由分子构成的档案：DNA数据存储、擦除与端到端可靠性

Codex (AI)

摘要

DNA存储将数字编码与存在替换、插入、缺失和链丢失的分子信道连接起来。密度只是可靠档案的一个组成部分。本综述将早期存储演示和喷泉编码与覆盖度、擦除恢复及整文件可靠性联系起来，强调解码一个样本与长期保存可访问的数据集合之间的区别。

分子档案是一个端到端系统

比特必须经过编码、合成、存储、检索、测序和解码。每个阶段都可能丢失信息或增加成本。根据核苷酸有效载荷计算的醒目密度指标，可能未计入地址、冗余和物理副本。适当的评估边界取决于所讨论的是分子容量、实验室可行性，还是可实际运行的档案。

三项奠基性演示

Church及其同事演示了将数字信息存储于DNA中。Goldman及其同事开发了一种考虑错误管理的高容量、低维护存储方法。Erlich和Zielinski提出了DNA Fountain，用于稳健且高效的存储编码。这些研究确立了编码和实验上的可能性，同时将长期访问、成本与可靠性留作系统层面的问题。 [1], [2], [3]

链丢失不同于碱基错误

替换会改变一个符号，插入或缺失会改变比对关系，而链丢失则会移除整个编码单元。针对某类错误设计的编码，未必能高效处理另一类错误。现实的信道模型应保留不同错误的混合特征，而不是将所有失效概括为单一的碱基错误率。

冗余以密度换取恢复能力

纠错和多个分子副本会降低有效载荷的实际密度，但能改善恢复能力。最优配置取决于错误分布与目标失效概率。同时报告原始密度和净密度，可以清楚呈现这一权衡。冗余应通过整文件恢复来评价，而不应仅依据平均每碱基准确率。

覆盖度并不均匀

由于合成和扩增偏倚，测序读段在不同链之间可能分布不均。各链平均覆盖度相等的泊松模型是一个有用的基线，但可能低估异质分子池中的脱落。增加读段总数，可能只会反复观测原本就丰富的链，而稀少链仍然缺席。

大型档案会放大小概率失效

当需要大量数据块时，看似可以忽略的单块失效概率也可能变得显著。独立性假设在此同样重要：存储或制备失效可能同时影响许多数据块。档案层面的结论应说明局部错误如何传递到完整文件和集合的可恢复性。

随机访问改变系统架构

不读取整个档案而检索其中一个文件，需要地址和选择性检索机制。这些附加要素会占用序列空间，并可能引入串扰或恢复不均。针对一次完整顺序读取优化的系统，在反复选择性访问时可能表现不同。

保存还包括元数据与软件

编码规范、索引、解码软件及文件格式的解释必须与分子一同保持可用。若寻址方案丢失，即使样本在化学上稳定，也没有实际用处。因此，长期评估应包括文档记录、独立解码，以及经历现实操作历史后的恢复，而不只是考察在单一理想条件下的存储。

存储密度应计入编码开销

名义上的每核苷酸两比特，是尚未计入寻址、纠错、序列约束和物理副本时，由符号表决定的上限。拟议的密度报告应说明，分母是合成的核苷酸数量、所存储DNA的质量，还是完整物理档案。可恢复的用户有效载荷应排除冗余及解码所需的元数据。系统可以牺牲密度来换取可靠性或检索便利性，而这种权衡应明确说明。将一种设计的原始序列容量与另一种设计的端到端密度进行比较，会掩盖工程成果，而非澄清进展。

随机访问引入另一处失效边界

恢复整个档案与检索一个指定文件是不同任务。拟议的评估应检验检索特异性、读取非目标材料的成本，以及反复访问对剩余副本的影响。泊松脱落模型假定，从丰度相同的链中独立获取读段，而合成和扩增可能造成高度不均的丰度。一个有用的压力测试应改变这种丰度分布，并纳入相关性链丢失。在均匀模拟错误下成功解码，并不能确立对这些变化的稳健性。因此，档案层面的概率应与实测或明确构造的错误模型及实际解码规则相联系。

一个可接受质疑的模型

下面的四个方程是一个紧凑的解析模型，并非对所有引用论文进行联合拟合。其解释如下。净信息密度结合了原始符号密度、码率rc和有效载荷比例fp；分子副本还会增加另一项物理分母。均值为lambda、相同且独立的泊松读段覆盖，给出了某条链未被任何读段观测到的概率。对于N个相互独立、均为必需且失效概率为p的数据块，完整恢复的可靠性由局部可靠性相乘得到。在理想擦除码示例中，n个单元各自独立地以概率d脱落，若其中至少有k个存留，则恢复成功；实际喷泉解码还具有额外结构。

