MétaCan
Menu
Retour à la cohorte
Enregistrement W1561944429 · doi:10.1007/0-306-46887-5_17

Enzymes as Direct-Feed Additives for Ruminants

2005· book-chapter· en· W1561944429 sur OpenAlexaff
L.M. Rode, Tim A. McAllister, K. A. Beauchemin, Diego Morgavi, Victor Nsereko, Wenzhu Yang, A. D. Iwaasa, Y. Wang

Notice bibliographique

RevueKluwer Academic Publishers eBooks · 2005
Typebook-chapter
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueRuminant Nutrition and Digestive Physiology
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesnon disponible
Mots-clésRumenCellulaseEnzymeBiologyBiotechnologyProductivityBiochemistryAnimal feedFood scienceFermentation

Résumé

récupéré en direct d'OpenAlex

Fibrolytic enzymes hold great potential to improve feed utilization and productivity in ruminants. In the past, it was believed that the endogenous activity against plant cell walls could not be augmented by supplementary exogenous enzymes. However, when diets of dairy and beef cattle are supplemented with commercial xylanases and cellulases, animal performance is significantly improved. The most likely site of action is the rumen rather than in the small intestine as is the case for poultry. Because of the complexity of the rumen environment, it has been difficult to identify the exact mode of action for this beneficial response. Since xylanases and cellulases are the main activities that occur in efficacious enzyme mixtures, it may be assumed that the enzymes are having a direct, additive effect on the hydrolysis of plant fiber in the rumen. However, evidence to date suggests that the benefits of exogenous enzymes is synergistic to ruminal endogenous enzymes. This synergy may explain why relatively small amounts of enzyme can have such large effects on animal productivity. Limitations to the exploitation of this technology are the development of an adequate screening system for new enzymes, and the identification of the specific enzyme activities that are critical for efficacy.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,246
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,029
Tête enseignante GPT0,248
Écart entre enseignants0,219 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKluwer Academic Publishers eBooksMême sujetRuminant Nutrition and Digestive PhysiologyTravaux en français237 207