نوع مقاله : مقاله پژوهشی
نویسنده
عضو هیات علمی مرکز تحقیقات کشاورزی و منابع طبیعی استان اصفهان
چکیده
سورگوم یکی از منابع غذایی انرژی زا در در جیرهی طیور محسوب می شود که به دلیل تنوع در ارقام موجود؛ مقدار انرژی قابل متابولیسم یکی از شاخص های مهم در تعیین کیفیت آن است. اطلاعات مربوط به تعیین TMEn، غالبا با استفاده از آزمایشهای زیستی امکانپذیر است که مستلزم صرف هزینه و زمان می-باشند. به همین دلیل تخمین TMEnاز طریق ترکیبات شیمیایی دانه از اهمیت بالایی برخوردار است. این تخمینها غالبا از طریق رگرسیون خطی چندگانه 1(MLR) صورت گرفتهاند. شبکههای عصبی مصنوعی 2(ANN) یکی از روشهایی است که به طور گسترده در کشاورزی و تغذیه طیور مورد استفاده قرار میگیرد.به همین دلیل در این مطالعه، یک مدل برمبنای MLR و مدل دیگر بر اساس ANN به منظور تخمین میزان TMEn دانهی سورگوم ارائه شده است. ورودیهای بکاررفته در هر دو مدل شامل: دیواره سلولی بدون همیسلولز (ADF) و مقدار ترکیبات فنلی دانه سورگوم بودند. عملکرد مدلها با استفاده از ضریب تبیین (R2)، میانگین مربعات خطا و اریب مورد ارزیابی قرار گرفت. نتایج بدست آمده نشان داد که بین ترکیبات فنلی و ADF با TMEn همبستگی وجود دارد. همچنین ANN در مقایسه باMLR، در پیشبینی دارای دقت بالاتری بود (84/0 R2=در برابر56 /0R2= برای دادههای آزمون و 83/0R2= در مقابل47 /0R2= برای دادههای تست). به طور کلی نتایج حاصل از این آزمایش نشان داد که می توان با استفاده از شبکه های عصبی مصنوعی و به کار گیری ADF و ترکیبات فنلی مقدار انرژی قابل متابولیسم دانه ی سورگوم را تخمین زده و تعیین نمود.
کلیدواژهها
Ahmadi, H., A. Golian, M. Mottaghitalab, and N. Nariman-Zadeh. (2008). Prediction Model for True Metabolizable Energy of Feather Meal and Poultry Offal Meal Using Group Method of Data Handling-Type Neural Network. Poultry Science. 87:1909–1912.
Ahmadi, H., and A. Golian. (2010). Growth analysis of chickens fed diets varying in the
percentage of metabolizable energy provided by protein, fat, and carbohydrate through artificial neural network. Poultry Science. 89:173-179.
AOAC. ( 2000). Official Methods of Analysis. Association of Official Analytical Chemists, Washington, DC,USA.
Bolzan, A. C., R. A. F. Machado, and J. C. Z. Piaia.(2008). Egg hatchability prediction by
multiple linear regression and artificial neural networks. Brazilian Journal of Poultry
Science. 10:97–102.
Boren, B., and R. D. Waniska. (1992). Sorghum seed color as an indicator of tannin content.
Journal of Applied Poultry Research. 1:117-121
Breuer, L.H., and C. K. Dohm. (1972). Comparative nutritive value of several sorghum
varietiesand hybrids. Journal of Agriculture and Food Chemistry. 20:83-86
Butler, L. G. (1990). The nature and amelioration of the antinutritional effects of tannins in
sorghum grain. Pages 191–205 In: Proceedings of the International Conference on
Sorghum Nutritional Quality, Feb 26–March 1, 1990
Chung, K. T., T. Y. Wong, C. I. Wei, Y. W. Huang, and Y. Lin. (1998). Tannins and human
health: A review. Critical Review of Food Science. 38:421–464.
Douglas, J. H., T. W. Sullivan, P. L. Bond, and F. J. Struwe. (1990). Nutrient composition
and metabolizable energy values of selected grain sorghum varieties and yellow corn.
Poultry Science. 69:1147-1155.
Dowling, L. F., C. Arndt, and B. R. Hamaker. (2002). Economic Viability of High
Digestibility Sorghum as Feed for Market Broilers. Agronomic Journal. 94:1050–1058.
Featherston, W. R., and J. C. Rogler. (1975). Influence of tannins on the utilization of
sorghum grain by rats and chicks. Nutrition Reports International. 11:491-497.
