Q score
How to interpret read quality in Nanopore sequencing
Public This page explains what Q score means, how to interpret it in practice, and why it should not be used alone.
Definition
Q score 是用來表示定序錯誤率的品質分數，通常以對數形式表示。
在概念上，Q 值越高，代表單一鹼基被判錯的機率越低。
常見公式如下：
Q = -10 × log10(Perror)其中 Perror 代表單一鹼基的錯誤率。
Q score 主要用來快速描述 read 的 basecalling 品質，但它不等於整體分析結果一定正確，也不能單獨代表資料是否可用。
Why it matters
Q score 是 Nanopore workflow 中最常見、也最容易被拿來當第一眼判斷的品質指標之一。
- 它可以幫助快速了解 reads 的整體品質
- 它常影響 filtering 與後續分析策略
- 它有助於比較不同 run、不同樣本或不同 library preparation 的表現
但在實務上，Q score 的意義必須放在分析目標裡解讀。
例如：
- 若目標是 pathogen screening，較低但仍可判讀的 reads 可能依然有價值
- 若目標是高品質 assembly 或 variant analysis，通常會更在意 Q score 與 error profile
How to interpret
這一段的重點不是公式本身，而是：Q score 在實務上該怎麼看。
In practice
Q score 越高，通常代表 read 的 basecalling 品質越好，但不代表所有分析結果都一定更可靠。
在 Nanopore 資料中，Q score 常見的實務解讀方式如下：
- Q10 代表約 90% accuracy
- Q20 代表約 99% accuracy
- Q30 代表約 99.9% accuracy
但在 ONT 資料分析中，不能只看數值高低，而要看它是否足以支撐分析目的。
例如：
- 做初步病原偵測時，不一定需要非常高的 Q score
- 若 target 能穩定檢出、結果與背景合理，即使 reads 品質不是最高，資料仍可能可用
- 若要做精細比對、de novo assembly 或 variant-level interpretation，通常會更在意 read quality
What to compare with
Q score 不應單獨解讀，建議一起搭配以下資訊判讀：
- read count
- total bases
- read length / N50
- mapping rate
- target detection stability
- background contamination
- negative control 表現
換句話說，Q score 比較像是 quality snapshot，不是單一決策依據。
Common pitfalls
Q score 很常被過度解讀。
在 Nanopore workflow 中，它很重要，但不是唯一品質標準。
- Q 值高，不代表 taxonomy classification 一定正確
- Q 值低，不代表資料一定不能用
- 不同分析目的，對 Q score 的要求不同
- 單看平均 Q score，可能忽略 reads 分布差異
- 若 reference、database 或 downstream method 有限制，再高的 Q score 也無法自動保證正確結果
Tools / commands
Q score 相關資訊通常不會單獨存在，而是和 read QC 工具一起查看。
Common tools
- NanoPlot
- pycoQC
- basecalling summary outputs
- FASTQ quality summaries
Example command
NanoPlot --fastq reads.fastq -o nanoplot_qcQuick takeaway
Q score 是 read quality 的快速指標，適合用來做初步品質判斷。
但在 Nanopore 分析中，最好把它和 read length、read count、mapping rate、背景污染與實際檢出結果一起看。
高 Q score 不等於結果一定正確；低 Q score 也不代表資料一定沒用。