你有没有想过一个问题：你，到底有多少是"你自己"的？
别误会，不是说你的性格或者灵魂，我说的是基因层面的。
答案可能会让你愣一下，你基因组里大约8%的序列，根本不是人类的，而是古代病毒留下来的。
啥意思？
说白了，几万年前甚至几百万年前，有某种逆转录病毒感染了我们祖先的生殖细胞，把自己的基因插到了人类的DNA里。
然后这个病毒就这么一代代传下来了，传着传着，病毒本身早就死透了，但它的基因代码就这么留在了我们身体里。
你可能会说：那岂不是体内全是病毒残留，会不会出事？
别慌，大部分确实没什么用，但有一些还真被人体"收编"了。
最典型的就是胎盘形成过程中用到的合胞素蛋白。
这个蛋白的基因，就来自一种古病毒的包膜蛋白基因。
当年病毒拿这个蛋白来突破宿主细胞，结果被人类改造成了胎盘细胞融合的关键工具。
相当于当年一段恶意代码注入进来，本来是想搞破坏的，结果被主系统逆向改造，变成了基础设施的一部分。
将错就错，居然还跑通了。
听到这你可能觉得：病毒入侵？那也太离谱了吧，人类基因里怎么能留着这种东西？
其实比病毒更离谱的还在后面。
病毒那8%虽然多，但跟另一类东西比起来，只能算小巫见大巫。那就是：转座子。
转座子是啥？
你可以把它理解成基因组里的"自我复制插件"。
这种序列有个特点，就是会不停地把自己复制粘贴到基因组的各个位置，到处乱插。
光这一类东西，就占了人类基因组差不多一半的位置。
一半啊。
相当于你打开电脑C盘，发现一半的空间都被一种自动复制的恶意程序占了，而且你还不敢删，因为不知道删了会不会把系统搞崩。
那真正有用的基因有多少呢？
不到2%。
对，你没看错。
人类基因组大概有30亿个碱基对，但真正用来编码蛋白质的部分，连2%都不到。
剩下那98%是啥？
刚才说了，转座子占一半，内源性逆转录病毒占8%，还有一大堆假基因、重复片段、乱七八糟的调控序列。
很长一段时间里，这些东西都被叫做"垃圾DNA"。
名字叫"垃圾"，但没人敢真删。
为什么？因为你不确定它到底是不是真的没用。
这就像一个几十年的老项目，里面全是注释掉的函数、废弃的模块、没人敢动的死代码。
你说删了吧，怕哪天出问题；留着吧，又占地方。
典型的技术债。
说到假基因，有个特别有意思的例子。
我们人类为什么要吃蔬菜水果补充维生素C？因为我们自己合成不了。
但很多动物都能自己合成维生素C啊，比如猫啊狗啊，它们从来不觉得需要专门吃橙子。
为啥人类不行？
因为我们基因组里有一段负责合成维生素C的基因，在某个祖先身上突变坏掉了。
坏了就坏了呗，反正那个时候果子到处都是，吃点就能补上，也就没什么生存压力。
然后这个坏掉的基因就这么一代代传下来了。
相当于一段早就不能运行的代码，没人去清理，就一直搁在代码库里。
你说它占多少地方吧，也不占多少。但你就是删不掉，删了好像也没啥影响，但谁也不敢试。
类似的"历史遗留问题"还有很多。
比如我们胚胎发育的时候，早期会出现类似鳃弓的结构。
这玩意儿是干嘛的？我们又不是鱼。
但它确实会出现，然后慢慢消失。
这就是进化留下的痕迹。
我们的祖先确实是从鱼过来的，那段控制鳃发育的代码一直没删，就这么留着。
虽然现在不用了，但胚胎发育的时候还是会先跑一遍，然后再改。
更离谱的是喉返神经。
这条神经连接大脑和喉咙，本来走直线的话，几厘米就够了。
但实际上它要从大脑下来，绕过心脏旁边的主动脉，再绕回喉咙，在人身体里走了将近一米的弯路。
你没听错，一米。
为啥要走这么远？因为在鱼类祖先身上，这条路径是合理的，鱼的心脏和鳃离得近，神经这么走很顺。
后来慢慢进化，脖子变长了，胸腔位置变了，但这条神经的走线从来没有被重新规划过。
就这么将错就错，延续了几亿年。
这要是在软件工程里，就是典型的"祖传屎山"，当年的设计在当时的架构下是合理的，后来架构变了，没人敢动那根神经，就这么绕着。
再说说基因本身的写法，那也是相当奇怪。
我们平时理解的基因，应该是一段连续的代码，读出来直接就能用对吧？
实际上根本不是。
一个基因在被转录成RNA之后，里面大量的片段要先被剪掉，剩下的部分拼在一起，才能用来合成蛋白质。
被剪掉的那些叫内含子，留下来的叫外显子。
人类基因里，内含子的比例远大于外显子。
有些基因，95%以上都是内含子。
啥概念？相当于你写了一万行代码，运行之前要先自动删掉九千行，再把剩下的拼起来才能执行。
你说这设计合理吗？
从可维护性的角度看，简直是灾难。
但你也别说它完全没好处。因为同一个基因，可以通过不同的剪接方式，产生结构和功能都不一样的蛋白质。
这叫可变剪接。