Flores, M. P., J. I. L. Castanon, and J. M. Mcnab. (1994). Effect of tannins on starch
digestibilityand TMEn of triticale and semi purified starches from triticale and field beans.
British Poultry Science. 35: 281-286.
Goering, H. K., and P. J. Van Soset. (1970). Forage fiber analyses (apparatus, Reagents T
Procedures and some Applications). Agriculture Handbook. NO. 379. ARS-USDA,
Washington, DC.
Griffiths, D. W. (1979). The inhibition of digestive enzymes by extracts of field beans
(Viciafaba). Journal of Science and Food Agriculture. 30: 458-462.
Griffiths, D. W., and G. Moseley. (1980). The effect of diets containing field beans of high
- or low polyphenolic content on the activity of digestive enzymes in the intestines of rats.
Journal of Agricultural and Food Chemistry. 31: 255-259
Hagerman, A. E., K. M. Reidl, G. A. Jones, K. N. Sovik, N. T. Ritchard, P. W. Hartzfield,
and T. L. Tiechel. (1998). High molecular weight plant polyphenolics (tannins) as
biological antioxidants. Journal of Agricultural and Food Chemistry. 46:1887–1892.
Halley, J. T., T. S. Nelson, L. K. Kirby, and J. O. York. (1986). Effect of tannin content of
Sorghum grain in poultry rations on dry matter digestion and energy utilization. Arkansas
Farm Research Agricultural Experiment Station, University of Arkansas, Fayetteville,
Arkansas 35 (2): 8
Haslam, E. (1981). Vegetable tannins. In: The Biochemistry of Plants, Vol. 7 (Ed Conn,
E.E.), Academic Press, New York, pp. 527-544
Hulan, H. W., and F. G. Proud foot. (1982). Nutritive value of sorghum grain for broiler
chickens. Canadian Journal of Animal Science. 62:869–875.
Jimenez-Ramsey, L. M., J. C. Rogler, T. L. Housley, L. G. Butler, and R. G. Elkin. (1994).
Absorption and distribution of 14C-labeled condensed tannin and related sorghum
phenolics in chickens. Journal of Agricultural and Food Chemistry. 42: 963-967.
Mahmood, S., and R. Smithard. (1993). A comparison of effects of body weight and feed
intake on digestion in broiler cockerels with effects of tannins. British Journal of
Nutrition. 70:701-709.
Moir, K. W., and J. K. Connor. (1977). A comparison of three fiber methods for predicting
the metabolizable energy content of sorghum grain for poultry. Animal Feed Science and
Technology. 2:197-203.
National Research Council, (1994). Nutrient Requirements for Poultry. 9th rev. ed. National
Academy Press, Washington, DC.
Nyachoti, C. M., J. L. Atkinson, and S. Leeson. (1997). Sorghum tannins: a review. World
Poultry Science Journal. 53:5-21.
Perai A. H., H. Nassiri Moghaddam , S. Asadpour, J. Bahrampour, and Gh. Mansoori.
(2010). A comparison of artificial neural networks with other statistical approaches for
the prediction of true metabolizable energy of meat and bone meal. Poultry Science.
89:1562–1568.
Roush, W. B., and T. Cravener. (1997). Artificial neural network prediction of amino acid
levels in feed ingredients. Poultry Science. 76:721–727
Roush, W. B., W. A. Dozier III, and S. L. Branton. (2006). Comparision of Gompertz and
neural networks models of broiler growth. Poultry Science. 85:794–797.
Roush, W.B., Y.K. Kirby, T.L. Cravener, and R.F Wideman. (1996). Artificial neural
networks prediction of ascites in broilers. Poultry Science. 75:1479-1487.
Salle, C. T., A. S. Guahyba, V. B. Wald, A. B. Silva, F. O. Salle, and V. P. Nascimento.
(2003). Use of artificial neural networks to estimate production variables of broilers
breeders in the production phase. British Poultry Science. 44:211-217.
Sibbald, I. R. (1976). A bioassay for true metabolizable energy of feedstuffs. Poultry
Science. 55:303–308.
Sibbald, I. R. (1977). The true metabolizable energy values of some feeding-stuffs. Poultry
Science. 56: 380-385.
STATSOFT. (2009). Statistica. (Data Analysis Software System). Version 8.0.Tulsa,OK:
Statistica Software Incorporation.