开发机器学习模型,用于估计哺乳乳奶牛料中的可代谢蛋白质供应

科学领域:

• 动物科学动物科学
• 农业工程 农业工程
• 计算生物学 计算生物学

背景情况:

• 优化奶牛的营养对于可持续的牛生产和牛奶产量至关重要.
• 精确预测蛋白质利用率,特别是乳头不可降解蛋白 (RUP) 和十二指肠微生物 (MicN),对于有效的料配方至关重要.

研究的目的:

• 开发和评估用于预测乳牛RUP和MicN的新型机器学习模型.
• 将机器学习模型的性能与现有的营养模型进行比较 (NASEM 2021).

主要方法:

• 利用了来自436个出版物的1779个观测数据集.
• 训练支持向量回归 (SVR) 和随机森林回归 (RFR) 模型.
• 确定了关键预测变量,包括牛奶中的天数 (DIM),干物质摄入量 (DMI),纤维和原蛋白分数.

主要成果:

• 通过RFR模型实现了R2=0.60,RMSEP=0.326 kg/d,CCC=0.71用于RUP预测.
• 在SVR模型中,R²=0.76,RMSEP=42.4 g/d,CCC=0.86为MicN预测而实现.
• 与传统方法相比,这两种ML模型都显示出更高的预测准确性.

结论:

• 机器学习模型,特别是RUP的RFR和MicN的SVR,在预测奶牛的蛋白质利用方面提供了更高的精度.
• 这些人工智能驱动的方法具有优化乳牛营养和改善可持续生产的巨大潜力.
• 未来的研究应该研究混合模型,将传统和人工智能技术结合起来,以获得更大的预测能力.