مقايسه مدل هاي رگرسيون خطي چندگانه و شبكه عصبي مصنوعي براي پيش بيني اسيدهاي آمينه ارزن مرواريدي (Pennisetum glaucum) با استفاده از تجزيه تقريبي

Comparison of Multiple Linear Regression and Artificial Neural Network Models to Estimate of Amino acid Values in Pearl Millet Hybrid Based on Chemical Composition

ارزن مرواريدي گياهي مقاوم در شرايط خشكي است كه پروتيين و سطح انرژي قابل متابوليسم دانه آن با ذرت مساوي و بيشتر از سورگوم است و به همين جهت در تغذيه طيور مورد توجه قرار گرفته است. تعيين اسيدهاي آمينه مواد خوراكي با استفاده از روش هاي آزمايشگاهي نياز به صرف زمان و هزينه بالايي دارد. از اين رو يافتن روش هايي براي تخمين ميزان اسيدهاي آمينه داراي اهميت مي باشد. از دير باز مدل هاي رگرسيوني خطي چندگانه (MLR) براي تخمين اسيدهاي آمينه برخي مواد خوراكي با استفاده از پروتيين و يا تجزيه تقريبي مورد استفاده قرار گرفته اند. استفاده از شبكه هاي عصبي مصنوعي (ANN) براي تخمين دقيق تر ميزان اسيدهاي آمينه مواد خواركي با استفاده از تركيبات شيميايي مي تواند نتايج بهتري را به همراه داشته باشد. بنابراين مطالعه اي با هدف تخمين سطح اسيدهاي آمينه دانه ارزن مرواريدي با استفاده از شبكه عصبي و رگرسيون خطي چندگانه انجام شد. به اين منظور از يكي از منابع كه تعداد 52 نمونه ارزن مرواريدي را از نظر تجزيه تقريبي و سطح اسيدهاي آمينه مورد بررسي قرار داده بود، استفاده شد. در اين مدل ها، ماده خشك، پروتيين خام، چربي، خاكستر و فيبر خام به عنوان متغير پيشگو و هر يك از اسيدهاي آمينه به عنوان متغير پاسخ استفاده شدند. نتايج بدست آمده حاكي از اين است كه بين اسيدهاي آمينه دانه ي ارزن مرواريدي و تركيبات شيميايي آن ارتباط قابل توجهي وجود دارد. ارزيابي آماري نشان داد كه مدل ANN در مقايسه با MLR داراي قدرت تخمين بيشتري براي برآورد ميزان هر يك از اسيدهاي آمينه ارزن مرواريدي با استفاده از روش تجزيه تقريبي مي باشد.

Pearl millet has tolerance to harsh growing conditions such as drought. It is at least equivalent to maize and generally superior to sorghum in protein content and metabolizable energy levels. Thus it is of importance for poultry feeding. Amino acid (AA) determination is expensive and time consuming. Therefore nutritionists have prompted a search for alternatives to estimate AA levels. Traditionally, two methods of predicting AA levels have been developed using multiple linear regression (MLR) with an input of either CP or proximate analysis. Artificial neural networks (ANN) may be more effective to predict AA concentration in feedstuff. Therefore a study was conducted to predict the AAs level in pearl millet with either MLR or ANN. Fifty two samples of pearl millet’s data lines contained chemical compositions and AAs which collected from literature were used to find the relationship between chemical analysis as xi and AA contents as y. For both MLR and ANN models chemical composition (dry matter, ash, crude fiber, crude protein, ether extract) was used as inputs and each individual AA was the output in each model. The results of this study showed that it is possible to predict AAs with a simple analytical determination of proximate analysis. Furthermore ANN models could more effectively identify the relationship between AAs and proximate analysis than linear regression model.