综述：DNA数据存储：生物算法集成、性能-成本权衡及可扩展架构的未来方向

数字数据生产的指数级增长正推动传统存储技术在容量、耐久性和能源效率方面达到关键的不足阈值。在此背景下，凭借高信息密度和生化稳定性而著称的基于脱氧核糖核酸（DNA）的数据存储系统成为一种战略性的替代方案。本综述研究从跨学科视角系统地阐述了基于DNA的存储技术，并全面评估了生物技术与计算机科学之间的集成关系。鉴于现有文献中的碎片化现象，本文分析了生化约束与计算优化模型之间的“生物-算法交互”，将其视为决定系统性能的主要因素。研究详细探讨了DNA合成、聚合酶链式反应（PCR）和基于CRISPR的访问机制，以及纠错、编码和数据安全策略。特别地，本文考察了生化噪声对系统不确定性的影响，并讨论了基于固定长度假设的传统加密方案中由合成错误引起的结构畸变。在此背景下，强调了在硬件约束与软件智能之间取得平衡的“设备感知”算法框架的重要性。通过分析当前文献的差距和技术障碍，提出了该领域的未来研究展望。结果表明，为了实现该技术向工业规模的扩展，有必要集成元启发式优化与生物分子修复架构的混合结构，并建立国际标准。

数字数据生成的速率近年来呈指数级增长，超过了固态驱动器（SSD）和硬盘驱动器（HDD）等传统存储技术的增长速度，导致能源消耗增加、数据安全隐患以及长期归档成本上升。基于DNA的数据存储系统因具有高数据密度、低能耗和长期稳定性，被视为一种具有潜力的信息存储新范式。然而，DNA合成和测序过程中的成本、错误及效率限制使其难以成为可扩展的存储解决方案。生化错误需要概率性和序列特异性建模，且读取和检索过程依赖测序基础设施，从而引入了访问延迟、成本及实验复杂性等方面的约束。为克服这些挑战，计算机科学通过多层算法（如信道编码、适应性纠错、基于内容的压缩及加密协议设计）贡献力量，以增强数据完整性并提高读写效率。本研究旨在深入探索基于DNA的数据存储潜力，解决生物技术与计算机科学之间的交互问题，填补现有文献缺口。研究主要贡献包括：系统阐述用于DNA数据存储的生物载体及合成生物学工具；从计算机科学角度比较分析数据编码、加密、纠错及信息密度；识别文献缺口并提供多学科研究建议；数学化证明基于DNA存储的性能与成本关系；提出针对生物过程的计算优化方案；以及评估人工智能方法在建模生化约束及提高性能方面的作用。

通过对64篇科学出版物的系统审查，发现该领域的学术生产集中在国际知名高影响力期刊，其中IEEE、Springer Nature和MDPI等出版社占主导地位。在四分级分类中，53.1%的研究属于Q1区，表明研究质量较高。时间分布显示，2020年至2022年是编码算法、纠错方案和元启发式优化方法多样化的繁荣期，2023年后研究加速，表明技术成熟度提高及研究兴趣持续扩展。该领域已从单一生物学或计算机科学视角，演变为整合计算、生化及工程视角的成熟且不断发展的跨学科领域。

基于DNA的数据存储系统凭借其高数据密度、低能耗和长期稳定性，成为传统数字存储的有效替代方案。本节从跨学科角度探讨其生物基础与计算机科学的集成。

### 3.1 Biology
DNA分子由两条多核苷酸链和四种核苷酸（腺嘌呤A、胞嘧啶C、鸟嘌呤G、胸腺嘧啶T）组成，通过糖磷酸骨架共价连接，互补碱基对通过氢键结合形成双螺旋结构。这种四字母结构理论上提供每核苷酸2位的信息容量，但碱基配对的化学对称性导致GC与AT对之间存在热力学稳定性差异，限制了编码算法将GC含量维持在40–60%范围内，从而降低了实际容量。

