論文の概要: From Microbes to Methane: AI-Based Predictive Modeling of Feed Additive Efficacy in Dairy Cows

• arxiv url: http://arxiv.org/abs/2311.12901v1
• Date: Tue, 21 Nov 2023 10:57:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 17:38:12.274490
• Title: From Microbes to Methane: AI-Based Predictive Modeling of Feed Additive Efficacy in Dairy Cows
• Title（参考訳）: 微生物からメタンへ:乳牛の飼料添加効果のAIによる予測モデル
• Authors: Yaniv Altshuler, Tzruya Calvao Chebach, Shalom Cohen
• Abstract要約: 本研究は, 乳牛の飼料添加剤の有効性を予測するために, ラムエン微生物データを用いた。 本研究は, 飼料添加剤を原料として, 乳の収量と乳組成を最適化するトランスフォーメーション能力について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In an era of increasing pressure to achieve sustainable agriculture, the optimization of livestock feed for enhancing yield and minimizing environmental impact is a paramount objective. This study presents a pioneering approach towards this goal, using rumen microbiome data to predict the efficacy of feed additives in dairy cattle. We collected an extensive dataset that includes methane emissions from 2,190 Holstein cows distributed across 34 distinct sites. The cows were divided into control and experimental groups in a double-blind, unbiased manner, accounting for variables such as age, days in lactation, and average milk yield. The experimental groups were administered one of four leading commercial feed additives: Agolin, Kexxtone, Allimax, and Relyon. Methane emissions were measured individually both before the administration of additives and over a subsequent 12-week period. To develop our predictive model for additive efficacy, rumen microbiome samples were collected from 510 cows from the same herds prior to the study's onset. These samples underwent deep metagenomic shotgun sequencing, yielding an average of 15.7 million reads per sample. Utilizing innovative artificial intelligence techniques we successfully estimated the efficacy of these feed additives across different farms. The model's robustness was further confirmed through validation with independent cohorts, affirming its generalizability and reliability. Our results underscore the transformative capability of using targeted feed additive strategies to both optimize dairy yield and milk composition, and to significantly reduce methane emissions. Specifically, our predictive model demonstrates a scenario where its application could guide the assignment of additives to farms where they are most effective. In doing so, we could achieve an average potential reduction of over 27\% in overall emissions.
• Abstract（参考訳）: 持続可能な農業を実現するための圧力が高まっている時代には、収量の向上と環境影響の最小化のための家畜飼料の最適化が最重要目標である。 本研究は, 乳牛の飼料添加物の有効性を予測するために, ルメン微生物データを用いた先駆的アプローチを提案する。 我々は、34箇所に分布するホルスタイン牛2,190頭のメタン排出量を含む広範なデータセットを収集した。 牛は, 乳化日数, 乳化日数, 平均乳生産量などの変数を考慮し, 二重盲検群と無バイアス群に分け, 対照群と実験群に分けた。 実験群はAgolin, Kexxtone, Allimax, Relyonの4種類の主要な市販飼料添加物のうちの1つである。 メタン排出量は添加剤投与前とその後の12週間でそれぞれ測定された。 添加効果予測モデルを開発するために, 実験開始前の同じ群落から510頭のウシからラメン微生物サンプルを採取した。 これらのサンプルは深層メタゲノミクスのショットガンシークエンシングを行い、1サンプルあたり平均1570万の読み出しが得られた。 革新的な人工知能技術を利用して、異なる農場でこれらのフィード添加剤の有効性を推定しました。 モデルの堅牢性は、独立コホートによる検証を通じてさらに確認され、その一般化性と信頼性が確認された。 本研究は,乳の収量と乳の組成を最適化し,メタン排出量を著しく低減するために,飼料添加剤戦略を目標とする形質転換能力を強調した。 特に,我々の予測モデルは,そのアプリケーションが最も有効である農場への添加物の割り当てを誘導できるシナリオを実証する。 そうすることで、全体の排出量の27対%以上を平均的に削減できるのです。

関連論文リスト

• Mapping Methane -- The Impact of Dairy Farm Practices on Emissions Through Satellite Data and Machine Learning [0.0]
  本研究では,カナダ東部の衛星観測から得られた乳牛の特性とメタン濃度の相関について検討した。 我々は,Sentinel-5P衛星メタンデータを群集遺伝学,摂食慣行,管理戦略など,農業レベルの重要な属性と統合した。
  論文  参考訳（メタデータ） (2024-11-13T16:52:30Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• Adaptive Inference-Time Compute: LLMs Can Predict if They Can Do Better, Even Mid-Generation [51.127054971591924]
  本稿では,生成サンプル数を適応的に削減する新たな自己評価手法を提案する。 平均1.2サンプルだけで16サンプルの使用による改善の74%が達成できることを実証した。
  論文  参考訳（メタデータ） (2024-10-03T17:47:29Z)
• Optimizing Ingredient Substitution Using Large Language Models to Enhance Phytochemical Content in Recipes [0.0]
  本研究では,レシピの成分置換を最適化するために,大規模言語モデル (LLM) をどのように適用できるかを検討する。 OpenAIのGPT-3.5、DaVinci、MetaのTinyLlamaといったモデルを、成分置換データセットを使用して微調整しました。 これらの置換により、1,951の植物化学的に濃縮された成分ペアリングと1,639のユニークなレシピが作られた。
  論文  参考訳（メタデータ） (2024-09-13T12:55:45Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Hybrid Machine Learning techniques in the management of harmful algal blooms impact [0.7864304771129751]
  軟体動物栽培はハーモフル藻類(HAB)の影響を受けうる HABは高濃度の藻のエピソードであり、人間の消費に有害である可能性がある。 人的消費のリスクを避けるため、毒性が検出されると収穫が禁止される。
  論文  参考訳（メタデータ） (2024-02-14T15:59:22Z)
• Efficiently Predicting Protein Stability Changes Upon Single-point Mutation with Large Language Models [51.57843608615827]
  タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。 タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
  論文  参考訳（メタデータ） (2023-12-07T03:25:49Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated Label Mixing [104.630875328668]
  ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。 両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
  論文  参考訳（メタデータ） (2021-12-16T11:27:48Z)
• Biomanufacturing Harvest Optimization with Small Data [3.8447683272775586]
  発酵過程におけるタンパク質の蓄積と不純物濃度を特徴付けるモデルを導入する。 業界における一般的な課題は、非常に限られた量のデータしか利用できないことだ。 本研究では, 発酵プロセスの収穫決定(すなわち, 発酵を止めて生産報酬を回収するタイミング)について, モデルリスク下で検討する。
  論文  参考訳（メタデータ） (2021-01-11T07:47:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。