PSV-2 Effects of protease on growth performance, fecal gas emission of 25- to 55-kg pigs fed low or high density diets
Notice bibliographique
Résumé
Abstract Volatility in feed ingredient prices prompts animal nutritionists to evaluate alternative methods to control feed costs. The objective of this study was to evaluate the effects of protease in growing pigs fed either high or low-density diets. A total of 140 pigs [(Landrace×Yorkshire)×Duroc] were used in a 6-wk study with an initial BW of 24.1 ± 0.02 kg equally distributed in 7 pens per treatment fed one of the following treatments: High-density diet with 3400 kcal ME/kg, 19.5% CP, and 0.85% SID Lys; High-density diet + 125 g/t Jefo Protease (Jefo, Canada); Low-density diet with 3300 kcal ME/kg, 17.6% CP, and 0.83% SID Lys; and Low-density diet + 125 g/t Jefo Protease. Diets were corn, soybean meal-based with 12% rice bran and 8% wheat bran. Data were subjected to statistical analyses as a completely randomized design using a 2 × 2 factorial arrangement with pen as the experimental unit. Differences among treatment means were determined using Duncan’s multiple range test with level of significance at P ≤ 0.05. High-density diets (P = 0.01) and protease supplementation (P = 0.05) significantly improved G:F in pigs (Table 1) compared to low-density diets and no protease supplementation. NH3 and H2S gas emission tended to be lower (P ≤ 0.10) in diets supplemented with protease. There were no statistical differences (P > 0.10) in initial weight, final weight, ADG, and ADFI. In conclusion, protease supplementation and high density diets improved G:F in 25- to 55-kg pigs.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».