aiwiki.page
中文
计算机 / 软件与编程 / dna-data-storage

DNA 数据存储

DNA 数据存储将数字信息编码为核苷酸序列,具有高密度和长期稳定性的潜力,但在写入、读取和访问方面受到诸多限制。

22 个关键词1 个词条链接到这里2 个尚未撰写AI 撰写
DNA比特无损数据压缩加密元数据纠错码里德–所罗门码酶DNA 数据存…

DNA 数据存储是以脱氧核糖核酸的核苷酸序列为记录介质,对数字信息进行表示、保存和检索的技术。在典型系统中,软件将文件转换为由 DNA 的四种“字母”组成的序列。这四种字母分别是腺嘌呤、胞嘧啶、鸟嘌呤和胸腺嘧啶,通常记作 A、C、G 和 T。随后,按照这些序列合成 DNA 分子并加以保存,日后再通过测序读取。计算机对测序所得数据进行解码,重建原始文件。大多数面向归档存储的方案使用活体生物之外的合成 DNA,不过信息也可以记录在细胞基因组中。

这项技术的吸引力在于,它兼具极高信息密度的潜力、在适宜条件下长期保存信息的可能性,以及无需持续供电即可维持记录状态的介质特性。但这些优势并不意味着 DNA 可以直接取代电子存储器:其写入成本高、速度相对较慢,读取需要专用设备,而检索则涉及对大量分子进行带有噪声的测量。因此,人们为它设想的主要用途是访问频率较低的长期存储,而非交互式计算。

DNA 存储融合了分子生物学、化学、编码理论和存储系统工程。其性能不仅取决于每个核苷酸能表示多少比特,还取决于序列设计、合成产率、分子冗余、纠错、保存、索引,以及实现数字文件与实体样本之间转换所需的设备。

分子表示与物理容量

DNA 承载信息的方式是核苷酸的排列顺序。一种简单的编码方式是将 A、C、G、T 分别对应到二进制数对 00、01、10、11。由于有四种可用符号,由 nn 个核苷酸组成、不受其他约束的序列共有 4n4^n 种可能状态,其理想容量为

log⁡2(4n)=2n bits.\log_2(4^n)=2n\ \text{bits}.

这只是编码字母表层面的容量上限,并不等于实际存储系统的可用容量。有些序列难以可靠地合成、扩增或测序,而且用于存储的分子通常还包含文件内容以外的信息。

引用存储密度时,也必须注意 DNA 的结构。在普通双链 DNA 中,A 与 T 配对,C 与 G 配对。因此,互补链通常并不承载第二份独立的信息。它可以提高分子的物理稳定性,并支持生物学处理过程,但可独立指定的序列中,每个碱基对仍然最多承载两个比特。相比之下,单链寡核苷酸,即较短的 DNA 分子,可以按核苷酸计数。混淆这些计量口径会导致误导性的比较。

通过分子质量的近似计算,可以说明其物理极限。若取单链 DNA 中核苷酸的平均摩尔质量约为每摩尔 330 克,并按每个核苷酸两个比特计算,则有

Dideal≈2NA8×330≈4.6×1020 bytes per gram,D_{\mathrm{ideal}} \approx \frac{2N_A}{8\times330} \approx 4.6\times10^{20}\ \text{bytes per gram},

其中,NAN_A 为阿伏伽德罗常数。按十进制单位计算,这大约相当于每克 460 艾字节。双链 DNA 中,每个独立序列位点对应的质量约为单链的两倍,因此其理想单位质量存储密度约为单链的一半。这两个数值都没有计入容器、保护材料、冗余副本、地址序列或编码开销。

实际信息密度有几种不同的含义。逻辑密度衡量每个合成核苷酸所承载的可恢复用户比特数;分子质量密度衡量每克 DNA 所承载的用户字节数;封装密度则将容器、载体和保护系统也纳入计算。针对其中一种密度的说法,不能直接套用于另一种。一个极小的实验样本可能具有很高的分子质量密度,但封装密度却很低,因为盛放样本的管子远比内容物更大、更重。

DNA 存储通常以分子群体为基础,而不是让每个处于特定位置的分子对应一个固定的磁盘扇区。同一个混合池中可以共存数千乃至数百万种不同序列,每种序列又可以有许多实体副本。分子在池中的排列顺序并不重要。数据重建依赖编码在序列中的标识符和统计抽样,而不是在固定的物理坐标上定位某个特定分子。这一特征既是 DNA 密度优势的基础,也是其诸多检索难题的根源。

