Effect of Different Feed Ingredients on Growth and Level of Intestinal Enzyme Secretions in Juvenile <i>Labeo rohita</i>, <i>Catla catla</i>, <i>Cirrhinus mrigala</i> and <i>Hypophthalmicthys molitrix</i>
Notice bibliographique
Résumé
Feed ingredients are the basic units in feed formulation. Behavior of individual ingredient dictates the overall performance of feed. Therefore, current studies were conducted to investigate the biological value of each ingredient in both Chinese and Indian major carps before their merger into feed formula to enhance fish growth and cut down feed cost. Trial contained two treatments and a control randomly received two glass aquaria (3 × 2 × 2 ft) with 10 fish in each. Fishes in control group were fed on rice polish, T1 on soybean meal and T2 on cotton seed meal @ 3 % of wet biomass of fish for 30 days. Labeo rohita , Hpophthalmichthys molitrix and Cirrhinus mrigala gained maximum weight on rice polish whereas Catla catla on soybean meal. Amylase concentrations were similar in fishes fed on rise polish except Hypophthalmichthys molitrix which secreted significantly low amylases. Values of lipase were the highest in Catla catla when fed on soybean meal. Cirrhinus mrigala did equally well on all ingredients while Hypophthalmichthys molitrix did very poorly. Protease concentrations slightly varied but variations were prominent from species to species. Protease concentrations in Catla catla were similar when fed on rice polish and soybean meal, however, Cirrhinus mrigala displayed higher protease concentrations when fed on cotton seed meal. These studies reveal that various fish species respond to a variety of ingredients in its own way hence acceptability and digestibility criteria should be given due importance during ingredient selection and feed formulation for particular fish species.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».