研究背景
DNA作为数据存储介质因其高存储密度、低维护成本及长半衰期而受到关注。尽管基于DNA的数据存储已经取得显著进步，但是DNA数据存储的广泛实施仍面临两大障碍：天然DNA在酸、核酸酶和强变性环境中容易断裂；把信息拆成大量短链，又会被索引序列挤占有效容量。为了克服这两大阻碍，中国科学院杭州医学研究所宋杰课题组与上海交通大学洪亮课题组合作围绕XNA展开研究，先后在Science Advances上发表两篇文章分别从XNA聚合酶的定向进化（Sci. Adv. 2024, 10, eadr2641）及基于XNA-cssDNA的数据存储（Sci. Adv. 2026, 12, eaed2917）给出答案：用长链FANA包覆cssDNA，将高密度编码和抗降解放进同一条核酸，使其既能像DNA一样被读取，又能够减缓其在开放环境中的损伤降解。
研究内容
- XNA聚合酶的定向进化
合作团队研发的Pro-PRIME模型（Protein language model for Intelligent Masked pretraining and Environment prediction）能够在不依赖提前实验数据的情况下，预测特定蛋白质突变体的性能改进。Pro-PRIME基于“温度感知”语言模型进行训练，依赖9600万带有温度标签的蛋白质序列数据集，结合token层面的掩码语言建模（MLM）任务，和序列层面最优生长温度（OGT）预测目标，并通过多任务学习引入correlation loss项来对齐token和序列层面的任务信息，使得大模型更好地捕捉蛋白质序列的温度特征。这种方法使得PRIME天然地倾向给予具备高温耐受性的蛋白序列更高的分数，以优化其稳定性和生物活性。Pro-PRIME模型，在完全没有湿实验数据的情况，首先使用PRIME的零样本预测能力进行少量单点突变的测试，随后使用实验数据迭代监督学习预测多点突变体，在总共不超过4轮湿实验迭代，只进行几十个突变体实验情况下成功设计多款性能优异的蛋白质。
图1. Pro-PRIME的预训练方法和单点突变零样本预测方法，以及干湿迭代策略
Pro-PRIME模型的零样本预测能力为XNA聚合酶的定向进化提供了新的方法——在无需前期实验数据的前提下，即可得到可能有利的单位点突变预测结果。借助于Pro-PRIME模型，研究团队以亲本FANA聚合酶Tgo D4K为起点，从模型预测的三十个单位点突变中筛选出了多个可以提高FANA合成速率的突变位点，包括I693W，A217P，T55L等（图2G, 2H），为FANA的快速合成奠定基础。
图2. Pro-PRIME模型预测的单位点突变在湿实验中的活性评估
- 基于XNA-cssDNA的数据存储
研究人员瞄准DNA存储的两条短板：天然DNA稳定性不足，以及短寡核苷酸体系需要大量索引。先比较了多类XNA，最终选择能与DNA形成更稳定杂交体且可合成长链的2′-氟代阿拉伯核酸（FANA）；再借助前述Pro-PRIME模型，获得延伸速率约提高4.4倍的FANA聚合酶Tgo mut，并以M13噬菌体辅助制备高产量cssDNA，以其为模板可以延伸获得超过7500 nt的长链。制备的FANA-cssDNA杂交链在酸、甲酰胺和血清中表现出更强耐受性，还可通过“DNA直接读取”与“FANA反转录救援”两条路径恢复数据，形成了长链写入、稳定保护和损伤后恢复的完整存储流程。
针对哪一种XNA值得被做成长链的问题，研究人员比较了四种XNA修饰（碱基修饰dZ-DNA、骨架修饰PS-DNA、糖环修饰FANA和TNA）的稳定性。在酸、热、甲酰胺、血清及核酸酶处理下，不同修饰保护的方向并不相同：dZ-DNA主要提高限制性内切酶耐受；PS-DNA增强部分生物稳定性；FANA和TNA在多种化学与生物条件下整体更稳定，但FANA不耐Exo III，而TNA也不能逃避所有核酸酶。这一结果将候选范围收敛到了FANA和TNA。
图3. 不同XNA的合成兼容性与短XNA-DNA杂交链的稳定性