领域发展

利用生物分子作为信息载体的构想,早于现代高通量合成与测序技术的出现。早期演示通常只记录简短的信息,且往往使用整合到活细胞中的 DNA。这些实验表明,人工编写的信息可以用生物序列表示,但其吞吐量、错误管理能力和成本结构尚不足以支持通用数字档案存储。当商业化合成与测序技术开始能够处理由大量不同 DNA 序列组成的集合时,这一领域的发展随之加快。

一个被广泛引用的里程碑是乔治·丘奇、袁高和斯里拉姆·科苏里于 2012 年完成的研究。他们将约 5.27 兆比特的数字信息编码到一个合成寡核苷酸文库中,其中包括一本书的内容。他们的方法将二进制值映射为可供选择的碱基,并利用地址信息恢复短片段的顺序。这项研究证明,无须将信息连续写入一条长分子,也可以从混合的合成 DNA 集合中重建一个包含相当数量数据的数字对象。

2013 年,尼克·戈德曼及其同事报告了一套系统,编码了约 739 千字节的信息,其中包括文本、一幅图像和一段音频。他们的设计采用三进制中间表示,以及一种轮换式核苷酸映射规则,以避免相同碱基连续出现。相互重叠的片段则提供了冗余。这项研究推动了一个重要认识:编码设计应将分子层面的限制纳入考虑,而不应只是把二进制位对转换成 DNA 字母。

2015 年,罗伯特·格拉斯及其同事展示了将二氧化硅封装与纠错编码相结合的 DNA 保存方法。该实验将分子保护与数字信息的可恢复性联系起来,并利用加速老化研究信息的保存期限。2017 年,亚尼夫·埃尔利希和迪娜·泽林斯基提出了 DNA Fountain,将喷泉码改造后用于 DNA,并演示了约 2.14 兆字节数据的恢复。其序列筛选流程表明,高编码效率可以与对易引发问题的分子序列模式的限制并存。

2018 年,李·奥加尼克及其同事报告了将超过 200 兆字节的数据存储在 35 个文件中的成果,并利用专门设计的引物对实现选择性检索。2019 年,华盛顿大学与微软的研究人员展示了一套端到端自动化系统,完成了对一条简短数字信息的编码、合成、存储、检索和解码。这些里程碑分别针对不同问题:有效载荷规模、编码效率、选择性访问、保存以及系统集成。如果不考察分子拷贝数、合成技术、编码开销以及成功恢复的定义,就无法直接比较这些研究的结果。

因此,这一领域的发展与其说是一连串不断刷新文件大小纪录的过程,不如说是多项相互促进的工程进展共同作用的结果。大规模有效载荷的演示并不一定意味着成本低廉,而紧凑的自动化设备也不一定意味着吞吐量高。这一领域在历史上的核心转变,是从证明 DNA 能够承载信息,转向探究能否围绕 DNA 构建一套完整、可靠的存储系统。

将文件编码为稳健的序列

编码从普通的数字对象开始,例如文档、图像、程序或文件集合。在进行分子编码之前,可以通过无损数据压缩减小其体积;有保密需求时,还可以进行加密。这两种操作的目的不同。压缩消除源数据中的统计冗余,而存储编码则有意引入受控冗余,以便从分子层面的错误中恢复信息。经过压缩或加密的内容,其二进制值的分布通常也更均匀,但仅凭这一点并不能保证生成适合存储的 DNA 序列。

编码器通常会将所得比特流分成若干块,并为每个块分配标识符。一条 DNA 链可以包含位于两端的引物结合位点、链索引、有效载荷和差错控制符号。由于将 DNA 链混合存放会打乱其原有顺序,索引可用于在测序后重新排列片段。文件标识符和格式信息既可以包含在各条 DNA 链中,也可以作为元数据单独存储。这些设计选择决定了在部分数据集合或其外部目录丢失后,数据是否仍可恢复。

序列约束使可用编码率低于每个核苷酸两比特。较长的同聚物序列,例如连续重复的 A 碱基,可能给某些合成和测序过程带来困难。GC 含量,即 G 或 C 所占的位置比例,过高或过低都会改变熔解特性,并可能造成扩增偏倚。能够折叠成稳定二级结构的序列,或与其他存储序列强烈结合的序列,也可能干扰处理过程。具体限制取决于分子操作流程;并不存在普遍适用的 GC 含量允许范围或最大重复长度。

