پيش‌بيني صفات لاشه از اندازه‌هاي بدن با استفاده از روش‌هاي رگرسيون خطي و شبكه‌ي عصبي مصنوعي در گوسفند لري‌بختياري

سابقه و هدف: در این پژوهش ارتباط بین وزن زنده هنگام كشتار گوسفند لری بختیاری با خصوصیات لاشه (وزن لاشه‌ی گرم، وزن لاشه‌ی سرد، وزن نیم لاشهی سرد، وزن گوشت، وزن چربی، وزن استخوان و وزن دنبه) و برخی اندازه های ظاهری بدن (طول بدن، دور قفسه سینه، عرض كپل و عرض شانه) مورد بررسی قرار گرفت. همچنین معادلات رگرسیون خطی مناسب برای پیش بینی وزن زنده و خصوصیات لاشه تعیین شد و با روش شبكه‌ی عصبی مصنوعی نیز مقایسه گردید. مواد و روش‌ها: از ركوردهای مربوط به 58 رأس بره نر نژاد لری بختیاری ایستگاه پرورش و اصلاح نژاد شهرستان شهركرد واقع در استان چهار محال و بختیاری استفاده شد. بره ها در سن 5±90 روزگی شیرگیری و سپس در سه گروه 60، 80 و 100 روز پروار شدند. در پایان دوره پروار اندازه های ظاهری بدن اندازه‌گیری شد و بعد از كشتار و پوست كنی نیز خصوصیات لاشه مورد نظر اندازه گیری گردید. از تعداد 696 ركورد برای پیش‌بینی وزن زنده و خصوصیات لاشه با استفاده از معادلات رگرسیون و شبكه‌ی عصبی مصنوعی استفاده گردید. پیش‌بینی خصوصیات لاشه و وزن زنده هنگام كشتار با استفاده از اندازههای ظاهری بدن توسط معادله رگرسیونی دارای بهترین ضریب تعیین انجام شد. همچنین مدل های رگرسیونی منتخب پیش بینی كننده صفات با استفاده از شبكه‌ی عصبی مصنوعی نیز برازش داده شدند و نتایج این دو روش بر اساس معیارهای ضریب تعیین و میانگین مربعات خطا مقایسه شد. یافته‌ها: ضرایب همبستگی فنوتیپی بین وزن زنده و خصوصیات لاشه مثبت و نسبتاً زیاد برآورد گردید كه در دامنه‌ی 58/0 تا 99/0 قرار داشتند. ضرایب همبستگی فنوتیپی بین اندازه‌های بدن و خصوصیات لاشه نیز دارای تغییراتی در دامنه‌ی 29/0 تا 69/0 بود. در بین اندازه های ظاهری بدن بیشترین همبستگی را دور قفسه‌ی سینه با وزن زنده و خصوصیات لاشه داشت. همبستگی نسبتاً بالای بین وزن زنده و وزن اجزای مختلف لاشه با اندازه‌های ظاهری بدن در پژوهش حاضر حاكی از آن است كه می‌توان از اندازه‌های ظاهری بدن در پیش‌بینی این صفات و با دقت نسبتاً بالایی استفاده نمود. نتایج نشان داد با استفاده از اندازه های طول بدن، دور قفسهی سینه و عرض كپل در معادله رگرسیونی می توان با دقت 79 درصد وزن زنده بره های لری بختیاری را پیش‌بینی نمود. همچنین با استفاده از وزن زنده و دور قفسهی سینه میتوان وزن لاشهی گرم و وزن لاشه‌ی سرد را به ترتیب با دقت 97 و 96 درصد برآورد نمود. وزن زنده بدن به ترتیب 94 و 72 درصد از تنوع وزن نیم لاشه و وزن دنبه را توجیه نمود. همچنین نتایج نشان داد كه كارایی شبكه‌ی عصبی مصنوعی طراحی شده در پیش-بینی خصوصیات لاشه بالاتر از مدل‌های رگرسیون بود. نتیجه‌گیری: نتایج نشان داد كه می‌توان با دقت نسبتاً بالایی از اندازه‌های ظاهری بدن در پیش‌بینی وزن زنده و وزن اجزای مختلف لاشه استفاده نمود. همچنین نتیجه گیری شد كه تكنیك شبكه‌ی عصبی مصنوعی بهتر از معادلات رگرسیون خطی قادر به پیش‌بینی وزن زنده و خصوصیات لاشه در گوسفندان لریبختیاری بود. با توجه به اهمیت خصوصیات لاشه در تعیین پتانسیل ژنتیكی و تنظیم برنامه‌های اصلاح نژاد مرتبط با افزایش تولید گوشت، نتایج این پژوهش می‌تواند استفاده كاربردی داشته باشد.