An artificial intelligence approach of feature engineering and ensemble methods depicts the rumen microbiome contribution to feed efficiency in dairy cows
Notice bibliographique
Résumé
Abstract Genetic selection has remarkably helped U.S. dairy farms to decrease their carbon footprint by more than doubling milk production per cow over time. Despite the environmental and economic benefits of improved feed and milk production efficiency, there is a critical need to explore phenotypical variance for feed utilization to advance the long-term sustainability of dairy farms. Feed is a major expense in dairy operations, and their enteric fermentation is a major source of greenhouse gases in agriculture. The challenges to expanding the phenotypic database, especially for feed efficiency predictions, and the lack of understanding of its drivers limit its utilization. Herein, we leveraged an artificial intelligence approach with feature engineering and ensemble methods to explore the predictive power of the rumen microbiome for feed and milk production efficiency traits, as rumen microbes play a central role in physiological responses in dairy cows. The novel ensemble method allowed to further identify key microbes linked to the efficiency measures. We used a population of 454 genotyped Holstein cows in the U.S. and Canada with individually measured feed and milk production efficiency phenotypes. The study underscored that the rumen microbiome is a major driver of residual feed intake (RFI), the most robust feed efficiency measure evaluated in the study, accounting for 36% of its variation. Further analyses showed that several alpha-diversity metrics were lower in more feed-efficient cows. For RFI,[Ruminococcus] gauvreauii groupwas the only genus positively associated with an improved feed efficiency status while seven other taxa were associated with inefficiency. The study also highlights that the rumen microbiome is pivotal for the unexplained variance in milk fat and protein production efficiency. Estimation of the carbon footprint of these cows shows that selection for better RFI could reduce up to 5 kg of diet consumed per cow daily, potentially reducing up to 37.5% of CH4. These findings shed light that the integration of artificial intelligence approaches, microbiology, and ruminant nutrition can be a path to further advance our understanding of the rumen microbiome on nutrient requirements and lactation performance of dairy cows to support the long-term sustainability of the dairy community.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».