برآورد انرژی قابل متابولیسم سورگوم دانه ای در طیور با استفاده از میزان ترکیبات فنلی و دیواره سلولی بدون همی سلولز(ADF)

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.