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

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 میباشند. 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 (0.84 r2=در برابر56 /0r2= برای داده‌های آزمون و 0.83r2= 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.

PREDICTION OF METABOLISABLE ENERGY OF SORGHUM GRAIN IN POULTRY BY USING PHENOL COMPONENTS AND ADF

Sorghum grain is an important ingredient in poultry diets. Nitrogencorrected true metabolizable energy (TMEn) content of sorghum grain is a measure of its quality. As for the other feed ingredients, the biological procedure used to determine the TMEn value of sorghum grain is costly and timeconsuming. Therefore, it is necessary to find an alternative method to accurately estimate the TMEn content of sorghum grain. Artificial neural networks are the powerful method which widely used in agriculture and poultry nutrition. Therefore In this study, an artificial neural network (ANN) and a multiple linear regression (MLR) models were used to predict the TMEn of sorghum grain based on its acid detergent fiber (ADF) and total phenols content. The accuracy of the models was calculated by R2, MS error and bias. The predictive ability of an ANN was compared with a MLR model using the same training data sets. The results of this study showed that it is possible to estimate sorghum grain TMEn with a simple analytical determination of ADF and phenolic content. The R2 values corresponding to testing and training of the ANN model showed a higher accuracy of prediction than that established by regression method (R2=84% vs 56% for training and R2=83% vs 47% for testig data sets respectively). In conclusion, the ANN model may be used to accurately estimate the TMEn value of sorghum grain from its corresponding chemical composition (ADF and total phenols content).