TL;DR

  • BioCompute가 디엔에이 데이터 저장에서 합성 대신 재사용 가능한 주형과 효소 표기를 사용해 저장 비용을 낮추는 방식을 개발함.
  • 회사가 입증한 쓰기 비용은 메가바이트당 일 달러이며, 목표는 테라바이트당 일 달러임.
  • 데이터 쓰기는 효소로 주형을 표시하고 읽기는 나노포어로 수행해 저장 매체를 소모하지 않는 구조임.
  • 자체 쓰기 화학 공정에 맞춰 허가받은 나노포어 읽기 공정을 조정해 읽기와 쓰기를 함께 설계함.
  • 소규모에서 입증된 비용이 대규모에서도 유지될지, 대규모 읽기 정확도와 핵심 비용 요인이 목표 수준까지 낮아질지가 주요 검증 과제임.

비용 기준으로 다시 보는 디엔에이 데이터 저장

  • 디엔에이 데이터 저장은 일반적으로 저장 밀도와 수명부터 강조하지만, 버클리의 딥테크 기업 BioCompute는 이를 바이트당 비용 문제로 제시함.
  • 바이트당 비용이 분야 전체의 성패를 좌우하는 핵심 수치라는 판단임.

합성 중심 구조가 비용을 고정하는 이유

  • 대부분의 기업과 연구 조직은 디엔에이를 합성해 데이터를 기록하며, 염기를 하나씩 연결해 새로운 가닥을 구축함.
  • 쓰기 단계가 제조 공정이면 비용 곡선도 합성 비용 곡선을 따르게 되고, 그 곡선은 느리게만 낮아짐.
  • 각각의 디엔에이 가닥이 한 번만 사용되므로 저장 매체 자체가 소모품이 됨.
  • 다음 기록을 수행할 때마다 제조 비용을 다시 지불해야 하는 구조임.

재사용 가능한 주형과 나노포어 읽기

  • BioCompute는 디엔에이 가닥을 새로 제조하지 않고, 효소로 재사용 가능한 주형에 표식을 남기는 방식으로 데이터를 기록함.
  • 기록된 데이터는 나노포어로 다시 읽으며, 주형 자체는 소모되지 않음.
  • 합성을 핵심 경로에서 제외하면 지배적인 비용 요인을 실제로 낮출 수 있는 영역으로 옮길 수 있다는 접근임.

입증된 비용과 목표 비용

  • 회사가 지금까지 보고한 입증된 쓰기 비용은 메가바이트당 일 달러임.
  • 목표 비용은 테라바이트당 일 달러임.
  • 첫 번째 수치는 팀이 실제로 보여준 수준이고, 두 번째 수치는 재사용 방식이 낮추도록 설계된 목표 수준임.

읽기와 쓰기를 함께 설계하는 방식

  • 대부분의 조직은 읽기와 쓰기 중 한쪽을 최적화한 뒤, 다른 쪽에는 기존에 이용 가능한 염기서열 분석 기술을 붙이는 방식임.
  • BioCompute는 자체 쓰기 화학 공정에 맞도록 허가받은 나노포어 읽기 공정을 조정함.
  • 읽기와 쓰기를 서로 따로 만든 뒤 결합하는 대신, 두 공정을 서로 맞물리도록 설계하는 구조임.
  • 비용을 여러 자릿수만큼 낮추려면 이러한 결합에서 상당한 개선분이 나와야 함.

아직 검증이 필요한 지점

  • 현재 입증된 비용은 소규모에서 나온 수치이며, 저장 규모가 커져도 같은 경제성이 유지된다는 보장은 없음.
  • 대규모 환경에서의 읽기 정확도는 아직 입증되지 않았으며, 이는 이 분야 전반에 해당하는 과제임.
  • 쓰기 비용에는 여전히 하나의 지배적인 비용 요인이 남아 있으며, 전체 목표는 그 요인을 낮추는 데 달려 있음.

회사의 현재 기반과 검증 가능한 주장

  • 버클리와 스탠퍼드의 선임 학자들이 회사에 자문하고 있음.
  • 회사는 쓰기 방식에 관한 특허를 출원함.
  • 미국의 창작 스튜디오 두 곳과 초기 유료 시범 사업을 진행함.
  • 현재 제시된 주장은 범위가 좁고 검증 가능함.
  • 재사용과 공동 설계된 읽기·쓰기 기술 스택이 합성 방식으로는 어려운 수준으로 바이트당 비용을 낮출 수 있다는 주장임.
  • 이 주장이 실제로 입증되는지가 주목할 지점임.