Phred Score (Base Call Quality Score)

Definition

---

Sequencing 결과로 나온 base call이 얼마나 정확한지 나타내는 수치입니다. Fastq 파일 내 각 read의 네 번 째 line을 구성합니다. Phred+33 encoding과 ASCII 표기법을 사용합니다. 아래와 같은 계산식으로 score를 산출합니다.

$ Q = -10log_{10}^{(e)} $

e는 base call 결과가 틀렸을 확률을 의미합니다.

결과값을 음수로 변환하기 때문에 x축(e)이 증가하면 y축(phred score)은 감소합니다. 그리고 y축은 log scale에 따라 변화하기 때문에 x축 값이 $10^{n}$ 단위로 증가/감소하면 y축 값은 n 단위로 증가/감소 합니다.

Phred score 20은 e가 0.01임을 의미합니다. 곧, base call error 확률이 1%이며, 100개 base call 중에서 1개의 error base를 포함하고 있음을 나타냅니다. 동시에 call accuracy가 99%임을 뜻합니다.

Phred score 10 = probability of error 10% = call accuracy 90%

Phred score 20 = probability of error 1% = call accuracy 99%

Phred score 30 = probability of error 0.1% = call accuracy 99.9%

Phred+33 encoding과 ASCII 표기법

---

Phred score는 왜 +33 encoding과 ASCII 표기법을 사용할까요?

Illumina sequencer 데이터는 일반적으로 phred score 0~40 범위 안에서 출력됩니다. 0~9는 1byte를 사용하지만, 10 이상부터는 2byte를 사용합니다. 수 백 만 개의 read가 포함된 fastq 파일에서 quality score를 효율적으로 저장하기 위해서는 2byte보다 1byte 정보로 quality를 표현하는 것이 현명한 선택입니다. 또한 base와 quality score는 1:1 match이므로 반드시 한 자리수로 표현해야 fastq 파일에서 정확히 사용할 수 있습니다. ASCII 표기법은 하나의 character가 1byte를 차지하므로 위 두 가지 목적에 적합합니다.

ASCII(American Standard Code for Information Interchange, 미국 정보 교환 표준 부호) 표기법은 1963년 미국 ANSI에서 표준화한 정보교환용 7bit(8bit=1byte) 부호체계 입니다. 1byte 중 7bit만 사용하도록 만든 이유는 나머지 1bit를 통신 에러 검출 용도로 비워두었기 때문입니다. 000(0x00)부터 127(0x7F)까지 총 128개 부호가 사용됩니다.

Dec	Hx	Oct	Char
0	0	000	NUL(null)
1	1	001	SOH(start of heading)
2	2	002	STX (start of text)
3	3	003	ETX(end of text)
4	4	004	EOT(end of transmission)
5	5	005	ENQ(enquiry)
6	6	006	ACK(acknowledge)
7	7	007	BEL(bell)
8	8	010	BS(backspace)
9	9	011	TAB(horizontal tab)
10	A	012	LF(NL line feed, new line)
11	B	013	VT(vertical tab)
12	C	014	FF(NP from feed, new page)
13	D	015	CR(carriage return)
14	E	016	SO(shift out)
15	F	017	SI(shift in)
16	10	020	DLE(data link escape)
17	11	021	DC1(device control 1)
18	12	022	DC2(device control 2)
19	13	023	DC3(device control 3)
20	14	024	DC4(device control 4)
21	15	025	NAK(negative acknoledge)
22	16	026	SYN(synchronous idle)
23	17	027	ETB(end of trans. block)
24	18	030	CAN(cancel)
25	19	031	EM(end of medium)
26	1A	032	SUB(substitute)
27	1B	033	ESC(escape)
28	1C	034	FS(file separator)
29	1D	035	FS(group separator)
30	1E	036	RS(record separator)
31	1F	037	US(unit separator)
32	20	040	Space

Dec 기준 0~32는 print가 불가능한 제어 문자입니다. 9~13, 32는 공백이 포함된 문자입니다. 따라서 quality score로 사용 불가한 위 문자를 제외하고 33부터 표기합니다.(Phred+33)

Dec	Hx	Oct	Char
33	21	041	!
34	22	042	”
35	23	043	#
36	24	044	$
37	25	045	%
38	26	046	&
39	27	047	’
40	28	050	(
41	29	051	)
42	2A	052	*
43	2B	053	+
44	2C	054	,
45	2D	055	-
46	2E	056	.
47	2F	057	/
48	30	060	0
49	31	061	1
50	32	062	2
51	33	063	3
52	34	064	4
53	35	065	5
54	36	066	6
55	37	067	7
56	38	070	8
57	39	071	9
58	3A	072	:
59	3B	073	;
60	3C	074	<
61	3D	075	=
62	3E	076	>
63	3F	077	?
64	40	100	@
65	41	101	A
66	42	102	B
67	43	103	C
68	44	104	D
69	45	105	E
70	46	106	F
71	47	107	G
72	48	110	H
73	49	111	I

앞서 설명드린 내용처럼 illumina sequencer 데이터는 일반적으로 phred score 0~40 범위 안에서 출력됩니다. 즉, 위 !(33=0+33)부터 I(73=40+33)까지 ASCII 문자가 quality score로 사용됩니다. 물론 아래 문자도 사용될 수 있습니다.

Dec	Hx	Oct	Char
74	4A	112	J
75	4B	113	K
76	4C	114	L
77	4D	115	M
78	4E	116	N
79	4F	117	O
80	50	120	P
81	51	121	Q
82	52	122	R
83	53	123	S
84	54	124	T
85	55	125	U
86	56	126	V
87	57	127	W
88	58	128	X
89	59	129	Y
90	5A	132	Z
91	5B	133	[
92	5C	134	/
93	5D	135	]
94	5E	136	^
95	5F	137	_
96	60	140	`
97	61	141	a
98	62	142	b
99	63	143	c
100	64	144	d
101	65	145	e
102	66	146	f
103	67	147	g
104	68	148	h
105	69	149	i
106	6A	152	j
107	6B	153	k
108	6C	154	l
109	6D	155	m
110	6E	156	n
111	6F	157	o
112	70	160	p
113	71	161	q
114	72	162	r
115	73	163	s
116	74	164	t
117	75	165	u
118	76	166	v
119	77	167	w
120	78	170	x
121	79	171	y
122	7A	172	z
123	7B	173	{
124	7C	174	|
125	7D	175	}
126	7E	176	~
127	7F	177	DEL

Phred score와 ASCII 문자표를 사용하는 이유, 방식까지 살펴봤습니다.