برازش منحنی رشد در بلدرچین ژاپنی با استفاده از مدل های غیرخطی و مختلط غیرخطی

مقدمه وهدف: امروزه مدل های رشد در سامانه های زیستی از اهمیت ویژه ای برخوردار می باشند. برای نمونه از طریق تجزیه و تحلیل و مطالعه منحنی های رشد در نشخوارکنندگان و طیور، این امکان وجود دارد تا مراحل رشد آنها را با قوانین شناخته شده رشد انطباق داده و به کمک آنها برنامه های مدیریتی و تغذیه ای جهت انتخاب و تاثیر بر پرورش و بهره وری دام ها ارائه نمود. به علاوه از منحنی های رشد می توان جهت ارزیابی پتانسیل ژنتیکی موجود زنده نیز استفاده کرد. این مطالعه به منظور بررسی قابلیت ها و مزیت های مدل های غیرخطی و مختلط غیرخطی در توصیف و بررسی الگوی رشد بلدرچین ژاپنی انجام شده است. مواد و روش ها: در این تحقیق اطلاعات رشد لاین های مختلف بلدرچین اعم از لاین سنگین وزن (hw)، سبک وزن (lw) و شاهد استفاده شد. به منظور بررسی و توصیف الگوی رشد بلدرچین های سه گروه، از سه مدل رشد لجستیک، گمپرتز و ریچارد هم به صورت غیرخطی و هم به صورت مختلط غیرخطی استفاده شد و این مدل ها با سه معیار ضریب تعیین (r^2)، میانگین مربعات خطا (mse) و معیار اطلاعات آکایک (aic) با یکدیگر مقایسه شدند. یافته ها: مقادیر معیارهای ضریب تعیین (r^2)، میانگین مربعات خطا(mse) و معیار اطلاعات آکایک(aic) به ترتیب برای مدل لجستیک غیرخطی (0.954، 74.034، 65829) و برای مدل گمپرتز غیرخطی به ترتیب (0.957، 72.56، 65307) و همچنین برای مدل ریچارد غیرخطی به ترتیب (0.951، 72.730، 65349) بدست آمد. همچنین سه معیار ضریب تعیین(r^2)، میانگین مربعات خطا(mse) و معیار اطلاعات آکایک (aic) برای مدل لجستیک مختلط غیرخطی به ترتیب (0.978، 33.400، 61449) و برای مدل گمپرتز مختلط غیرخطی به ترتیب (0.978، 31.658، 60641) و همچنین برای مدل ریچارد مختلط غیرخطی به ترتیب (0.978، 31.849، 60591) بدست آمد، که مدل های مختلط غیرخطی به دلیل بالاتر بودن دقت و کمتر بودن خطا نسبت به مدل های غیرخطی برتری داشتند. نتیجه گیری: مدل رشد ریچارد مختلط با داشتن بالاترین دقت و کمترین خطا بهتر از سایر مدل ها می تواند رشد را در بلدرچین ژاپنی پیش بینی کند و توابع گمپرتز و لجستیک در رده های بعدی قرار دارند. در میان مدل های غیرخطی به ترتیب مدل گمپرتز، ریچارد و لجستیک برازش بهتری داشتند و در میان مدل های مختلط غیرخطی به ترتیب برازش مدل های ریچارد، گمپرتز و لجستیک بهتر بود. در بین توابع مدل لجستیک غیرخطی به دلیل کمتر بودن دقت و بیشتر بودن خطا توصیف مناسبی از منحنی رشد بلدرچین ندارد.

fitting growth curve in japanese quail (coturnix coturnix japonica) using nonlinear and nonlinear mixed-effects models

introduction and objective: the growth models own a very great importance in biological systems.  for example, by analyzing the growth curve of ruminant animals and poultries, it is possible to fastener and to manage their rearing, nutritional and behavioral requirements, based on their growth routines and principles. on the other hand the growth pattern of animals might be used in evaluating their genetic potential for breeding purposes. thus, to evaluate and describe the growth pattern of japanese quail, this study aimed to evaluate the capabilities and advantages of nonlinear and nonlinear mixed models to describe and evaluate the growth pattern of japanese quail. material and methods: in order to assess and designate the growth pattern of japanese quail, we used the growth data of three groups; high weight (hw), low weight (lw) and the control lines of japanese quail. different models, including logistic, gompertz and richard’s both nonlinear and nonlinear mixed models were fitted to the data. for evaluation of models three criteria including coefficient of determination (r2), mean square error (mse) and akaike’s information criterion (aic) were employed as criteria to compare the mentioned six different models. results: values of the coefficient of determination (r2), for logistic, gompertz and richard’s nonlinear models were 0.954, 0.957 and 0.951, mean square error (mse) for three models were 74.034, 72.560 and 72.730, and akaike’s information criterion (aic) for the models were 65829, 65307 and 65349, respectively. the results for nonlinear mixed models, in the same order mentioned above and for r2, mse and aic, were 0.976, 0.978 and 0.978; 33.400, 31.658 and 31.849; 61449, 60641 and 60591 respectively. conclusion: the results showed that nonlinear mixed models had higher accuracy and less mean square error, compared to nonlinear models and richard’s model is more capable (better) to the predict growth pattern of japanese quail. also among nonlinear models gompertz model had a better fit to the purpose. in general it can be said that the parameters determined by the functions inspected in this study, are not much different.