Evaluation of broiler chicks responses to protein, methionine and tryptophan using neural network models
Notice bibliographique
Résumé
In the present study, neural networks (NN) were developed to investigate the responses (average daily gain [ADG] and feed efficiency [FE]) of broiler chicks to protein and two amino acids (AA), namely methionine (Met) and tryptophan (Trp). Separate NN models were constructed for responses to protein and Met and protein and Trp. Comparisons between NN and response surface models revealed higher accuracy of prediction with the NN models. The relative importance of the input variables (protein and AA) on model output (ADG and FE) was assessed using a sensitivity analysis technique. Results indicated that dietary protein is a more important variable than AA (Met and Trp). Optimal values of the input variables (protein and AA) required to maximize ADG and FE in were obtained by subjecting all constructed NN to an optimization algorithm. The optimization algorithm for the protein and Met response models revealed that diets containing 216 g/kg of protein and 5.45 g/kg of Met lead to maximum ADG, whereas maximum FE is achieved with diets containing 222.6 and 5.85 g/kg of protein and Met, respectively. The optimization algorithm for protein and Trp responses showed that 234 g/kg of protein and 2.6 g/kg of Trp in the diet lead to maximum ADG, while maximum FE is achieved with diets containing 240 g/kg of protein and 3.1 g/kg Trp. The optimization results therefore suggest that protein and AA requirements for maximum FE are higher than for maximum ADG.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».