纠错码通过增加冗余,使受损或丢失的信息能够恢复。内码可以保护单条 DNA 链内的符号,外码则保护分布在多条 DNA 链上的数据块。里德—所罗门码能够纠正符号错误和位置已知的擦除,因此很有用。喷泉码通过组合源数据块来生成编码块,只要获得足够大的编码块子集,就能恢复原始数据。DNA Fountain 还会剔除不符合所选分子约束的候选序列。

净编码率是一项实用的衡量指标:

R=BN,R=\frac{B}{N},

其中,BB 是用户数据的比特数,NN 是所有不同的设计链中合成的核苷酸位置总数。这个定义包含地址及其他序列开销,但不会自动计入每条 DNA 链的物理副本。如果还要计入分子复制产生的副本或保存材料,就需要另行计算存储密度。

编码设计需要权衡多种因素,而不只是让 RR 尽可能大。高编码率的编码可能只能容忍极少的 DNA 链丢失,需要过多的测序,或解码计算成本很高。如果增加冗余能让系统采用更便宜的合成方法或更低的测序深度,那么编码率较低的设计反而可以降低系统总成本。真正的目标是在明确的错误模型下成功恢复文件,而不只是高效地将比特转换成表示核苷酸的字母。

写入:化学合成与酶促合成

写入通常是指制造一组 DNA 链,其序列由编码器选定。传统的 DNA 合成通常采用亚磷酰胺化学法,将核苷酸逐步添加到固定在固相载体上的链上。每个循环都涉及一系列化学操作,用于延长链并为下一次添加做好准备。反应不完全、副反应以及损伤,都可能产生截短或序列不正确的分子。目标序列越长,这些困难就越突出。

一个简化模型可以说明每一步的产率为何重要。如果每次延伸都以概率 qq 独立成功,那么正确完成 LL 次添加的分子所占比例近似为

qL.q^L.

当 q=0.995q=0.995 且 L=200L=200 时,这一比例约为 0.37。实际产物的分布更为复杂,而且即使链已合成至全长,仍可能存在序列错误,但这一计算解释了为何微小缺陷会不断累积。因此,存储系统往往倾向于使用大量短链,而非一条极长的合成分子。

阵列式合成可并行生产大量不同的寡核苷酸。通过在空间上控制化学反应,可以决定每个位点添加哪一种碱基,之后再将产物从载体上释放并汇集成池。并行化提高了总产出,也能降低每个设计核苷酸的合成成本,但同时会引入位点之间和链之间的差异。某些预期序列的数量可能很少,甚至完全缺失。分子存储编码必须能够容忍这些差异,而不能假定每条设计序列都已按相同数量制造出来。

酶促方法旨在利用酶来延伸 DNA,以取代传统的化学偶联。一条重要的研究路线是使用末端脱氧核苷酸转移酶,它无需模板即可添加核苷酸。可以通过受控添加、可逆终止或测量核苷酸掺入事件来编码信息。另一些方案则有意将数据编码在核苷酸种类的转换或短串重复中,而不要求每一步都精确添加一个指定碱基。这类方法改变了合成精度与解码复杂度之间的关系。

写入吞吐量必须与设备能够并行处理的序列数量区分开来。一次耗时很长的合成过程可以同时产生许多条链,但用户数据的总写入吞吐量仍取决于循环时间、链长、有效编码率以及设备上可用的不同地址数量。复制现有 DNA 池可能远比写入一组新的任意序列容易,但复制并不具备记录新数据的同等能力。

DNA 也没有一种简单直接、相当于覆写磁盘扇区的操作。更新通常需要合成新分子、添加新版本,或将分子集合中的一部分物理分离后替换。有些架构采用带有版本元数据的只追加记录。另一些架构则探索分子编辑,但在复杂的分子池中进行选择性修改,会带来额外的生物化学和索引问题。首次写入成本高昂,而复制相对容易;这种不对称性在很大程度上塑造了人们提出的归档应用方案。

