2024 年 2 月 9 日撰写的内容：

• 博客文章内容：生物信息学领域难以处理日益增大的数据集，存在高低层语言分裂问题，Mojo 可作为“Pythonic”且快速的语言来弥补这一差距，文章还介绍了用 Mojo 实现的基准测试及击败 Rust 库的情况。

• 关于 Mojo：

  • 第一印象：Mojo 与 Python 不同，具有多种低级语言特征，如泛型函数、不同整数类型、可变与不可变变量、类型声明等，似乎是一种旨在与 Python 良好互操作的静态语言，其主要应用于深度学习，但不清楚如何改变现有局面，同时也有一些优点，如对性能重视、内置 SIMD 能力等。
• DNA 测序：鸟瞰视角：介绍了 DNA 是生物遗传的控制因素，Illumina 测序仪的工作原理及 FASTQ 格式，这是测序仪输出的常见格式。

• FASTQ 基准测试：

  • Mojo 实现：Mojo 在 FASTQ 解析基准测试中表现出色，速度快约 3.92GB/s，但解析过程缺乏验证，其秘密在于通过 SIMD 指令快速查找换行符，同时也存在一些可优化之处。
  • 绕道：解析器应进行多少验证？：讨论了解析器应进行多少验证，对比了 Needletail 和 FASTX.jl 解析器的验证方式及性能差异，认为解析器应在保证不给出错误答案的前提下尽量少做验证。
  • 匹配 Julia 中的实现：将 Mojo 的实现移植到 Julia 中，速度更快，说明 Mojo 的高速度可能来自实现而非语言本身，还探讨了一些性能差异的原因。
• 总结思考：不否定 Mojo 的观点，但对其基准测试结果的实际价值持保留态度，对 Mojo 的营销 hype 感到敏感，认为 Julia 是生物信息学中解决两语言问题的更优选择，对 Mojo 是否给 Python 生态带来真正价值持观望态度。

• 附录：

  • 关于 Mojo 代码未进行验证的回应：最初阅读的代码未进行验证，虽之后代码有所更新添加了验证，但仍比 Needletail 验证少，同时指出 Needletail 也有未做的验证及验证的开销。
  • 关于未运行 Mojo 代码的质疑：无需在自己机器上运行 Mojo 即可证明其速度原因，通过在 VM 中运行比较不同代码的时间，说明 Mojo 实现不足以证明其速度快是因独特语言特征。还对一些相关问题进行了补充说明，如 DNA 存储方式、不同解析器的特点等。