Application of Meta-Analysis and Machine Learning Methods to the Prediction of Methane Production from In Vitro Mixed Ruminal Micro-Organism Fermentation
Notice bibliographique
Résumé
In vitro gas production systems are utilized to screen feed ingredients for inclusion in ruminant diets. However, not all in vitro systems are set up to measure methane (CH4) production, nor do all publications report in vitro CH4. Therefore, the objective of this study was to develop models to predict in vitro CH4 production from total gas and volatile fatty acid (VFA) production data and to identify the major drivers of CH4 production in these systems. Meta-analysis and machine learning (ML) methodologies were applied to a database of 354 data points from 11 studies to predict CH4 production from total gas production, apparent DM digestibility (DMD), final pH, feed type (forage or concentrate), and acetate, propionate, butyrate and valerate production. Model evaluation was performed on an internal dataset of 107 data points. Meta-analysis results indicate that equations containing DMD, total VFA production, propionate, feed type and valerate resulted in best predictability of CH4 on the internal evaluation dataset. The ML models far exceeded the predictability achieved using meta-analysis, but further evaluation on an external database would be required to assess generalization ability on unrelated data. Between the ML methodologies assessed, artificial neural networks and support vector regression resulted in very similar predictability, but differed in fitting, as assessed by behaviour analysis. The models developed can be utilized to estimate CH4 emissions in vitro.
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 | 0,028 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,016 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 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; 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 ».