那么FANA和TNA谁更适合用于长链的保护呢？研究人员先用单分子磁镊拉伸20 bp发卡，比较杂交链的解折叠力；FANA-DNA约为14.8 pN，高于DNA-DNA的约11.9 pN，而TNA-DNA仅约9.5 pN，说明FANA与DNA形成的双链更难被机械拉开。随后，作者以约2000 nt的cssDNA为模板测试长链合成：Tgo D4K在20 min左右即可得到约2000 nt FANA链，而KOD 10-92反应72 h仍未观察到明显的长链TNA的合成。机械稳定性与长链延伸可行性同时表明FANA是用于数据存储保护的优选材料。
图4. FANA-DNA与TNA-DNA的机械稳定性和长链合成能力
尽管Tgo D4K已经能够合成长链FANA，但是其合成速率相比于天然DNA的合成速率仍有极大差距。为了解决这一问题，研究人员将前述首轮湿实验得到的结果输入训练模型，再次经过两轮的“模型预测-湿实验评估-再训练”，累计筛选了87个变体，最终得到突变体Tgo mut（Tgo D4K: I693W, Y481G; I471E），仅通过三个位点的突变，就将FANA合成速率提高了约4.4倍，并且在2323、4856和7560 nt cssDNA模板上，完成了全长FANA-cssDNA杂交链的制备。
图5. Pro-PRIME模型指导的FANA聚合酶的定向进化
为了证实长链上FANA的保护优势是否仍然存在，研究人员再次进行了单分子磁镊实验以及生物、化学稳定性评估。单分子磁镊实验表明，FANA-DNA发生过度拉伸比DNA-DNA需要更大的力，表明其在持续受力过程中不易解离断裂。FANA-cssDNA的化学与生物稳定性也表现出明显差异：在甲酰胺中可维持12小时以上，远长于cdsDNA的30 min；此外，在pH 1的盐酸中可维持2小时，在10 %血清中可维持24小时以上，稳定性均强于双链DNA。这些结果表明FANA的保护优势并未因链长增加而消失。
图6. 长链FANA-cssDNA杂交双链稳定性
最后，研究人员将FANA-cssDNA推进到数据存储中。在存储数据的读取上，研究设计了双读取策略：若体系中存在完整的或部分降解的cssDNA，可直接以其为模板进行PCR扩增和Sanger测序；若cssDNA已完全降解，则利用Bst LF聚合酶对残余FANA链进行逆转录生成cDNA，再行扩增与测序。编码EGFP基因与一段文本信息“The quick brown fox jumps over 13 lazy dogs.”的杂交链经酸和甲酰胺处理后，均可使用这两种策略均实现数据的完全恢复。在细胞实验中，该杂交链转染MDCK细胞后检测到EGFP表达（低于对照组DNA-cssDNA），分别从转染了 cssDNA 和 FANAcssDNA 的MDCK细胞中提取了DNA并进行Sanger 测序。结果显示，提取的DNA均可完整读出编码其中的数据。表明FANA-cssDNA杂交链能够同时实现体内与体外的数据保存与多策略数据读出。
图7. 基于FANA-cssDNA的体内和体外数据存储
总结与展望
这两项工作围绕XNA的酶学合成及其在数据存储中的应用，系统证实了FANA-cssDNA在数据存储中应用的优势：
（1）高效合成长链FANA：借助于Pro-PRIME模型定向进化得到的Tgo mut聚合酶可以快速合成长度超过7500nt的长链FANA；
（2）高稳定性：FANA-cssDNA在酸、甲酰胺、血清等多种复杂环境中表现出优于DNA的稳定性；
（3）多策略数据检索机制：存储在FANA-cssDNA杂交链中的信息可以通过cssDNA直接读取，也可通过FANA逆转录读取，为加密数据存储提供新的机遇；
（4）体内/体外数据保存：保存在体外复杂环境（酸、血清等）和体内（哺乳动物细胞）中的FANA-cssDNA均能够有效提取并实现信息读出，适配多种数据存储需求。
未来可围绕提升XNA的直接快速测序、XNA前体的低成本合成等方向展开研究，推动XNA在数据存储中工程化应用。
参考文献
- Fan Jiang et al., A general temperature-guided language model to design proteins of enhanced stability and activity. Sci. Adv. 10, eadr2641(2024).
- Xinyu Sun et al., Long-stranded XNA-cssDNA hybrids for robust data storage. Sci. Adv. 12, eaed2917(2026).
附件下载：