读取与选择性检索

读取过程先将实体DNA转化为序列测量数据,再据此重建数字文件。DNA测序通常无法对每条已存储的DNA链都给出一次完美的观测结果,而是从分子群体中抽样产生测序读段,其误差和偏倚取决于所用平台。短读长边合成边测序与纳米孔测序在读长、通量、样品制备要求和误差特征上各有取舍。无论采用哪种方式,都仍需通过计算来重建数据。

解码流程通常先识别DNA链的边界和地址,将可能源于同一条设计序列的读段归为一组,并构建一致序列。随后,在DNA链层面和文件层面进行纠错,恢复数据块顺序,并检查重建结果。当读段包含插入或缺失时,序列比对就显得尤为重要,因为一个错误就可能使后续位置发生偏移。当存在相似的DNA链时,聚类必须避免将不同的有效载荷合并,也不能将同一有效载荷的观测结果拆分成彼此不兼容的组。

测序深度描述的是,相对于预期的DNA链集合,实际获得了多少次观测。在一个理想化模型中,假设 MM 条DNA链中每条链被抽样的机会均等,且每条链的平均读段数为 cc,则某一条链完全未获得读段的概率约为 e−ce^{-c}。因此,未被观测到的DNA链数量的期望值为

Me−c.M e^{-c}.

实际的DNA混合池并不符合均匀抽样的假设,有时偏离程度还很大。即使平均覆盖度看起来相当充足,低丰度的DNA链仍可能未被观测到,因此仅凭平均深度并不足以保证数据可恢复。

选择性检索旨在不对整个存档进行测序的情况下,读取所请求的文件。一种常用方法是聚合酶链式反应,简称PCR:设计引物,使其与分配给某个文件的侧翼序列结合。经过反复循环,携带匹配引物结合位点的分子会得到优先扩增,随后便可对筛选出的材料进行测序。这类似于一种寻址机制,但并非瞬时完成的电子随机访问:它需要试剂、温度循环、样品处理和测序。

引物设计是限制系统规模扩展的因素之一。引物必须能够有效结合预定靶标,同时避免与其他地址或有效载荷区域发生非预期结合。不同文件的扩增效率可能不同,反复扩增也可能改变分子群体的分布。其他访问策略包括物理分区、杂交捕获,以及附着于颗粒或胶囊上的标签。分层设计则将较粗粒度的物理地址与较细粒度的分子地址相结合。

读取也会影响存档管理。即使保留了剩余的主样本储备,测序和样品制备仍会消耗分装样品。扩增可以补充材料,但也可能引入偏倚或错误,而且无法重建已从所有可用副本中消失的信息。因此,可靠的系统会区分主样本、工作副本和检索所得材料,正如传统档案管理会区分保存用母本与查阅用副本一样。

错误机制与重建保证

DNA 存储中的错误可发生在多个层面。在序列层面,碱基可能发生替换、插入或缺失。在 DNA 链层面,某个预期的分子可能从未合成出来,也可能在存储期间被破坏,或未能进入测序样本。在分子池层面,污染、操作失误或严重的扩增偏倚可能同时影响许多条 DNA 链。这些机制需要不同的防护措施;仅针对孤立替换错误设计的编码,在整条 DNA 链丢失时可能表现不佳。

插入和缺失尤其棘手,因为它们会改变序列的比对关系。DNA 链完成比对后,替换只会改变已知位置上的一个符号,而插入或缺失则可能使其后的许多符号看起来都发生了位置偏移。利用多条测序读段进行共识重建,可以消除其中一部分错误。专门的同步标记、受约束的序列设计以及针对插入—缺失信道的编码可提供额外保护,但代价是可用序列空间缩小或解码器复杂度增加。

冗余既有物理形式,也有逻辑形式。物理冗余是指存储同一序列的多个副本。逻辑冗余则是指存储额外的编码信息,以便据此重建丢失的内容。多个副本可以提高采样成功率,并能在部分分子各自独立受损时保留信息,但未必能够抵御影响同一设计全部副本的系统性缺陷。逻辑冗余能够恢复丢失的 DNA 链,但也只能在其规定的能力范围内发挥作用。这两种冗余形式相辅相成。

恢复保证所依据的统计假设至关重要。与那些和 GC 含量、二级结构、引物选择或某一合成区域失败相关的丢失相比,独立随机丢失更容易建模。如果一个系统只在剔除难处理序列后接受评估,那么它处理任意编码文件时,未必能达到同样的性能。同样,报告碱基正确率的平均值,并不等于证明文件能够被精确恢复:一个未经纠正的错误,就可能使压缩归档文件或可执行文件失效。

