使用DNA在現(xiàn)實世界中存儲數(shù)據(jù)

相比傳統(tǒng)的數(shù)據(jù)儲存方式，DNA存儲具有占用空間小、獲取容易、儲存時間長3大優(yōu)勢，但也面臨存儲速度慢、花費高的弊端。隨著技術(shù)的不斷成熟，它真的能成為主流嗎？

全球每年產(chǎn)生的數(shù)據(jù)需要4180億個1TB硬盤才能放下，若是把如此龐大的數(shù)據(jù)放到DNA上，只需 1kg DNA就夠了！DNA存儲才是未來！

幾年前，甚至研究人員也不愿使用DNA來存儲數(shù)據(jù)，因為這看起來過于科幻，并沒有任何實用價值。今天，我們可以使用正確的軟件和生物化學(xué)模塊擴展PostgreSQL，并在DNA上運行SQL。

在這個數(shù)據(jù)爆炸的時代，全球的數(shù)據(jù)不僅遠遠超過我們理解數(shù)字的能力（比如你知道Zettabytes是多少嗎？）更超過了我們的儲存能力。

一切都是數(shù)字化的，一切都越來越多地運行在基于數(shù)據(jù)訓(xùn)練算法的應(yīng)用程序上，而這些算法反過來會產(chǎn)生更多的數(shù)據(jù)來為更多的下游應(yīng)用程序和算法提供信息。你懂了吧？

簡單地說，按照這種速度，很快就沒有足夠的數(shù)據(jù)存儲和計算材料可供使用。這就是為什么人們現(xiàn)在已經(jīng)開始尋找替代的數(shù)據(jù)存儲介質(zhì)的原因。使用DNA來存儲數(shù)據(jù)，這聽起來很奇怪，實際上很有意義?，F(xiàn)在，研究人員取得了突破，使他們能夠?qū)NA存儲整合到流行的開源數(shù)據(jù)庫PostgreSQL中。

DNA是如何儲存數(shù)據(jù)的？

DNA的核心是數(shù)據(jù)存儲層。DNA由四種堿基組成：腺嘌呤、鳥嘌呤、胞嘧啶和胸腺嘧啶（又名AGCT）。從這四個堿基中，DNA形成由三個核苷酸組成的基團（稱為密碼子）。密碼子是給我們的細(xì)胞指示蛋白質(zhì)形成的單位。

我們的信息技術(shù)基礎(chǔ)設(shè)施基于以位（bits）為單位的信息存儲（由兩位數(shù)字組成：0和1），而DNA信息存儲在四個潛在基本單元的串中。為了將非遺傳信息存儲在DNA中，我們必須首先將二進制數(shù)據(jù)從位轉(zhuǎn)換為DNA數(shù)據(jù)（AGCT）結(jié)構(gòu)。

將Bits轉(zhuǎn)換為DNA序列

理論部分實際上相當(dāng)簡單。與使用硅或磁性介質(zhì)（它們的工作原理是將狀態(tài)存儲為1和0的序列）相同，存儲A、G、C和T的序列。但是，這在實踐中是如何工作的呢？如何在DNA中寫入和讀取數(shù)據(jù)呢？

這聽起來可能有點遙不可及，但分子技術(shù)的進步已經(jīng)使它成為可行——盡管并不完美。

例如，微軟展示了世界上第一個自動DNA數(shù)據(jù)存儲和檢索系統(tǒng)。如果你想知道這個DNA來自哪里：這是合成DNA，產(chǎn)生它的是系統(tǒng)的一部分。

天然存在的DNA由兩條核苷酸鏈的雙螺旋的形式構(gòu)成。相反，用于數(shù)據(jù)存儲的DNA是單鏈核苷酸序列，也稱為寡核苷酸（oligo），它通過化學(xué)過程合成，該化學(xué)過程一次構(gòu)建一個核苷酸。

使用DNA在現(xiàn)實世界中存儲數(shù)據(jù)

