Adequately Defining the Amino Acid Requirements of Fish: The Case Example of Lysine
Notice bibliographique
Résumé
A critical review of the literature highlights significant discrepancies in the estimates and modes of expression ofamino acid requirements. Using lysine as a case example, this paper highlights some of these discrepancies andpotential limitations of current approaches.Published estimates of lysine requirements for rainbow trout varied from 1.3 – 2.9 % of the diet and NRC (1993)estimated lysine requirement at 1.8% of the diet. Results from recent studies and detailed data analysis suggest thatlysine requirement to maximize weight gain is about 2.3% of the diet in rainbow trout, where requirement tomaximize protein gain of this species appears to be closer to 2.7% of the diet. These estimates are significantlyhigher and appear more appropriate (robust) than the lysine requirement proposed by NRC (1993).Different modes of expression of lysine requirement are used, often interchangeably, in the literature. It is importantto understand that these different modes of expression are based on different assumptions and that the use ofdifferent modes of expression will result in dramatically different recommendations, especially since aquaculturefeeds are formulated to widely different nutritional specifications (protein, energy, etc.). Studies suggest thatexpressing lysine requirement as a function of digestible energy or protein contents of the diet is not appropriate.Studies have also indicated that “newer” approaches of estimating amino acid requirements (e.g., factorial aminoacid requirement, ideal protein concept), widely used in poultry and swine nutrition, may have significant pitfallswhen used in fish nutrition.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».