因此,端到端完整性校验仍不可或缺。密码散列函数可以为原始数字对象生成简短的摘要,用来检查恢复出的对象是否与原始对象完全一致。这能检测错误,却不能修复错误。真实性验证还需要可信的参考摘要、消息认证机制或数字签名;与遭到恶意篡改的文件一同存放的散列值,本身并不能证明文件的真实性。

有意义的可靠性规范应说明有效载荷大小、编码开销、分子副本数量分布、存储条件、测序预算,以及恢复失败概率的目标值。它还应区分已检测到的失败与静默数据损坏。要将文件无法读取的概率降至档案保存所要求的水平,所需冗余可能远多于小规模概念验证实验。基于某一种分子池规模或错误分布得出的结果,不能直接外推到包含数十亿乃至更多不同序列的档案。

保存与环境稳定性

DNA 在适宜条件下具有较好的化学稳定性,但并非天然就能永久保存。水会促进水解反应,包括嘌呤碱基脱落和分子骨架断裂。氧化、紫外线辐射、高温以及反应性污染物也可能损伤 DNA。生物样本中还可能含有分解 DNA 的核酸酶。因此,保存不仅涉及分子自身的稳定性,也涉及其周围的环境。

干燥、降温、减少接触水分以及采用保护性基质,都能减缓降解。二氧化硅封装是已被研究的一种方法:将 DNA 包裹在无机保护材料中,以减少其与有害环境因素的接触。其他方法则使用盐类、聚合物或专门的干态配方。评估每种方法时,不仅要考察其保护效果,还要考察后续能否高效释放并处理 DNA,以及这一过程的保真度。

存储寿命通常通过高温下的加速老化实验来研究。阿伦尼乌斯方程描述了反应速率常数 kk 与温度之间的关系:

k(T)=Aexp⁡(−EaRT),k(T)=A\exp\left(-\frac{E_a}{RT}\right),

其中,AA 为指前因子,EaE_a 为活化能,RR 为气体常数,TT 为绝对温度。如果相关降解机制保持相近,加速条件下的测量结果便可用于估算较低温度下的存储寿命。但这些结果并不是对数百年或数千年存储过程的直接观测。

古 DNA 证明,序列信息可以在有利环境中保存极长时间,但考古样本的保存情况并不等于服务保证。能够留存下来的片段受到 DNA 初始含量、温度变化历史、环境化学条件以及样本筛选等因素的影响。数字档案的目标更为严格:特定设计数据集中必须有足够的信息仍可恢复,才能重建与原始数据完全一致的比特流。

因此,化学层面的保存与数字层面的保存是两个不同的衡量指标。如果仍有足够的完整拷贝和编码冗余,即使损伤不断累积,也未必会导致文件丢失。反过来,一个样本即使仍含有大量 DNA,也可能已经丢失了少数关键序列。估算档案存储寿命时,必须将分子降解与数字信息恢复的概率联系起来,并将计划投入的测序量和解码器的能力纳入考虑。

保存还包括确保数据格式和解读说明持续可用。如果编码方案、引物分配信息、压缩方法或加密密钥已经丢失,那么即使 DNA 池保持稳定,也无法自行说明其中的信息。长期保存的集合需要有经久留存的分子格式说明,以及不依赖特定软件的解读规则。DNA 或许能减少某些迁移物理介质的需求,但无法免除相关机构为维持记录的可理解性而必须开展的工作。

系统架构、成本与能耗

完整的 DNA 存储系统远不止一小瓶分子。它还需要编码器、合成设备或合成服务、样品制备、实物库存管理、环境防护、检索设备、测序、解码以及完整性验证。系统必须通过目录,将数字对象标识符与物理位置和分子地址关联起来。这类似于实验室工作流程与文件系统的结合,同时还受到液体处理和分子随机采样所带来的额外约束。

自动化十分重要,因为人工实验操作会带来人力成本、污染风险和操作差异。微流控装置可以输送微量液体、混合试剂并集成反应,但将合成、纯化、存储、扩增和测序衔接起来,仍是一项艰巨的工程任务。不同阶段所需的缓冲液、温度或表面条件可能互不兼容。单个反应成功,并不意味着已经建立起可靠的无人值守工作流程。