倫敦帝國理工學(xué)院 SCALE實驗室負(fù)責(zé)人Heinis和Eurecom數(shù)據(jù)科學(xué)系助理教授Appuswamy 在創(chuàng)新數(shù)據(jù)系統(tǒng)研究會議上發(fā)表了題為“ OligoArchive: Using DNA in the DBMS storage hierarchy ”的研究論文。雖然他們不是第一個使用DNA存儲和檢索數(shù)據(jù)的人，但他們是第一個使用結(jié)構(gòu)化數(shù)據(jù)、與現(xiàn)成的數(shù)據(jù)庫集成、并超越存儲、實現(xiàn)計算的人。

關(guān)于DNA作為數(shù)據(jù)存儲層的第一件事是，每次執(zhí)行寫操作時，都必須合成寡核苷酸。這將如何在實踐中發(fā)揮作用？實驗室技術(shù)人員是否必須待命執(zhí)行此操作，并“重新填充”用于化學(xué)過程的原材料？

并非如此，根據(jù)Appuswamy和Heinis的說法，這是微軟通過其自動DNA存儲和檢索系統(tǒng)所證明的價值所在。這表明，在沒有人參與的情況下操作這樣一個過程是可能的。就像除了維護，沒有人監(jiān)督數(shù)據(jù)中心的日常運作一樣，這同樣適用于基于DNA的數(shù)據(jù)中心。

盡管如此，我們還遠沒有用合成DNA陣列取代硬盤。首先，以這種方式存儲數(shù)據(jù)的現(xiàn)代技術(shù)非常緩慢。剛開始，科學(xué)家們花了一周時間來存儲一兆字節(jié)的數(shù)據(jù)。

Appuswamy和Heinis一致認(rèn)為，在這方面還需要更多的工作。但這超出了他們自己的研究范圍，所以只能等待生化合成過程進一步提高。

首先，他們注意到存儲速度已經(jīng)越來越快，目前速度是每秒幾KB。雖然與SSD相比，這仍然非常緩慢，但這是一個很大的進步。對于Appuswamy和Heinis的研究（即歸檔存儲），這實際上是可以接受的。

數(shù)據(jù)庫引擎使用三層存儲層次結(jié)構(gòu)，由具有不同價格/性能特性的設(shè)備組成。性能層存儲高性能OLTP和實時分析應(yīng)用程序訪問的數(shù)據(jù)。

容量層存儲由延遲不敏感（latency-insensitive）的批分析應(yīng)用程序訪問的數(shù)據(jù)。歸檔層用于存儲很少訪問的數(shù)據(jù)，例如，在安全合規(guī)性檢查或法律審計期間。今天磁帶通常用于這一層。

OligoArchive通過將基于磁帶的歸檔層替換為基于DNA的歸檔層來改變數(shù)據(jù)庫存儲層次結(jié)構(gòu)。合成DNA的存儲需要額外的措施，對于普通的設(shè)備來說，基于DNA的存儲是否有效還值得懷疑。但無論如何，數(shù)據(jù)和數(shù)據(jù)庫都將進入云端，只要你的數(shù)據(jù)安全地存儲在數(shù)據(jù)中心，對終端用戶來說，這都是一個黑匣子。

在DNA上運行SQL

Appuswamy和Heinis還指出，即使它仍然很慢，DNA存儲提供了很大的并行處理潛力。因為它很豐富、價格低廉 - 或者更確切地說，我們希望它最終會是這樣。按照目前的速度，存儲一分鐘的高質(zhì)量立體聲將花費100,000美元。

盡管使用合成DNA進行大規(guī)模存儲仍然過于昂貴，但Appuswamy和Heinis表示，他們預(yù)計成本會下降，這是包括存儲技術(shù)在內(nèi)的每一項科技突破的典型方式。

如果合成寡核苷酸在經(jīng)濟上變得可行，那么擁有大量的合成寡核苷酸將是一個合理的預(yù)期。這意味著許多DNA存儲單元可以并行運行的巨大潛力。雖然不是每種算法的每一個方面都是可并行的，但對于那些算法來說，可以實現(xiàn)極大的加速。這就把我們帶到了一個關(guān)鍵點。

