恐龍滅絕 6000 多萬年後，科學家們獲得了一塊有史前蚊子的琥珀，從蚊子血中獲得了恐龍的基因，從而讓遙遠的生物復活。講這個故事的《侏羅紀公園》，至今仍位列全球電影票房前十。這個系列故事的原理很簡單：DNA 存儲了恐龍的生物信息，科技讓它重新表達。
現在，用 DNA 想象另一個故事：在宇宙長河中，“人類世紀”也寂滅了。另外一種智慧生物出現，TA 們去探究遠古的“人類文明”。有什麼會承載人類文明的記憶？氣溫異變，地球上的龐大數據中心徒留遺迹。
而凍土中有一份 DNA，它很輕，只有 1 公斤，看起來是一些被封裝在膠囊里的白色粉末。讀取后，裡面卻記載了地球上曾有的巨量信息。視頻、文字、代碼展現了人類歷史進程中的無數發明和文藝作品。於是那個遙遠文明的痕迹在宇宙間再次展開。
這是另一個科幻設定了。背後的技術正是目前被關注的一個前沿方向：DNA 存儲信息。在大自然里，DNA 負責存儲遺傳信息。單個人體細胞的平均直徑是 5 到 200 微米，這其中的 DNA 可以包含一個人全部的遺傳信息：30 億對鹼基。
那為什麼不能用鹼基存儲別的信息？這個科幻般的設想，正在走出實驗室，被當作信息存儲的未來方案。
01 基因組數據太多了，怎麼辦？
本來是生物學家想解決生物學發展的問題。
11 年前，一群生物信息學家在德國的一家酒店裡討論“數據存儲問題”。Nick Goldman 也在其中，那是他在歐洲生物信息所（EBI）擔任高級科學家的第二年。
大規模的基因組測序正在進行，隨之產生的數據規模快速增長。存儲、壓縮這些數據是個麻煩事，現有的技術方案看起來不太行。據估計：人類基因組需要高達 2-40EB 的存儲容量。這可能超過一個世界級科技公司的雲存儲量——全世界蘋果用戶存儲在Google雲上的數據總量大約是 8 EB。這 8EB 數據，每月存儲費需要 2.18 億美元。（1EB= 102^3GB)
生物學家們陷入了沮喪。
Nick Goldman 拿着存儲了莎士比亞所有十四行詩、一張照片和“我有一個夢想”演講片段的 DNA｜ 來源：EBI
有人靈光乍現：是什麼東西阻止了我們用 DNA 來儲數據呢？
看起來是一句玩笑話，但是生物學家們意識到了這不僅僅是個玩笑，他們拿起手邊的餐巾紙，用圓珠筆認真計算起可行性。
DNA 存儲遺傳信息的原理並不複雜，它由四種核苷酸 A、T、G、C 組成，彼此兩兩對應，組成雙螺旋結構。核苷酸的序列，記錄了遺傳信息。
在數字世界，所有的信息本質上是 0 和 1 組成的數據串。想要 DNA 存儲數字信息，簡單理解，原就是將 0 和 1 的編碼序列轉換成核苷酸的序列。DNA 存儲的優勢在於密度大，大約在你眼前逗號這麼大小，1 立方毫米的 DNA，就可以容納 9TB（1TB=1024GB）的信息。
用 DNA 存儲數據，也並不是完全新的想法，之前就有科學家嘗試過。不過屬於科學和藝術的先鋒跨界實驗。
1988 年，藝術家 Joe Davis 和哈佛大學的研究員，將一副名為“小維納斯”（Micro Venus）的圖案存儲到 DNA 短鏈中。
存儲進 DNA 的小維納斯（microvenus）圖片 來源：相關論文
這個圖案編碼簡易，白色的地方標記為 0、黑色的線條部分標記為 1，文件大小隻有 35bits，用了 28 個核苷酸長度的 DNA 鏈條來存儲。
在那次酒店討論的 2 年之後，2013 年，Goldman 團隊發表了研究成果。這次，他們存儲了 5 種不同格式的文件，一共有 0.75MB。為了確保信息讀取不出錯，科學家存儲的時候，每份信息按照四倍冗餘的量來存儲。
五個文件分別是：
•154 首莎士比亞的 14 行詩（ASCII 編碼格式）
• 提出 DNA 雙螺旋結構的論文（PDF 版）
•一張照片（JPEG 格式）
•馬丁· 路德金“我有一個夢想”演講其中 26 秒片段（MP3 格式）
•一串霍夫曼密碼
這些年，DNA 存儲容量的上線不斷被突破。2019 年，美國一家創業公司 Catalog 在 DNA 中存儲了 16GB 的維基百科。這個公司表示自己正在建設世界上第一個基於 DNA 的大規模數字數據存儲和計算平台。
02 編碼和解碼，要處理的事情很多
在一些生物學家看來，用 DNA 來存儲是一件非常“順滑”的事。“大自然的編碼語言非常類似於我們在計算機領域使用的二進制語言。在硬盤上我們使用 0 和 1 來代表數據，而 DNA 中，我們擁有 4 種形式的核苷酸，A、C、T 和 G”。在瑞士聯邦理工學院的生物學家 Robert Grass 說。
DNA 存儲的關鍵之一是用四個核苷酸去映射 0 和 1 兩個數字。方案可以很簡單。比如：A 對應 00，C 對應 01，G 對應 10，T 對應 11。然後再按照所需要的核苷酸序列，像串珠子一樣，把核苷酸們串成一串。（這就是 DNA 合成）需要讀取信息的時候，再運用基因測序技術，把這一串核苷酸序列讀取出來，再翻譯成 0 和 1 的字符串。這個流程就是編碼—DNA 合成—測序—解碼。