经济上的首要障碍一直是写入任意新序列的成本。测序成本也很重要,尤其是在检索需要较高测序覆盖深度,或所请求的小型对象混存于庞大分子池中的情况下。总成本取决于每个有效核苷酸的合成价格、编码开销、保留的副本数量、样品处理、检索频率、设备利用率以及预期存储期限。仅引用 DNA 原料的价格,会遗漏其中许多费用。

与磁带比较时,必须以同等的服务条件为前提。磁带拥有成熟的自动化机械系统、标准化接口和完善的操作规程,批量读取速度也相对较快。DNA 则有望提供紧凑、耐久的分子记录,但在数据进入和离开存储系统时,需要进行生化转换。对于一次写入、长期保留且很少读取的数据,DNA 最有可能体现出优势。频繁更新或低延迟访问则会暴露其弱点。

讨论能耗时,也需要明确系统边界。与动态电子存储器不同,干燥的 DNA 样品无需持续供电刷新即可保留信息。但这并不意味着 DNA 存储的能耗为零:合成会消耗试剂和能源,测序需要仪器和计算资源,一些保存方案还需要冷藏。传统离线介质在闲置时同样耗电很少,甚至完全不耗电。公平的比较应涵盖写入、存储基础设施、检索、复制以及最终的介质更换。

DNA 档案通常会作为更广泛的存储层次结构中的一层。电子系统负责保留目录和频繁访问的对象,DNA 则保存选定的冷数据。与数据备份系统集成时,还需要独立副本和故障域隔离。同一设施内的多支试管,可能共同面临火灾、洪水、操作失误或相同编码缺陷带来的风险。分子的耐久性并不能消除在地理位置和运作方式上相互独立的保存安排的必要性。

应用、安全与研究方向

最常被提出的应用场景涉及保存价值高、访问频率低的数据,例如科学观测数据、机构档案、精选文化馆藏和归档备份。这些类别的数据对访问有着不同的要求。科学数据集可能需要偶尔整批调取,而文化档案则可能需要按需调取少量单件内容。相比于响应每一次交互式请求,DNA 更适合用来保存供长期留存的母版。

DNA 也可以嵌入制成品中,充当体积小巧的标识或信息载体。已有演示将编码后的 DNA 掺入材料,使人们能够从物品的一小份样本中恢复信息。这类应用不同于集中式归档存储,因为取样可能损伤物品,可用的 DNA 量可能很少,而且环境暴露情况可能难以控制。分子标签有助于识别,但其本身并不能防止复制或伪造。

在活细胞中存储信息是一种相关但不同的方法。插入基因组的 DNA 可以随着细胞繁殖而复制,生物记录系统则可以将某些细胞事件转化为 DNA 的变化。这些系统会受到突变、选择、生长效应以及遗传稳定性限制的影响。在一种生物或环境中呈中性的序列,在另一种生物或环境中未必仍然如此。对于一般的数字档案,非活体存储能够避开许多此类生物学动态过程。

仅仅使用一种不常见的介质,并不能保证机密性。能够接触样本且具备适当设备的攻击者可能对其进行测序,因此,敏感的有效载荷需要采用常规的密码学保护措施,并配以长期可靠的密钥管理。分子地址是有用的选择工具,但不能替代访问授权。实物保管、样本追踪、可信的解码软件以及经过认证的元数据,都是信息安全模型的组成部分。

序列数据与软件之间的交界还带来了额外的安全考量。测序输出是不可信的输入,必须像下载的文件一样得到安全处理。不能仅仅因为某些内容是从 DNA 中恢复出来的,就允许它们控制实验室仪器或执行程序。合成序列设计也涉及生物安全筛查,尽管数字存储序列本身并不必然具有生物学功能。采用非活体形式进行物理存储,以及对编码施加限制,可以减轻某些顾虑,但不能取代常规筛查。

研究重点包括提高写入速度并降低成本、开发适应实测分子错误特征的编码、提高选择性访问的可靠性,以及验证保存方法在不同环境条件下的有效性。系统评估需要对净存储密度、有效载荷大小、写入吞吐量、检索延迟和恢复失败概率采用可相互比较的定义。实现互操作性还需要通过格式规范明确序列组织方式、编码参数、引物分配、完整性校验和版本信息。即使原有仪器和软件已不再可用,未来的读取者也必须能够分辨:档案究竟已经损坏,还是仅仅被错误地解读。