直到今天，DNA一直被用于存儲非結(jié)構(gòu)化文件，無論是文本還是視頻，或者其他什么。Appuswamy和Heinis所做的是將DNA存儲整合到關(guān)系數(shù)據(jù)庫中。他們采用了標(biāo)準(zhǔn)數(shù)據(jù)庫基準(zhǔn)測試TPC-H中包含的數(shù)據(jù)和查詢，并在PostgreSQL實例上運行了TPC-H。不是串行訪問，而是隨意選擇數(shù)據(jù)。

使用后端的DNA在數(shù)據(jù)庫系統(tǒng)中存儲結(jié)構(gòu)化數(shù)據(jù)，并通過SQL查詢，這在今天已成為現(xiàn)實。

研究人員為PostgreSQL構(gòu)建了歸檔和恢復(fù)工具（pg_oligo_dump和pg_oligo_restore），對DNA上的關(guān)系數(shù)據(jù)執(zhí)行模式感知編碼和解碼，并使用這些工具將12KB TPC-H數(shù)據(jù)庫歸檔到DNA，執(zhí)行in-vitro計算，以及再次恢復(fù)它。

這是巨大的。這意味著現(xiàn)在DNA存儲還可以支持SQL操作，來有選擇地訪問和處理部分?jǐn)?shù)據(jù)。請注意，數(shù)據(jù)不會被提取到數(shù)據(jù)庫來執(zhí)行操作。Appuswamy和Heinis找到了一種方法來處理寡核苷酸中的SQL連接。這超出了生化儲存的范圍——它還需要生物化學(xué)計算。

然而，要做到這一點，研究人員必須處理一系列與用于編碼和解碼DNA信息的技術(shù)缺陷有關(guān)的問題。對DNA進行操作需要專門的編碼技術(shù)，這些技術(shù)可以產(chǎn)生適合生化操作的寡核苷酸。讀取DNA數(shù)據(jù)目前非常容易出錯，以前的工作依賴于數(shù)據(jù)過度表示（over-representation）：數(shù)據(jù)被寫在許多副本中，因此如果原始數(shù)據(jù)被破壞，備份還在。

相比之下，Appuswamy和Heinis依賴于元數(shù)據(jù)。他們利用數(shù)據(jù)庫模式感知，在編寫的塊中添加一些額外的數(shù)據(jù)位。研究表明，這可以在編碼（寫入）過程中提高密度，并有助于在解碼（讀取）過程中識別錯誤。他們注意到這比預(yù)期效果更好。

DNA是數(shù)據(jù)的未來嗎？

盡管部分技術(shù)還不成熟，但這是一個重大突破。擁有足夠的數(shù)據(jù)中心存儲空間已經(jīng)成為一個game changer。但是，將像DNA這樣豐富的東西作為一種可行的存儲和計算介質(zhì)的意義可能會超出我們的想象。

這可能只是朝這個方向邁出的第一步，但每一個旅程都從第一步開始，Appuswamy和Heinis并不是獨行者。

Eurecom，CNRS，ICL，UCA以及DNA合成初創(chuàng)企業(yè)Helixworks已獲得歐盟資助，以進一步開展DNA儲存研究。該系統(tǒng)將被設(shè)計成支持?jǐn)?shù)據(jù)編碼的全自動循環(huán)，將其合成為DNA，并通過序列讀取數(shù)據(jù)。它將存儲各種不同的數(shù)據(jù)類型，并在存儲和精確檢索數(shù)據(jù)時實現(xiàn)近距離數(shù)據(jù)處理。

將數(shù)據(jù)存儲在DNA中的進一步研究將由歐盟資助

Appuswamy和Heinis提到，到目前為止，主要是其他研究人員對這個感興趣，至于說公司，微軟似乎比任何公司都表現(xiàn)出了更多的興趣。

掌握這項技術(shù)可能意味著擁有未來，因為這一領(lǐng)域的突破將產(chǎn)生巨大的影響。Appuswamy和Heinis指出，這表明了人們的態(tài)度：

“幾年前，人們會認(rèn)為這太離譜了。今天，當(dāng)我們告訴他們我們正在做什么時，他們會說——多告訴我們一些”。