观测目标是整文件恢复和档案净密度。该模型有意分离出一个便于分析的机制，目的是揭示哪些测量能够将该机制与替代机制区分开来。图中的参数值明确属于示意性输入。由这些数值生成的曲线是数学推论，而不是对未测量的生物学量或物理量的估计。

具有辨别力的验证设计

主要比较应检验能否利用独立保存的编码和元数据完成完整解码。独立重复的单位是独立制备的存储池；反复读取同一单位可以提高精密度，但不会形成独立重复。严格的验证应在选择阈值或拟合干扰因素校正之前，将新的存储历史和检索操作留作独立测试。尤其必须测量或约束分子覆盖度不均和相关性链丢失，或在敏感性分析中改变它们。应同时报告主要估计值及放宽该假设后的变化。只有在选用最有利的排除规则后才成功的模型，与按照预先锁定规则评估的模型，回答的是不同问题。

数值分析实例

当泊松平均覆盖度lambda = 5时，理想链脱落概率约为0.00674；当均值为十时，约为0.0000454。对于10,000个相互独立且均为必需的数据块，若每块失效概率为百万分之一，则完整恢复概率约为0.99005。图中将覆盖度与档案规模分开考察。这些图既不估计所存储DNA的寿命，也不复现所引用的编码实验。

这些计算可通过配套Python文件及其参数表重建。坐标轴标签保留模型的单位，图注则区分发生变化的量与保持固定的量。选择这些数值示例是为了揭示依赖关系，而非复刻已发表图表的外观。一种有用的独立核查方法，是先评估一个极限情形，再不借助绘图代码重新计算一个中间点。结果一致可验证已声明模型内的算术正确性，但不能确立自然界遵循该模型。

证据、迁移与后续工作

结论的适用范围受分子覆盖度不均和相关性链丢失的限制。迁移至新的存储历史和检索操作，需要超出拟合原始观测的证据。未来的重复研究应保留原始测量、校准记录、排除记录，以及将每项结果与对应分析连接起来的机器可读链接。下方证据表标明了每项入选一手研究的贡献。该比较是有明确侧重的叙述性综合，而非系统综述，也不声称已考察所有后续证据。本稿未实施所提出的研究。其价值在于，阴性结果将约束一种明确的解释，而不仅仅是降低基准评分。

明确声明的解析模型

四个方程，明确的假设

\rho_{net}=\rho_{raw}r_c f_p

(1) 净信息密度结合了原始符号密度、码率rc和有效载荷比例fp；分子副本还会增加另一项物理分母。

P(\mathrm{dropout})=e^{-\lambda}

(2) 均值为lambda、相同且独立的泊松读段覆盖，给出了某条链未被任何读段观测到的概率。

P(\mathrm{all\ recovered})=(1-p)^N

(3) 对于N个相互独立、均为必需且失效概率为p的数据块，完整恢复的可靠性由局部可靠性相乘得到。

P(K\geq k)=\sum_{j=k}^{n}\binom{n}{j}(1-d)^j d^{n-j}

(4) 在理想擦除码示例中，n个单元各自独立地以概率d脱落，若其中至少有k个存留，则恢复成功；实际喷泉解码还具有额外结构。

构造示例 · 可复现数据

检视定量论证

这些曲线根据已声明的模型计算而得，并非来自所引研究的观测。每张图均附有数值数据和矢量版本。

平均覆盖度下仍存在脱落尾部。泊松模型给出的脱落概率为exp(-lambda)。链丰度不均、合成偏倚和相关性错误可能产生更重的尾部。 — **图1。平均覆盖度下仍存在脱落尾部。** 泊松模型给出的脱落概率为exp(-lambda)。链丰度不均、合成偏倚和相关性错误可能产生更重的尾部。

微小的链失效率会在整个档案中累积。该计算假设每条链都是必需的，且解码后的失效相互独立。擦除码和相关性失效会改变档案层面的恢复模型。 — **图2。微小的链失效率会在整个档案中累积。** 该计算假设每条链都是必需的，且解码后的失效相互独立。擦除码和相关性失效会改变档案层面的恢复模型。

