一个咖啡杯装下全世界的数据,DNA 存储芯片神奇在哪?

2021/12/27 20:16:30 来源:芯东西 作者:程 茜 责编:潇公子

在未来,DNA 存储芯片能否替代传统存储硬盘?

我们正处于数据爆炸的时代,全球数据量呈指数级增长!

国际数据机构 IDC 预测,2025 年,全球数据量将达到 175ZB,5 年平均复合增长率 8%。1ZB 等于 1 万亿 GB,如果 175ZB 数据用容量 1GB 的移动硬盘来装,至少需要 175 万亿个硬盘。在未来,数据存储问题将成为互联网发展的痛点。

为了解决数据存储这一难题,受生物学的启发,研究人员瞄准了人体内的 DNA。

最大的人类染色体含有近 2.5 亿个碱基对,如果每个碱基对上都能存储数据,理论上,麻省理工学院生物工程教授 Mark Bathe 说,一个装满 DNA 的咖啡杯就可以存储世界上所有的数据。这样看来,存储 175ZB 的数据也就不在话下了。

这样一个前景可观的新兴存储技术,在今年 3 月被写进“十四五”规划纲要草案中。不仅如此,2021 年层出不穷的相关研究及落地进展,令 DNA 存储技术愈发受到关注。

例如 1 月 11 日,Nature 子刊上发表了哥伦比亚大学将 hello world 翻译成碱基语言录入大肠杆菌 DNA 的相关论文;5 月 26 日,由中科院深圳先进技术研究院孵化的中科碳元成立,专注于推进 DNA 数据存储研发及商业化;11 月 12 日,东南大学刘宏团队将校训“止于至善”写进 DNA 的论文发表于 Science Advances;11 月 24 日,微软公布首个纳米级 DNA 存储写入器……

需要注意的是,广义上的 DNA 芯片是基因组学和遗传学研究的工具,指在固相支持物上原位合成寡核苷酸或者直接将大量预先制备的 DNA 探针以显微打印的方式有序地固化于支持物表面,然后与标记的样品杂交。因为其支持物表面常是计算机芯片,因此称其为 DNA 芯片。

DNA 芯片类型多样,包括检测基因、染色体或用于临床诊断用的芯片,而其中模仿 DNA 分子结构进行数据存储的是我们今天讨论的重点,也就是 DNA 存储芯片。

01. 碱基与二进制对应,人手长的 DNA 链可存储 10 亿 G 数据

从远古石墙上刻的图案到文字的出现,再到最重要的信息载体书籍的产生,我们产生的信息其实并不多。但自从进入信息时代,人类在过去 50 年里记录的信息已经远远超过过去 2000 年的信息。

我们处在信息爆炸的大数据时代,所有互联网中的信息都作为数据保存下来,从网页、应用程序到安防、卫星领域应有尽有。

根据国际数据组织 IDC 的数据,2013 年至 2015 年全球大数据存储量分别为 4.3ZB、6.6ZB、8.6ZB,增速维持在 40% 左右,而到 2016 年全球大数据存储量达到 16.1ZB,增长率达到 87.21%。2017 年至 2019 年全球大数据存储量分别为 21.6ZB、33ZB、41ZB,2020 年全球数据量达到了 60ZB。在大数据领域不断发展的同时,为了满足海量的数据存储需求,存储方式也在不断发生变化。

 IDC 监测 2015-2020 年全球数据量变化趋势以及 2025 年预测

▲ IDC 监测 2015-2020 年全球数据量变化趋势以及 2025 年预测

DNA 是储存遗传信息的载体,携带有合成 RNA 和蛋白质所必需的遗传信息,它可以对生物的所有信息进行编码。

上世纪 50 年代,就有研究人员发现了生物特征和人造物体的关系。DNA 分子由四种碱基组成,数据由二进制 0 和 1 组成;DNA 用来储存遗传信息,数据正好需要一个介质存储,由此苏联物理学家米哈伊尔・萨莫伊洛维奇・内曼(Mikhail Samoilovich Neiman)想到,是否可以参考 DNA 结构来存储数据?

与传统的存储介质不同,DNA 存储技术有如下显著优势。

首先是 DNA 存储密度高。一个 DNA 分子可以保留一个物种的全部遗传信息,最大的人类染色体含有近 2.5 亿个碱基对,那么就意味着一条和人手差不多长的 DNA 链,就可以存储 1EB(1EB=10.74 亿 G)数据。

与硬盘和闪存的数据存储密度相比,硬盘存储每立方厘米约为 1013 位,闪存存储约为 1016 位,而 DNA 存储的密度约为 1019 位。

其次是 DNA 分子存储具有稳定性。今年 2 月,国际顶级学术期刊 Nature 上的一篇论文称古生物学家在西伯利亚东北部的永久冻土层中提取到距今 120 万年猛犸象的遗传物质,并对其 DNA 进行了解析,这也进一步刷新了 DNA 分子的保存年代纪录。