#### 3.1.1 DNA Sentezi
DNA合成是生产新DNA分子的过程。自然界的DNA合成依赖DNA聚合酶，而现代生物技术通过化学或酶法在体外进行。化学合成主要用于短序列（寡核苷酸），错误率约为1/200核苷酸，且存在取代、插入和缺失（indel）错误。Indel错误改变序列长度，导致移码效应，对基于固定长度假设的编码和加密方案构成巨大威胁。聚合酶链式反应（PCR）通过变性、退火和延伸三个阶段的循环，实现DNA的指数级扩增，为数据检索提供优势，但也可能因扩增偏差导致熵损失和随机访问可靠性下降。CRISPR系统作为自适应免疫机制，被评估为选择性访问、编辑和验证数据的生物分子工具，但其引导RNA设计的计算复杂性和脱靶效应限制了其在大规模数据访问中的可扩展性。

#### 3.1.2 Biological Carriers for DNA-Based Data Storage
生物载体包括质粒、细菌等。质粒（如pBluescript）因拷贝数高、遗传稳定性好而被广泛使用，在-20°C下可稳定存储约20年。大肠杆菌（Escherichia coli）因其成熟的遗传系统和快速生长率，常被用作生物底盘，通过CRISPR-Cas辅助的同源重组将合成DNA整合到基因组中。Halomonas bluephagenesis作为一种极端嗜盐菌，因其耐污染和适应性，也被用作便携式发酵系统中的可靠存储介质。

### 3.2 Computer
计算机科学通过数据优化、纠错算法和密码学机制，增强基于DNA的存储系统的可靠性和可扩展性。

#### 3.2.1 Encryption
DNA加密方法主要分为基于DNA编码的方法和基于生物机制辅助的方案。早期方法如LSBase利用同义密码子嵌入信息，但容量有限。混合方案如DAES结合了LSBase的生物完整性和AES级的密码学安全性，显著提高了抗暴力破解能力。Playfair-DNA通过扩展码子矩阵增强抵抗频率分析攻击的能力。Toffoli量子门启发的方法利用逻辑变换提高嵌入效率，而Quad-Fid算法则通过多维密钥矩阵增强数据保密性。CRISPR-Cas12a辅助的DNA隐写术（CADS）通过生化访问控制机制确保数据隐私，但受限于引物验证，数据嵌入容量较低。XOR-based隐写术提高了嵌入容量，但可能影响生物一致性。超混沌系统与DNA算术的结合提供了高随机性和大密钥空间，但参数敏感性和计算开销是其主要局限。MLAESDNA方法将AES区块密码结构与DNA变换层集成，用于安全的心电信号传输，但多密钥管理复杂。物理可寻址方法如基于二维码的DNA读写系统提供了随机访问能力，但合成步骤多且容量有限。总体而言，现有加密方法在模拟环境中表现良好，但面对真实的生化通道误差分布（特别是nanopore测序中的高indel错误率），其鲁棒性受到严峻挑战。Indel错误会导致同步丢失，造成灾难性的数据丢失，因此纠错必须优先考虑防止indel。

#### 3.2.2 Information Density
DNA的物理密度理论上限为每克455艾字节（EB/g），但受生化约束限制，实际净信息密度约为1.83位/核苷酸（bit/nt）。BO-DNA和DNA Fountain通过Luby Transform（LT）编码和生物化学筛选，实现了1.57 bit/nt的密度，达到香农容量的86%。MOPE算法结合改进的藤壶交配优化（MBMO）算法和非有效负载编码，实现了1.90 bit/nt的高密度，接近理论极限2 bit/nt，但严格约束降低了序列多样性。2DDNA方法在核苷酸序列和DNA骨干拓扑层面编码，原始密度可达3.73 bit/nt，但量化后有效密度降至1.40 bit/nt，且引物寻址引入了27%的结构开销。扩展分子字母表可增加密度，但合成碱基的低可靠性读取引入了密度与保真度的权衡。

