萧箫 发自 凹非寺
量子位 报道 | 公众号 QbitAI

如何将一整本《绿野仙踪》，存进纳米级的DNA里？

现在，德克萨斯大学奥斯汀分校的科学家们做到了。

他们开创了一套新的DNA数据编码和解码方法，不仅非常高效，还可以长期保存数据。

最关键的突破在于，准确率也非常高。

DNA技术近些年之所以受到关注，是因为它具有不可忽视的潜力：存储密度大。

例如，一个鞋盒能装下的所有DNA，足以保存100个大型数据中心的所有数据。

但这项技术除了昂贵，还有个最大的问题：错误率高。

光是插入和删除两种错误，就占据DNA合成错误的50%以上。

而这套新的DNA数据编解码方法，专门针对DNA合成错误进行修复，使得数据在被存储后，还能完好地被提取出来。（文末附论文链接）

一起来看看这种方法的妙处。

DNA合成：两大瓶颈

成本昂贵

事实上，微软在2016年就已经利用DNA存储技术完成了约200MB数据的保存，包括《战争与和平》等。

作为一种优良的存储介质，DNA不仅能实现更高的存储密度，而且还具有良好的耐久性，40万年前的古人类基因也能被重建。

如果反过来，想要将数据存储在DNA中，基本方法就是将0和1转换为4种核苷酸（碱基组成的序列）。

不过，虽然微软没公布200MB数据合成的成本，那会儿每个碱基的价格通常在0.7元左右。

而200MB数据的保存，用了大约15亿个碱基……

如此昂贵的DNA合成价格，却只能保存200MB的数据，相比之下，几百元的硬盘它不香吗？

不过，成本起码会随技术发展下降，最关键的问题，还是DNA合成的错误率高。

错误率高

在DNA合成过程中，存在替换、插入与删除三种常见的错误。

来看看这3种错误产生的方式。

在DNA复制过程中，如果其中一条链「手滑」了，就会产生插入和删除错误。

插入：下图左，由于子链在复制过程中「滑动」了一下，原本已经合进子链的腺嘌呤（A）被拱了起来，导致原来的位置上多了一个腺嘌呤（A）；

删除：下图右，由于母链在复制过程中「滑动」了一下，导致一个胸腺嘧啶（T）还没被复制就被跳过了，子链上少了个腺嘌呤（A）。

下图是一种替换错误，DNA中将胞嘧啶（C）替换成了胸腺嘧啶（T）。

而根据统计，在DNA合成会出现的错误中，插入和删除的错误占据了57%。

以往虽然也有针对DNA合成的纠错方式，但效率不高。

好消息是，现在科学家们研究出了一种新的编解码方式HEDGES，全名Hash Encoded, Decoded by Greedy Exhaustive Search，可以更高效地将数据合入DNA，或取出来。

HEDGES高效纠错

下图是在解码时，传统纠错方式和HEDGES纠错方式的对比。

其中，红色部分是发生替换、插入或删除错误的地方，蓝色部分是正确序列。

从图中可见，传统DNA合成在解码纠错时，需要对一条链进行多次合成，然后进行比对，得出正确率高的正确碱基对，从而降低错误率。

但HEDGES只需要进行单次读取，就能将发生缺失、删除和替换错误的地方纠正过来，并得出正确的信息。

这种高效纠错的能力，与HEDGES编解码的方式密不可分。

HEDGES编解码依据的是一种自动加密算法，这种算法在古代战事中很常见：

假设一方要传递「黎明时进攻」的明文，现在双方已知关键词是「QUEENLY」，那么密钥就是「QUEENLY+明文」，加密时，用维吉尼亚密码把「明文+密钥」翻译成密文。

然后，对方只需要掌握“QUEENLY”和密文，就能将明文解密出来了。

不过，这种算法用于DNA编码时，会出现冗余的情况，例如，在半速率编码（每个核苷酸编码1比特数据）时，如果输入1比特数据，则会输出2比特的数据量。

接下来，采用哈希算法，结合数据本身、数据所在DNA链的ID和先前数据，做个「数字签名」，就能保障数据传递的安全性，如下图。

而DNA进行解码的过程，实际上类似于自动加密算法的破译过程，将所有合成过程中可能出现的「错误」列出来，一一进行排查。

解码中会出现删除、插入的错误，下图就出现了插入错误。

这时候，经过哈希算法加密的「数字签名」，可以排除掉不正确的解码假设。

例如，包含数据所在链的ID部分，在解码时，如果发现解码得出的链ID与「数字签名」包含的ID信息不一致，这一系列错误假设就会直接被「解决掉」。

这样，就能纠正在解码过程中出现的插入和删除的错误。

当然，这只是数据编解码的过程，除此之外，团队在外部存储方式上也设计了新方法。

首先，输入的各种类型的数据信息会被转换成特定数据存储格式，然后通过一种名为RS（Reed–Solomon）的外部方式，进行基于DNA的存储。

这种类似于「对角线」一样的存储方式，使得合成过程中产生的错误能更均匀地分布，并被测量出来，提高了纠错性能。

正是通过这种编解码方法，团队成功完成了《绿野仙踪》的DNA数据存储、解读。

结果耐温稳定

从结果来看，整体错误率基本只有1%，而且在温度诱变的情况下，经过2小时和8小时，错误率上升基本在0.1%左右，非常稳定。

而从整体数据来看，采用HEDGES进行编码，在编码率小于0.2、每个核苷酸出错概率Perr小于0.01的时候，错误率理论上能逼近0。

看起来，DNA数据存储，未来说不定真能取代硬盘。

作者介绍

论文一作是William H. Press，美国国家科学院院士，1948年出生，毕业于哈佛大学，并于1972年在加州理工学院取得博士学位。

Press教授曾在哈佛大学任教天文物理学20余年，在广义相对论和天体物理学方面都有所建树。自2007年后，在德克萨斯大学奥斯汀分校任教，目前是计算机科学和合成生物学的教授。

论文链接：
https://www.pnas.org/content/pnas/early/2020/07/15/2004821117.full.pdf

参考链接：
https://www.popularmechanics.com/science/a33327626/scientists-encoded-wizard-of-oz-in-dna/
https://spectrum.ieee.org/nanoclast/semiconductors/memory/dna-data-storage-method-sets-standard-for-highdensity-data-future
https://en.wikipedia.org/wiki/William_H._Press

— 完 —

本文系网易新闻•网易号特色内容激励计划签约账号【量子位】原创内容，未经账号授权，禁止随意转载。

报名 |「隐私计算+AI」技术直播

不了解任何隐私AI技术的情况下，开发者怎样做到只改动两三行代码，就将现有AI代码转换为具备数据隐私保护功能的程序？

8月6号，中科院软件研究所博士、矩阵元算法科学家--谢翔将直播解析，扫码加小助手，即可进入直播交流群：

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

喜欢就点「在看」吧 !