這個聽起來像是“把大象裝進冰箱”的流程，操作起來需要考慮的問題還有很多。不然科學家就不必一直研究新的編碼方案了。
在自然界存在的 DNA 中，A 和 T，C 與 G 兩兩配對，在一條 DNA 中，CG 與 AT 的存在比例基本均勻，為 50% 左右。如果 C 和 G 的含量過高，可能會讓 DNA 鏈產生一些複雜的物理結構。這就會讓 DNA 測序（解碼）變得複雜。
DNA 存儲的步驟｜ 來源：DNA Data Storage Alliance
而且在“串珠子”（也就是合成 DNA 鏈條）的過程中，錯誤率不可避免。目前大約每合成 100 個鹼基就會出現一個錯誤。這是由目前的化學合成技術帶來的瓶頸，每合成一個鹼基，有 99.9% 以上的正確率。但是當鹼基串變長，0.01% 的概率相乘，錯誤就難以避免。目前人工合成 DNA 的單鏈的長度一般不超過 100 個鹼基，極限在 300 個鹼基左右。而在自然界的 DNA 動輒有幾千個鹼基對。
也就是說，雖然 DNA 的存儲能力很強，但它們不得不以很多條短鏈的方式存在。如果存儲的信息量比較大，這些 DNA 短鏈就像一本散裝的書。它可以存儲很多信息，存在形式卻是一張張標着頁碼的紙。當然，可以將一條條 DNA 短鏈拼接成長鏈。這就意味着增加了一道工序。在測序的過程中，又需要把長鏈打斷成短鏈。這是因為目前技術還不能一次性讀取長鏈。
在測序的過程中，也存在錯誤率。儘管目前的錯誤率已經低至 10^-3 數量級，比起商業硬盤的讀寫錯誤率，仍相差至少 9 個數量級。
正確率受到合成和測序這兩項技術的影響，科學家想到設計編碼方案來避免：在編碼中增加糾錯機制。這樣，哪怕鹼基合成和測序中出現了錯誤，依舊能夠保證被存儲進 DNA 的內容能夠被正確讀取出來。
03 走出實驗室，還要考慮速度和成本
DNA 存儲也正在嘗試走出實驗室。
2020 年 10 月，微軟、西部數據和基因測序巨頭 Illumina、DNA 合成初創公司 Twist Bioscience 等聯合成立了 DNA 數據存儲聯盟。
這是世界上第一個該領域的學術和產業鏈聯盟。這個聯盟希望制定技術和格式標準，最終建立一個可以通用的商業系統。
微軟研究院在 2015 年就成立 DNA 存儲的項目，並聘請了華盛頓大學的計算機科學與工程學院的副教授 Karin Strauss 擔任高級首席研究經理（Senior Principal Research Manager）。
2013 年，她和同事去英國 EBI 訪問，了解到 Goldman 和同事們關於 DNA 存儲的研究，就對這個方向產生了很大的興趣。Strauss 說，“DNA 的密度、穩定性和成熟度讓我們興奮。”
在他們的研究中，想開發的是另一個功能：隨機讀取。常見的 DNA 測序技術中，必須要將所有的鹼基串一次性讀取完，才能夠獲得信息。要麼不讀取，要麼全讀。如果只想要數據中的某一個小片段，就會非常麻煩。
2016 年，他們發表了一項研究，可以在 DNA 已經存儲的信息中搜索到指定的圖像，定位后，用酶來複制所需的 DNA 片段，然後只需讀取這一小段即可。
Karin Strauss（右）和兩位研究合作者｜來源：csenews
要讓 DNA 存儲離商用更進一步，還需要解決合成速度和成本。現在合成速度是每秒存儲上千個字節（KB），成熟的雲存儲方案已經有每秒千兆字節（GB）以上。
這意味着，編寫 DNA 的速度還需要提升 6 個數量級。如何讓提升數據處理量？就像并行計算能夠提升數據處理速度，科學家希望 DNA 在合成時也可以并行多條，同時處理。
2021 年，微軟開發出首個納米級 DNA 存儲器，能夠在每個平方厘米的區域上，同時合成 25X106（2650）條鹼基序列。這個新的技術把原來同時合成鹼基序列的數字從個位提升到了千位。這個吞吐量，讓 DNA 合成速度變成了每秒兆字節（MB）。
新的方法讓 DNA 合成的陣列數量大大增加｜來源：微軟研究院
更大的吞吐量，也就意味着更低的成本。現在 DNA 存儲的成本是每萬億字節（TB）8 億美元。而磁帶存儲成本已經降到了每萬億字節 16 美元以下。這樣比起來似乎毫無競爭力。但現實生活中的大型數據中心的維護成本極高，還要定期更新硬件；DNA 存儲密度大、體積小、可以長時間不變質的優勢就變成了降維打擊。
所以量大、讀取頻率低的“冷數據”，被認為是 DNA 存儲最近的應用場景。Twist Bioscience 最近在一份市場報告中強調，這種技術能夠幫助科技企業在“大規模、低功耗”情況下更有效地部署。
另外一些樂觀的科學家，更相信技術的進步。
自 2003 年人類基因組計劃完成以來，測序成本降低了 200 萬倍。2016 年時，面對每秒千字節的速度，Goldman 說，“（讀寫的速度提升）6 個數量級對基因組學來說沒什麼大不了的。你只需要再等一會兒。”
那這“一會兒”是多久呢？這個領域似乎到了臨門一腳，仍在等待突破。