几种模型与超声波技术相结合,可以预测 brojlers 的乳腺肌肉重量

科学领域:

• 动物科学动物科学
• 遗传学 遗传学 是一个
• 机器学习在农业中的应用

背景情况:

• 准确预测肉的乳腺肌肉重量 (WBM) 对于遗传改进至关重要.
• 目前的方法依赖于屠宰后的测量,限制了体内基因组和表型选择.
• 由于缺乏精确的活体指标,WBM的遗传收益没有达到预期.

研究的目的:

• 开发和评估肉乳腺肌肉体重的体内预测模型.
• 为了比较各种回归和机器学习算法的性能,用于WBM预测.
• 确定最佳的活体指标和模型,以提高 brojler 繁殖.

主要方法:

• 在体内测量的特征:乳房宽度 (BW),化石骨长度 (FBL),乳房肌肉厚度 (BMT) 和活体重 (LW) 在1006只 brojlers.
• 配备了八种回归模型:多重线性回归 (MLR),回归 (RR),最小绝对收缩和选择运算符 (LASSO) 和弹性网 (EN).
• 使用的机器学习算法:支持带有线性和辐射内核的矢量机器 (SVM),随机森林 (RF) 和极端梯度增强 (XGBoost).

主要成果:

• 弹性网 (EN) 模型在使用所有四个实时功能 (BW, FBL, BMT, LW) 时实现了最高的预测准确性 (R2 = 0.7696).
• 该模型略高于其他经过测试的回归和机器学习模型.
• 该研究确定了可以有效预测WBM的关键体内指标.

结论:

• 弹性网模型提供了一种强大而准确的方法,用于预测肉乳腺肌肉的体内体重.
• 实施这种预测模型可以显著降低成本,提高 brojiler 繁殖计划的效率.
• 准确的体内WBM预测促进了增强的基因组和表型选择,加速了遗传收益.