佛大学的遗传学教授 George Church（对，就是后来到中国来圈了无数 funding，开了 N 个公司的那位，现在又再搞复活猛犸象的公司）和他的同事就把一本 52,000 字的书编码进了数千个 DNA 片段里 那么接下来就说一说，用 DNA 作为数据存储载体的优势。最主要的就两点： I. 存储条件简单： 我们都知道，自从计算机问世来，数据的存储，主要还是靠把数据读写到硬件载体里面，从最开始的胶片，到软盘，到光盘，再到现在的 USB 移动硬盘。虽然写入数据的时间，已经可以存储的数据量已经有了极大的提升，但总体这些存储设备，还是比较脆弱的，比如物理损伤，灰尘，温度过高等，都有可能造成数据的损坏与丢失。 但 DNA 就不一样了，基本不需要维护，在室温干燥条件下，稍微有点保护，都可以保障几十年不会降解，如果是低温保存，那就更稳定了。 II. 需要的物理面积超超超超级小： 都知道如今，我们已经进入了数据爆炸的时代，各个地方，无时无刻不在产生着大量的数据，就从生物学层面来看，一个人的全基因组数据，按 30X 测序深度来算，大概数据量是在 30GB 左右，那么我们的肠胃里面的各种微生物，如果要完全弄清楚它们的信息，其数据量又要高出几个数量级，假设，未来人类的健康都是以数据作为驱动，又研究人员估算，如果从出生就开始记录，包括各种影像学，生化等一系列数据，一个人，这一辈子的数据量总和，就可以达到惊人的 1PB！ 这是什么概念？百度阳泉数据中心数据存储量大概在 4000PB，可存储的信息量相当于 20 多万个中国国家图书馆的藏书总量；所以一个百度的数据中心，也就能存储 4000 个人，这一生的健康数据而已。而百度阳泉数据中心长什么样子呢？额……长这样，一期总建筑面积达 12 万平米，花了 14 亿，修了 7 年。 而 DNA 是纳米级别的物质，根据估算，215PB 的数据，如果用 DNA 进行存储，只需要 1g DNA，所以整个百度数据中心的数据，只需要 20g 的 DNA 就够了！这就是为什么研究人员说，如果用 DNA 存储，全世界目前为止产生的所有数据，只需要一个小房间就够放了…. 那么，既然这个方式如此性感，目前面临的瓶颈又是什么呢？主要还是两点： （1） 读写速度太慢：目前的技术，在合成 DNA 上，大概每添加一个碱基需要 1 秒钟的时间，按这个速度，可能存一首高音质的 MP4 文件，都需要几年的时间。当然，目前行业都是用并行的方式，比如分成几千个片段，同时进行合成，但这样的成本，对于时间的提升效率还是不够。 （2） 就是合成 DNA 时可能产生的错误率，目前来讲还是不低的，这就导致数据的存储可能会因为某些合成错配而失真，比如本来应该是 GAAACC 的序列，合成的时候变成了 GAACC，或者一个片段缺失，直接变成了 GCC。 当然，虽然还有很多地方待完善，但 DNA 存储再接下来很长的一段时间，一定都是人类努力的一个重要方向，我们国家也已经有相关的公司了（别多想，当然不是我们的公司，我也不是托儿，我只知道他们在干这个，但具体的技术水平不好说）。 阅读原文