人类的基因数量大概只有两万个，但蛋白质的种类远不止这个数，很大程度上就靠这个机制。
同一段源代码，在不同条件下剪出完全不同的版本，行为各异。
从复用的角度看，勉强算聪明。
从可维护性的角度看，是彻底的灾难。
就像一个函数，传不同的参数进去，能跑出完全不相干的功能。你说它是高内聚呢，还是高耦合呢？
说到耦合，基因的耦合程度，那才叫一个离谱。
有个词叫基因多效性，意思是一个基因往往同时参与好几个完全不相干的生理过程。
最典型的就是P53基因。
这个基因你可能听说过，它跟癌症有关，主要作用是抑制肿瘤。
但你知道它还管啥吗？细胞周期调控、DNA修复、细胞凋亡……
反正跟细胞生死有关的大事，它几乎都插一脚。
一个函数同时承担七八种职责，牵一发而动全身。
在软件工程里，这是教科书级别的反模式。
你想重构？你都不知道从哪下手。
动一下P53，不知道会牵扯出多少连锁反应。
那调控系统呢？是不是写得稍微整齐一点？
想多了。
基因组里有一类叫增强子的调控序列，它的作用是增强目标基因的表达。
但这个增强子的位置，离目标基因可能有几十万甚至上百万个碱基对那么远。
这么远怎么调控？
靠DNA在空间上折叠弯曲，把两个地方凑到一起。
你没听错。
整个基因组不是一条直线摊开的，它是一团乱糟糟的线球，在三维空间里折叠来折叠去。
增强子和目标基因，就是靠这种空间折叠来产生联系的。
而且更乱的是，一个增强子可以调控好几个基因，一个基因也可以被好几个增强子调控。
调用关系完全不是线性的，是三维空间里的网状结构。
相当于代码库里全是全局变量和远程调用，而且所有依赖关系，只有你把整个代码库在三维空间里折叠起来之后，才看得清楚。
谁要是想在这种系统里做重构，我敬他是条汉子。
还有更绝的。
基因组里有很多序列，从鱼到人，几亿年的进化过程中几乎一字未改。
这些叫高度保守序列。
按理说，如果一段序列真的无关紧要，进化早就把它改得面目全非了。
能保持几亿年不变，说明它非常重要。
但问题是，很多这种高度保守的序列，我们至今不知道它在做什么。
这就很尴尬了。
不知道做什么，但谁也不敢删。
典型的屎山代码特征，没人敢动的区域，占着位置，你说它没用吧，它又留了几亿年；你说它有用吧，没人知道干嘛的。
聊到这你可能会问：那是不是因为人类基因组太复杂了，所以才这么乱？复杂系统难免有技术债嘛。
还真不是。
如果基因组越复杂，生物越高级，基因组就应该越大对吧？
但现实完全不是这样。
某些蝾螈的基因组，是人类的十倍大。
有一种叫巴黎草的野花，基因组是人类的五十倍。
代码量和系统复杂度完全脱钩。
这在任何正经工程项目里都意味着什么？意味着大量冗余和膨胀。
你说蝾螈比人类高级？不可能吧。那它基因组为啥比我们大十倍？
因为里面塞满了没用的重复序列。就像一个项目，文件越来越多，但大部分都是历史版本和废弃代码，实际功能没增加多少。
还有一个值得单独聊聊的：Y染色体。
哺乳动物的祖先，X染色体和Y染色体最初大小差不多，基因数量也接近。
但在几亿年的时间里，Y染色体一直在萎缩。
基因从最初的几百个，降到今天的不足一百个。
为啥会这样？
因为Y染色体有个架构缺陷：它没办法像其他染色体那样，通过交叉互换来修复自身的突变。
其他染色体都是成对的，出了问题可以互相拷贝修复。
但Y染色体只有一个，没有备份。
错误只能不断积累，功能基因一个接一个消失。
这是一个因为架构限制导致无法自我修复、只能持续退化的模块。
而且目前没有任何迹象表明这个过程会停止。
当然，人类文明才几千年，几亿年的尺度上的事，我们也不用太操心Y染色体的存亡。
最后再说说DNA修复机制。
基因组本身其实并不稳定。
每天，每个细胞的DNA都会发生数以万计的损伤，辐射啊、氧化压力啊、复制错误啊，各种原因。
为了应对这些损伤，细胞演化出了十几种不同的修复机制。
各管一类问题，互相之间有备份有协调，整套系统涉及几百个蛋白质。
听起来很精密对吧？
但你换个角度想：这不就是一个在生产环境上不断打补丁的系统吗？
每出现一类新问题，就再加一套应对机制。
久而久之，补丁比原始代码还复杂。
而且各种补丁之间的相互关系，没有人完整地理清楚过。
哪天真出了什么新问题，估计又得再加一套补丁。
所以你看，我们这套基因组系统，不只是一段没有注释的老代码。
它同时还混入了大量历史病毒注入的片段，模块之间高度耦合，调用关系靠三维折叠实现，文档近乎为零，技术债堆积如山。
但它居然跑了几亿年，从来没停机过一次。
你说它是屎山吧，它确实是。
你说它脆弱吧，它又顽强得离谱。
毕竟，一个能连续运行几亿年不宕机的系统，哪怕代码写得再乱，你也不得不服。