哪些证据回答哪些问题？

证据或设计选择	所能确定的内容	尚未解决的问题
来源1	早期实验将数字信息编码进DNA，并从中恢复了这些信息。	一次演示不能确定档案层面的所有成本或寿命。
来源2	一种存储架构处理了编码和实际恢复问题。	长期访问取决于操作处理、冗余和元数据。
来源3	DNA Fountain提高了编码效率和稳健性。	实际信道偏倚和解码条件仍然重要。
主要观测量	整文件恢复和档案净密度	分子覆盖度不均和相关性链丢失
独立检验	利用独立保存的编码和元数据完成完整解码	需要新的测量
迁移检验集	新的存储历史和检索操作	未经所构造的数值示例验证

拟议的验证方案

这是一项拟议的评估设计。本稿未开展任何新的生物实验、临床试验或物理实验。

在拟合之前明确整文件恢复和档案净密度。
为每个独立制备的存储池保留独立标识符。
将新的存储历史和检索操作与模型开发分离。
测量分子覆盖度不均和相关性链丢失，或界定其范围。
记录单位、校准和观测算子。
将主要模型与明确指明的竞争性解释进行比较。
预先规定检验内容：利用独立保存的编码和元数据完成完整解码。
归档原始数据、排除记录、参数文件和可执行分析。

一手来源确立了什么

George M. Church, Yuan Gao, Sriram Kosuri · 2012 [1]

贡献。 早期实验将数字信息编码进DNA，并从中恢复了这些信息。

边界。 一次演示不能确定档案层面的所有成本或寿命。

来源定位。 摘要／一手来源中的选定章节；参见链接的书目记录。

Nick Goldman, Paul Bertone, Siyuan Chen et al. · 2013 [2]

贡献。 一种存储架构处理了编码和实际恢复问题。

边界。 长期访问取决于操作处理、冗余和元数据。

来源定位。 摘要／一手来源中的选定章节；参见链接的书目记录。

Yaniv Erlich, Dina Zielinski · 2017 [3]

贡献。 DNA Fountain提高了编码效率和稳健性。

边界。 实际信道偏倚和解码条件仍然重要。

来源定位。 摘要／一手来源中的选定章节；参见链接的书目记录。

本分析的局限

一次演示不能确定档案层面的所有成本或寿命。
长期访问取决于操作处理、冗余和元数据。
实际信道偏倚和解码条件仍然重要。
配套图表是构造的解析示例，而非新的实验结果。
本综述尚未证明其可迁移至新的存储历史和检索操作。

这是对所列一手研究的聚焦叙述性分析，并非系统性文献检索，也不声称全面覆盖截至2026的文献。

可能改变结论的问题

覆盖度异质性如何改变冗余需求？
反复选择性检索后，哪些错误占主导地位？
数十年后进行独立解码需要哪些元数据？

参考文献

George M. Church, Yuan Gao, Sriram Kosuri. Next-Generation Digital Information Storage in DNA. Science (2012). 10.1126/science.1226355.
Nick Goldman, Paul Bertone, Siyuan Chen et al.. Towards practical, high-capacity, low-maintenance information storage in synthesized DNA. Nature (2013). 10.1038/nature11875.
Yaniv Erlich, Dina Zielinski. DNA Fountain enables a robust and efficient storage architecture. Science (2017). 10.1126/science.aaj2038.

书目身份信息已与Crossref核对。解释依据可获取的一手记录、摘要和选定文本；对全文及补充方法的覆盖并不详尽。

作者与来源

基于来源的研究综述及原创数学分析由Codex（AI）撰写。所引用的实验归属于相应研究团队。

概念封面使用内置ImageGen工具创建。定量图表是明确构造的分析，附有代码和数值数据，并非所引用论文中的测量结果。

此本地草稿没有独立同行评审或期刊接收记录。

[ef-36-1] George M. Church, Yuan Gao, Sriram Kosuri. Next-Generation Digital Information Storage in DNA. Science (2012). 10.1126/science.1226355.

[ef-36-2] Nick Goldman, Paul Bertone, Siyuan Chen et al.. Towards practical, high-capacity, low-maintenance information storage in synthesized DNA. Nature (2013). 10.1038/nature11875.

[ef-36-3] Yaniv Erlich, Dina Zielinski. DNA Fountain enables a robust and efficient storage architecture. Science (2017). 10.1126/science.aaj2038.