Adaptation of a non-ruminant nutrient-based growth model to rainbow trout (<i>Oncorhynchus mykiss</i> Walbaum)
Notice bibliographique
Résumé
SUMMARY Models that accurately describe and predict growth and nutrient utilization of fish can be useful in developing strategies to improve the economic and environmental sustainability of aquaculture operations. Current bioenergetics models are not sufficiently flexible to be applied to the wide range of conditions encountered in aquaculture. There is a need to move from bioenergetics approaches to more mechanistic approaches based on nutrient utilization by fish. A non-ruminant nutrient-based growth model has been successfully used in pig production. The model explicitly describes the utilization of energy-yielding nutrients and metabolites for body protein deposition (Pd) and body lipid deposition (Ld) at the whole animal level. Partitioning of intake of energy-yielding nutrients between Pd and Ld is governed by a minimum ratio (minLP) of the body lipid mass (L) to protein mass (P), a maximum daily rate of Pd (PdMax), or maximum efficiency of using intake of the first limiting dietary essential amino acid (AA) for body Pd. The growth model was adapted to rainbow trout ( Oncorhynchus mykiss (Walbaum 1792)) through parameterization and various modifications consistent with its framework. The fish nutrient-based model was evaluated by comparing model simulations with data from various experiments carried out with rainbow trout. Significant discrepancies between model predictions and experimental observations were observed. The model predicted energy retention well but did not always accurately predict growth rate, nor Pd and Ld. Overall, the model underestimated growth rate (expressed as thermal-unit growth coefficient (TGC)) by 37% and Pd by 15% and overestimated Ld by 13%. These discrepancies are probably attributable to differences in nutrient utilization and partitioning mechanisms between fish and pigs. The development of more reliable models requires better understanding of the nutritional and endogenous determinants of fish growth.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».