据悉,DNA 至少可保留上百年的数据,相比之下,硬盘、磁带的数据最多只能保留约 10 年。

最后,DNA 存储维护成本低。以 DNA 形式存储的数据易于维护,和传统的数据中心不同,不需要大量的人力、财力投入,仅需要保存在低温环境中。

在能耗方面,1GB 的数据硬盘存储能耗约为 0.04W,而 DNA 存储的能耗则小于 10-10W。

02. 低成本扩大规模 可放置数百万个 DNA 序列

上个世纪 50 年代,科学家已经提出创建人造物体与微观世界的生物特征相似的想法,并且认为该人造物体将具有更加广泛的能力。不到十年,苏联物理学家米哈伊尔・萨莫伊洛维奇・内曼(Mikhail Samoilovich Neiman)就独立提出了可以利用 DNA 和 RNA 分子来进行信息记录、存储和检索的可能性。

DNA 进行数据存储的应用真正开始于 1988 年,艺术家乔戴维斯和哈佛大学的研究人员合作,在大肠杆菌的 DNA 序列中,将一张代表生命和女性地球的古代日耳曼符文图片,通过 5x7 的矩阵存储到 DNA 序列中。他们用二进制中的 1 代表图片中的暗像素,0 代表图片中的亮像素。

在之后的研究中,研究人员提出了多种 DNA 存储的编码方式。2011 年,研究团队对一本 659KB 的书籍进行编码,通过一对一对应,由腺嘌呤或胞嘧啶表示二进制中的 0,鸟嘌呤或胸腺嘧啶表示 1。然而,最后研究人员检查数据存储结果时发现,在 DNA 中出现了 22 个错误。这种一一对应的编码方式的精度较低。

DNA 是由四种碱基结合成碱基对,并组成螺旋结构。四种碱基分别是腺嘌呤(A)、胸腺嘧啶(T)、鸟嘌呤(G)、胞嘧啶(C),然后依据碱基互补配对原则,来排列 DNA 分子储存遗传信息。这四个代码也为 DNA 存储芯片提供了一个合适的编码环境。

DNA 分子结构示意图

▲ DNA 分子结构示意图

DNA 存储技术包括信息编码、存储、检索、解码四个步骤。在计算机中,数据存储需要用二进制 0 和 1 来表示,使用 DNA 来存储数据首先需要将 0 和 1 转化为 DNA 中的四个碱基 A、C、T、G,创建具有正确碱基序列的 DNA 螺旋结构。合成 DNA 后在体内或体外进行存储。在解码时,DNA 测序仪会转录该 DNA 结构中的碱基序列,通过解码软件将其转化为 0 和 1,还原数据信息。

2012 年,哈佛大学的研究团队证实,DNA 可以作为一种和硬盘驱动器、磁带类似的存储介质。他们通过 DNA 对数字信息进行编码,包括 53400 字节的 HTML 草稿,11 张 JPG 图片和一个 JavaScript 程序,利用位与碱基一对一映射,但这种方式会使得相同碱基长时间运行,测序过程容易出错。

这种简单的一对一编码形式,在 2013 年得到了突破。欧洲生物信息学研究所(EBI)的研究人员在论文中称,他们已经实现了超过 500 万位数据的存储、检索和复制,并且所有 DNA 文件都以 99.99% 到 100% 的准确度再现了信息。在编码过程中,研究小组加入了纠错编码方案,并采用了可通过序列识别的重叠短寡核苷酸的编码方式。

此后,哥伦比亚大学、华盛顿大学、帝国理工学院等研究团队都开展了一系列研究。

为了证明 DNA 编码数据的长期稳定性,2015 年 2 月 4 日,苏黎世联邦理工学院的研究人员在国际顶级期刊 Angewandte Chemie International Edition 上发表了相关论文,研究人员通过 Reed-Solomon 纠错编码和溶胶、凝胶将 DNA 封装在二氧化硅玻璃球中来增加冗余,而这可能是 DNA 存储芯片的最早期形态。

2021 年 11 月起,多个研究团队公布了 DNA 存储芯片研究的新进展,包括我国东南大学、微软研究院、伊利亚诺州西北大学以及佐治亚理工学院的研究小组。

11 月 12 日,我国东南大学生物科学与医学工程学院、生物电子学国家重点实验室的刘宏团队成功将校训“止于至善”存入一段 DNA 序列中,该论文发表于 Science Advances。

为了实现 DNA 存储的微型化、集成化、自动化,该研究小组对测序过程进行了优化。基于电化学的单电极 DNA 合成和测序方法,通过电化学脱保护技术改进传统亚磷酰胺化学合成方法,并基于电荷震荡现象对电极表面的 DNA 分子进行测序,成功将校训进行编码和解码。

刘宏团队基于电化学 DNA 合成与测序的 DNA 数据存储系统流程图

▲ 刘宏团队基于电化学 DNA 合成与测序的 DNA 数据存储系统流程图(图片来源为东南大学官网)

11 月 24 日,微软研究院与华盛顿大学分子信息系统实验室(MISL)合作在 DNA 存储上取得突破的论文发表于 Science Advances 上,该研究小组公布首个纳米级 DNA 存储写入器,DNA 芯片上的分子控