#### 3.2.3 Data Archiving
长期归档要求高耐久性。EDS系统通过分块策略和基于规则的十二进制转码，提高了MRI数据的归档效率。组合短码编码（CSE）利用组合字母表提高逻辑密度。复合DNA字母（CDL）通过混合碱基组合减少合成周期，提高逻辑密度24%，但合成碱基在酶促反应中的不稳定性带来了读取保真度风险。热控PCR方法通过微胶囊条形码和物理索引协议，减少了多重PCR中的扩增偏差，提高了访问可靠性，但工业规模的可扩展性仍受限制。

#### 3.2.4 Data Security
DNA存储中的可靠性倾斜（reliability skew）问题通过Gini和DnaMapper方法解决，前者对角分布纠错码以平衡错误密度，后者根据数据敏感性映射到不同稳定性区域。随机表生成和分段隐写算法通过动态修改ASCII表和两层编码表，提高了不可预测性。重新设计的基于4x4矩阵的DNA Playfair算法提高了隐藏容量和数据安全性，但增加了计算开销。Prime Editing（PE）方法无需双链断裂，降低了突变风险，提高了数据完整性，但在大规模操作中效率有限。基于键值存储和PCR随机访问的架构通过异或（XOR）纠错机制提高了数据完整性和可访问性。总体而言，DNA数据安全正朝着整合辐射物理和误差相关模型的多元化范式演进。

#### 3.2.5 Metaheuristic Optimization in DNA Encoding
元启发式算法用于在GC含量、同聚物限制等生化约束下优化核苷酸序列。IAOA、NOL-HHO、CLGBO、ROEAO和MFOS等算法通过优化核苷酸分布、降低二级结构形成和提高熔解温度稳定性，提高了编码下限。TC-HUR混合元启发式算法通过结合Cauchy分布增强的全局探索和Runge-Kutta基于的局部精炼，实现了高效优化。然而，这些方法的高计算成本导致处理速度从MB/s降至KB/s，可能在大规模数据集中写入瓶颈。优化问题通常表述为最小化包含GC含量、同聚物、汉明距离和熔解温度的复合惩罚函数。

#### 3.2.6 Algorithmic Robustness: Data Reconstruction and Signal Recovery
数据重建策略管理测序引起的错误、序列丢失和片段化。DVOUG基于de Bruijn图框架，ReLume整合流网络建模与图分区，DSPS通过概率滤波和纠错技术最小化碱基错误。这些多层面管道集成了图论、序列组装算法和信号处理方法，实现了高精度的数据恢复。

### 3.3 Beyond the Natural Alphabet: Unnatural Base Pairs (UBP) and Extended Nucleic Acid Memory (EXNAM)
非天然碱基对（UBP）和扩展核酸记忆（EXNAM）通过扩展遗传字母表增加信息存储容量。Cipher Constrained Encoding（CCE）方案利用Vigenère和Vernam密码算法，实现了接近2.999 bit/nt的性能。DDS-5mC系统引入5-甲基胞嘧啶（5mC），将信息密度提高至2.32 bit/base，但引入了更高的技术要求和更高的总体错误率。数字核酸记忆（dNAM）利用DNA折纸纳米结构的空间位置编码数据，提高了结构精度和存储效率，但读写速度和可扩展性仍是挑战。

### 3.4 System-Level Perspectives: Random Access and Cold Storage Scenarios
DNA存储最适合长期归档的“冷存储”场景，其中数据访问不频繁但 preservation 至关重要。随机访问机制如PCR基于、基于索引的和混合方法，在准确性、速度、成本和可扩展性之间存在权衡。系统性能评估需综合考虑访问延迟、读写成本、误差容限和生化稳定性。

