Nonlinear mixed models to study metabolizable energy utilization in broiler breeder hens
Notice bibliographique
Résumé
This study developed mathematical models to overcome limitations of linear models of energy partitioning in hens. The fit of 1 linear and 2 nonlinear models of ME intake (MEI) were compared, using empirical data of 288 caged broiler breeder hens from 20 to 60 wk of age. Pullets were individually caged at 16 wk and assigned to 1 of 4 feed allocation groups. Three groups had feed allocated on a group basis with divergent target BW: standard (STD), HIGH (STD x 1.1), and LOW (STD x 0.9). The fourth group had individual-based feed allocation (IND) and followed the STD BW target. The linear model expressed MEI as a function of BW(0.75), ADG, egg mass (EM), and temperature. Nonlinear mixed models employed a normally distributed term associated with hen metabolic BW, and exponential terms of ADG and EM, or Cobb-Douglas form interactions between terms. Fit was evaluated with the Bayesian information criterion and systematic bias was analyzed through linear regressions of observed versus expected values. The linear model estimated energy partitioned to maintenance and retention in the range of reported values in the literature. However, this model had the poorest fit (R(2) = 0.64) and exhibited a slope bias of 0.91 (i.e., MEI was overestimated at low values and underestimated at high values). The first nonlinear mixed model indicated that MEI partitioned to ADG was a factor of ADG(1.15), whereas the ME partitioned to EM was a factor of EM(1.12). This model had improved fit (R(2) = 0.71) relative to the linear model. The second nonlinear mixed model indicated that the energy requirement for ADG increased by 0.60% and the EM energy requirement decreased by 2.07% for each 1% increment in BW. This model further improved fit (R(2) = 0.75). Nonlinear mixed models reduced estimation bias by accounting for individual variation in maintenance energy expenditure. These nonlinear mixed models may be used to analyze energy partitioning in animals, to develop prediction equations of MEI, to evaluate individual efficiency for maintenance, and to assess diets regarding the slope of bias in coefficients of maintenance energy requirements.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».