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
- 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) - Retrosynthesis prediction enhanced by in-silico reaction data
augmentation [66.5643280109899]
RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。
3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-01-31T07:40:37Z) - 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) - Innovations in Agricultural Forecasting: A Multivariate Regression Study on Global Crop Yield Prediction [0.0]
本研究は,27年間で開発途上国37カ国の収量予測に6つの回帰モデルを適用した。
4つの主要な訓練パラメータ, 殺虫剤 (tonnes), 降雨剤 (mm), 温度 (Celsius), 収量 (hg/ha) が与えられた結果, 我々のランダムフォレスト回帰モデルは0.94の判定係数 (r2) を達成した。
論文 参考訳(メタデータ) (2023-12-04T18:45:28Z) - BovineTalk: Machine Learning for Vocalization Analysis of Dairy Cattle
under Negative Affective States [0.09786690381850353]
牛は口を閉じた,あるいは部分的に閉じた,近距離接触のための低周波発声 (LF) と遠距離通信のための高周波発声 (HF) の2種類の発声を行った。
本稿では,深層学習と説明可能な機械学習,高頻度および低周波の牛の鳴き声の分類,および個別の牛の音声認識の2つの計算フレームワークを提案する。
論文 参考訳(メタデータ) (2023-07-26T07:07:03Z) - Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。
そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。
予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
論文 参考訳(メタデータ) (2023-03-24T18:32:38Z) - 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) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳(メタデータ) (2022-08-04T01:34:46Z) - Segmentation Enhanced Lameness Detection in Dairy Cows from RGB and
Depth Video [8.906235809404189]
早期の乳腺検出は、農家が早期に病気に対処し、牛の状態を悪化させることによるネガティブな影響を避けるのに役立つ。
乳房から出る牛の短いクリップのデータセットを収集し,牛の乳腺の程度を注釈した。
我々は、トレーニング済みのニューラルネットワークを利用してビデオから識別的特徴を抽出し、その状態を示す各牛にバイナリスコアを割り当てる「健康」または「ラム」を提案する。
論文 参考訳(メタデータ) (2022-06-09T12:16:31Z) - 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)
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。