### 3.5 Computational Intelligence in DNA Data Storage: Encoding, Error Control, and Retrieval
人工智能方法的集成改变了编码、纠错和数据重建过程。FedDNA结合联邦学习和深层证据学习，提供了分布式且感知不确定性的DNA序列重建框架。RSRL方法将Reed-Solomon纠错与图神经网络集成，实现了100%无损数据恢复。Levenshtein距离嵌入通过Siamese神经网络降低计算复杂度。扰动基离散化方法通过引入受控突变编码数据。SemAI方法仅将语义内容编码到DNA中，提高了容错率但具有有损性质。强化学习启发的DNA编码方法通过Transformer自编码器优化生物约束。BiLSTM-Transformer混合架构预测DNA序列的自由能以预防错误。MACL模型整合多尺度注意力机制和对比学习，提高了高错误率条件下的重建精度。DNACSE利用基因组大型语言模型（LLMs）和对比学习实现高保真DNA条形码识别。

### 4 Discussion
DNA数据存储系统面临合成和测序成本高、生化不稳定和访问延迟等运营障碍，限制了其商业化和工业化规模部署。元启发式优化策略和先进的纠错模型对于弥补硬件约束至关重要。合成成本高昂，促使通过智能算法解决方案进行补偿。组合字母表的采用减少了合成周期并提高了成本效率。长期数据保留面临脱氨基、脱嘌呤和热噪声等化学降解过程的挑战。PCR扩增偏差导致熵损失，需要适应性纠错机制和基于深度学习信号处理架构。加密方案对indel突变高度敏感，需优先进行纠错再加密。现有加密方案多在模拟环境中评估，缺乏真实测序数据的验证。加密和纠错机制应作为统一系统的集成组件设计。未来研究方向包括元启发式搜索与生物技术修复机制的混合架构、国际标准化以及设备感知的算法框架。

### 4.1 Quantitative Performance-Cost Analysis
性能-成本权衡通过单位数据估计合成成本（C_unit）公式化，显示合成成本与逻辑密度成反比，与冗余比成正比。元启发式优化通过提高生物物理稳定性补偿理论损失。传统纠错技术吞吐量高，而约束感知模型吞吐量低，可能引起写入瓶颈。寻址和引物引入的操作开销减少了净存储容量。先进编码方案通过复合字母和混合突变策略实现了合成周期的定量节约。加密算法增加计算开销，确立了能源效率与访问延迟之间的负相关关系。性能-成本均衡不仅依赖于降低合成成本，还依赖于最小化寻址开销和优化纠错冗余。

### 4.2 Paradigm Shift and Strategic Future Directions
DNA数据存储研究已从单纯容量增强演变为以操作可持续性、误差韧性和硬件-软件协同设计为中心的新范式。生化不稳定性，特别是nanopore测序中的高indel错误率，对数字编码层具有破坏性影响。文献正从经典确定性误差模型转向适应性纠错系统和深度学习信号处理架构。深度学习机制的广泛采用主要障碍在于其在异质实验室环境中的泛化能力。迁移学习和领域适应框架成为解决此瓶颈的关键。元启发式优化不仅用于提高编码效率，还用于设计最小化合成成本的组合字母表。未来研究应转向直接整合合成和测序设备特定误差特征的“设备感知”算法框架。混合架构结合元启发式方法与确定性方法的速度优势，将有助于缓解大规模数据集的写入瓶颈。标准化进程对于商业化至关重要。

### 5 Conclusion and Future Works
基于DNA的数据存储系统因其高信息密度、长期化学稳定性和最小能耗，成为传统存储技术的强力替代方案。该领域已从实验性高数据密度方法演变为涉及多层优化问题的复杂工程领域。元启发式优化算法在编码水平上实现了高质量和抗误差序列的生成，但高计算成本导致写入瓶颈。非天然碱基对和EXNAM代表增加存储容量的激进范式转变，但可扩展性仍受生化稳定性和误差率限制。在系统层面，DNA存储最适合“冷存储”，随机访问机制仍在发展中。未来研究应关注优化编码、深度学习辅助信号处理和重建、多层网络生物安全、工业可扩展性和标准化，以及设备感知混合优化和迁移学习方法。这种多学科方法表明，DNA数据存储正从实验概念演变为其现实世界数据基础设施的可行组成部分。