PSXIII-11 A systematic review and meta-analysis of efficacy of exogenous fiber enzymes in modulating growth performances and nutrient digestibility in weanling pigs.
Notice bibliographique
Résumé
Abstract Dietary fiber is an anti-nutritive factor that reduces nutrient digestibility, profitability and contributes to greenhouse gas emissions in swine production. Exogenous fiber enzymes have been used in the swine industry for over two decades, but their efficacy in modulating growth performance and nutrient digestibility in weanling pigs remains inconsistent. We hypothesized no significant differences in the in vivo efficacy endpoints in responses to exogenous fiber enzyme supplementation. This study conducted a meta-analysis of 35 studies (2003–2024) to examine the effects of exogenous fiber enzyme supplementation on growth performance and nutrient digestibility in weanling pigs fed commercial diets containing oil meals, cereal grains, by-products and co-products. Results showed no differences (P >0.05) between non-enzyme and enzyme-supplemented groups in initial body weight (7.91±0.35 vs. 7.68±0.28 kg) and dietary contents (as-fed) of net energy (2463±63 vs. 2462±63 kcal/kg), crude fat (7.98±2.72 vs. 8.12±2.73%), neutral-detergent fiber (NDF) (12.16±0.77 vs. 13.14±0.85%) and lignin (0.82±0.23 vs. 0.84±0.28%). Supplementation of exogenous fiber enzymes of cellulases and hemi-cellulases in single and/or in combination had no effects (P >0.05) on growth performance indicators of average daily gain, feed intake, and gain-to-feed ratio. Apparent total tract digestibility of dry matter (82.8±0.8 vs. 83.3±0.9%), NDF (53.5±2.3 vs. 55.6±2.5%) and crude fat (69.2±8.8 vs. 70.3±9.3%) remained unchanged (P >0.05). Our meta-analysis results suggest that currently available commercial exogenous fiber enzymes have limited efficacy for improving growth performances and nutrient digestibility in weanling pigs. More efficacious exogenous fiber enzymes or their modifications need to be further developed to improve profitability and sustainability in swine production.
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 | 0,009 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,025 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».