3.1 从裸映射到纠错码：RS码与喷泉码

3.1 从裸映射到纠错码：RS码与喷泉码

本节摘要：纠错码是 DNA 存储语法的地基：2015 年 ETH 苏黎世团队把里德-所罗门码搬进 oligo 分块，给出"代数门派"的答案；2017 年厄利希与齐林斯基的 DNA 喷泉码给出"概率门派"的答案，密度逼近理论极限。本节讲清两条路线的原理、结构差异与各自的适配场景，并解释为什么冗余不能替代纠错码。

冗余为什么不够用

先把开山方案的账目摊开看。丘奇方案靠测序覆盖兜底：每个位置多测几遍，少数服从多数。戈德曼方案靠四重合成加表决：每条 oligo 四份拷贝，两两对照。这两个办法有共同的致命属性——它们只能"发现并容忍"错误，不能"以信息论最优的方式修复"错误。冗余倍数与错误率的关系是线性的：错误率高一点，冗余就得跟着加倍，而每倍冗余都直接写进合成与测序的账单。错误率若是百分之几，冗余策略就是无底洞。

纠错码的思路完全不同：往数据里注入结构化的冗余，让接收端能"解方程"般重建出错位置的原值。同样百分之一的冗余，纯拷贝只能发现错误，码字却能纠正错误——这是通信行业用了七十年的魔法，问题只在于它能不能适配分子信道的怪脾气。分子信道的怪脾气有三条：错误不只有替换，还有插入与删除（尤其纳米孔读端）；整条 oligo 丢失是常态（合成失败、扩增偏好、测序掉链）；读写以"条"为单位，天然是分包结构。2015 年之后的两大门派，就是对这三条脾气的两种回应。

代数门派：里德-所罗门码进试管

ETH 苏黎世的罗伯·格拉斯团队在 2015 年给出了第一份系统的代数答案。方案结构分三层：原始文件先切片，每片配上里德-所罗门校验符，组成一个个码字；每个码字再映射为满足碱基约束的 oligo 序列；读回后先按索引分拣，再对每个码字独立解码——只要丢失与错误的 oligo 数不超过校验容量，数据就能完整重建。里德-所罗门码的妙处在于它纠正的是"擦除"：如果你知道哪条 oligo 丢了（索引对不上号就是丢），每个校验符可以换回一个未知数，代价小、逻辑清晰。

这套结构用工程师熟悉的方式画出来，是一个标准的嵌套分层：

原始文件 1.2 MB
  └─ 切片：每片 64 字节负载
       └─ RS(n=72, k=64)：8 字节校验，容忍任意 8 片丢失或出错
            └─ 码字 → 碱基映射（约束过滤 + 索引前缀）→ oligo 池
读回：索引分拣 → 按码字解码 → 重组文件 → 校验和验收
​

代数门派的优点是确定性与可计算：丢多少、坏多少、能不能修，全都能事先算清，这正是归档行业最爱的"承诺可审计"。代价是灵活度差：码字结构写死之后， oligo 丢失率一旦超出设计余量，整块数据报废；而且校验符占用的密度开销固定在百分之十几的水平，压不下去。此外它默认错误模型偏"替换与擦除"，对纳米孔时代的插入删除谱系不够贴合，需要配合共识序列先"洗"一遍。

图：RS 码分块与喷泉码包裹的嵌套结构

概率门派：喷泉码的分子直觉

2017 年，哥大与纽约基因组中心的厄利希、齐林斯基组合在《科学》发表 DNA 喷泉码，给出了第二种回应，思路与代数门派截然相反：不预先切码字，而是把文件切成大量小片，每条 oligo 装的是"若干原始片段的随机异或组合"，外加一个记录组合方式的种子。读回时，只要收集到比原始片数略多的"水滴"，就能像玩数独一样逐滴解出全部原始片段。它对丢失几乎免疫——水滴本来就是随机的，再丢一些也只是多收几滴的事。

这个概率结构对分子信道的适配近乎量身定做。团队还做了两处分子化改造：一是在生成水滴时主动丢弃碱基分布不均、可能触碰约束的水滴，让"约束满足"变成生成过程的一部分而非事后过滤；二是用此方案打包了约 2.14 兆比特数据，等效密度达到理论上限的八成五上下，把戈德曼方案留下的密度赤字一举收复大半。代价是解码端的算力开销与随机性带来的小概率长尾——归档行业还没完全接受"概率性承诺"。所以今天的工程实践中，两派常见嵌套组合：内层里德-所罗门保底，外层喷泉码增韧。

要点回顾

• 冗余只能发现与容忍错误，纠错码能以信息论最优的方式修复错误；分子信道的三大脾气——插入删除、整条丢失、分包读写——决定了纠错码不能照搬通信业原版。
• 里德-所罗门方案是代数门派：分层嵌套、确定性修复、承诺可审计，代价是开销固定、怕丢失超载。
• 喷泉码是概率门派：随机组合水滴、丢失免疫、密度逼近理论极限的八成五，代价是解码算力与概率性承诺。
• 工程趋势是嵌套组合而非门派之争；选择哪派，取决于你的错误模型与"承诺口径"。

常见追问

纠错码与多重覆盖冗余能不能同时用？ 不仅 能，而且必须。多重覆盖对付的是测序读段的随机差错——它产出可靠的共识序列；纠错码对付的是共识之后的残余差错与整条序列丢失——它产出可靠的文件。两者的作用层面不同：一个在分子层面"去噪"，一个在码字层面"修复"。设计的关键是分工边界的划定：覆盖深度按测序错误率定，校验符数量按合成丢失率定，两层预算互相独立才不会重复花钱。

为什么说喷泉码特别"懂"分子池？ 因为它把丢失从异常改写成了常态。传统码字结构里，一条序列丢失等于一个确定的坑，必须靠校验符回填；喷泉码的水滴本来就随机生成，收到的水滴凑够数量即解码，多收几滴只是多花几条序列的合成钱。分子池的丢失率随批次波动，喷泉码对波动天然免疫——这在工程上叫鲁棒性，在账本上叫省心。

RS 码的校验符吃掉多少密度？ 以常用的配置为例，七十二个码字符号里六十四个装数据、八个装校验，开销约百分之十二点五；加上索引区与引物区，一条 oligo 里真正装数据的碱基往往只有一半上下。这就是 5.1 节"工程口径折损到理论值百分之一"的主要来源之一——密度的赤字，大头是买可靠性花的钱。

追问补遗

喷泉码的水滴会不会重复？ 会，而且无害。两个水滴随机选中同一组原始片段的概率存在，重复水滴只是不提供新信息，解码器把它丢掉即可。工程上通过给每个水滴的随机种子加序号偏移来压低重复率，但即便有重复，也只等价于多合成几条序列——在分子信道"丢失才是大头"的背景下，这点浪费可以忽略。

为什么 RS 码在存储圈比 LDPC 更流行？ LDPC 的纠错性能上限更高，但它需要长码长才能发挥，而一条 oligo 只有百来个碱基，装不下长码字；RS 码短码长下依旧强健，且解码逻辑清晰、可承诺。介质形态决定了码的选择——这是"约束优先于性能"的又一个例子。

纠错解决了"读得回"，下一个问题是"找得到"：亿万分子的池子里怎么捞出指定文件？下一节讲随机访问——引物地址的发明。