متاآنالیز انرژی قابل متابولیسم گندم در طیور برای تعیین معادلات رگرسیونی بر اساس ترکیبات شمیایی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 286

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JAP-22-2_009

تاریخ نمایه سازی: 9 اردیبهشت 1400

چکیده مقاله:

هدف از این پژوهش، بررسی معادلات رگرسیونی پیشبینی انرژی قابل متابولیسم گندم با استفاده از محتوای شمیایی آنها با استفاده از مطالعه متاآنالیزی بود. پایگاه دادهای متشکل از ترکیبات شیمیایی و محتوای انرژی قابل متابولیسم ظاهری تصحیح شده برای ازت (AMEn‎)، نمونه ۱۱۱از واریتههای مختلف گندم از منابع منتشر شده قبلی استخراج و بررسی شد. اطلاعات نمونهها شامل پروتئین خام (CP)، چربی خام (EE)، فیبر خام (CF)، خاکستر (Ash) و AMEnبود. میانگین AMEn‎، (کیلوکالری در کیلوگرم۲۹۱۷/۴۶) و میانگین CP، EE، CF و Ash بهترتیب ۱۲/۵۳، ۲/۱۲، ۱/۶۱، ۱/۵۶ (درصد ماده خشک) بود. با استفاده از پایگاه دادههای طراحی شده، معادلات متا-رگرسیونی برای پیشبینی محتوای AMEn‎ از روی ترکیبات شمیایی برازش شد. بهترین معادله به صورت CF% ۱۸۵/۴ + EE% ۱۷۵/۸ + CP% ۴۵/۸ + ۱۶۴۸= (کیلوکالری/کیلوگرم) AMEn بهدست آمد. از این معادله میتوان  برای پیشبینی انرژی واریتههای گندم در کارخانههای خوراک دام و یا مزارع پرورش طیور استفاده نمود.

نویسندگان

حامد احمدی

استادیار، گروه پرورش و مدیریت طیور، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران.

وحید رسولی مریوانی

دانشجوی کارشناسی ارشد، گروه پرورش و مدیریت طیور، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران

یوسف محمدی

دانشجوی کارشناسی ارشد، گروه پرورش و مدیریت طیور، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • 1. Alvarenga R, Zangeronimo M, Pereira L, Wolp R and Almeida, ...
  • 2. Ahmadi H and Rodehutscord M (2017) Application of artificial neural ...
  • 3. Ahmadi H and Rodehutscord M (2012) A meta-analysis of responses ...
  • 4. Ahmadi H (2017) A mathematical function for the description of ...
  • 5. Barteczko J, Augustyn R, Lasek O and Smulikowska S (2009) ...
  • 6. Carré B, Lessire M and Juin H (2013) Prediction of ...
  • 7. Del Alamo AG, Verstegen MWA, Den Hartog LA, de Ayala ...
  • 8. Firkins JL, Eastridge ML, St-Pierre NR and Noftsger SM (2001) ...
  • 9. Ghods Alavi B, Morovaj H and Shivazad M (2017) Determination ...
  • 11. Mariano FCMQ, Paixão CA, Lima RR, Alvarenga RR, Rodrigues PB ...
  • 12. Noorghadimi J, Moraveg H, Ghaziani, F and Akbari R(2016) Prediction ...
  • 14. Salar M and Golian1 A (2000) The use of sibbald ...
  • 16. Shakouri M and Kermanshahi H (2003) Effect of NSP degrading ...
  • 17. Scott, T (2002) Impact of wet feeding wheatbased diets with ...
  • 18. Sauvant D and Martin O (2006) Empirical Modelling through Meta-analysis ...
  • 19. Sauvant D, Schmidely P, Daudin J and St-Pierre N.R (2008) ...
  • 20. Valdes E and S. Leeson (1992) Near infrared reflectance analysis ...
  • 21. Yegani M and Korver DR (2012) Prediction of variation in ...
  • 22. Yaghoubfar A, Mirzaei S, Valizadeh H and Safamehr A (2012) ...
  • نمایش کامل مراجع