Redução do tempo para estimativa do consumo alimentar residual e predição do consumo alimentar em ovinos

Abstract

A avaliação do consumo alimentar de ovinos em provas de eficiência alimentar é uma característica de difícil mensuração, associada ao alto custo de mão de obra, alimentação e instalações. Diminuir o período de teste e aplicar abordagens de aprendizado de máquina, considerando potenciais preditores, otimizaria os recursos e forneceria maior número de animais com informações de consumo, e isso reduziria o custo por animal e permitiria avaliar um maior número por ano. Assim, os objetivos desta tese foram explorar modelos de consumo alimentar residual (CAR) para diminuir a duração da prova e testar quatro abordagens para encontrar o melhor método de predição do consumo. Foram realizadas duas pesquisas com o período de teste composto por 56 dias. No primeiro artigo, foram utilizados dados de 286 ovinos Merino Australiano de três provas de consumo. Dois modelos foram usados para calcular o CAR, Modelo 1 (modelo linear) e Modelo 2 (modelo semanal ou de medidas repetidas por semana). O Modelo 1 incluiu o ganho médio diário (GMD) obtido por regressão linear e o consumo médio de todo o período de prova. O Modelo 2 incluiu o consumo médio semanal como medida repetida e o GMD semanal. No segundo estudo, foram utilizados dados de 613 ovinos Merino Australiano, 156 Corriedale e 237 Dohne Merino de dez provas de consumo. Para treinar os modelos, foram utilizados 477, 70 e 93 observações de ovinos Merino Australiano, Corriedale e Merino Dohne, respectivamente. E a validação direta foi realizada em conjuntos de dados de 97 Merino Australiano, 79 Corriedale e 125 Merino. Os modelos de predição foram regressão linear, regressão não linear, regressão de k-vizinhos mais próximos (kNN) e regressão de floresta aleatória (RF). No primeiro estudo, as correlações de Pearson e Spearman entre modelos lineares e semanais, com 42 dias, foram de 0,89 e 0,87, respectivamente, para GMD. As melhores correlações foram detectadas para consumo entre os modelos de 42 e 35 dias, apresentando correlações de Pearson e Spearman de 0,95 e 0,94 para o modelo linear e 0,96 e 0,95 para o modelo semanal. Ao considerar o CAR, as correlações entre os modelos linear e semanal com 42 dias foram de 0,93 e 0,92, respectivamente. Os modelos CAR com 35 dias (linear e semanal) apresentaram correlações de Pearson e Spearman superiores a 0,98 com os modelos de 42 dias. Portanto, os modelos CAR com 35 dias de duração permitiram diminuir sete dias de prova, explicando 75,3% do consumo no modelo linear e 63,6% no modelo semanal. No segundo estudo, o maior R2 foi encontrado no model não linear com valor de 0,76 na validação cruzada no conjunto de dados de treinamento, com correlação de Pearson e Spearman, respectivamente, de 0,87 e 0,85. Na validação direta nos conjuntos de dados do Merino Australiano, Corriedale e Dohne Merino, foram encontrados correlação de Pearson de 0,69 a 0,86 e Spearman de 0,63 a 0,86. A redução de sete dias de teste e o uso de abordagens para previsão de consumo proporcionará uma maior coleta de dados em um ano de avaliação fenotípica, pela otimização de recursos e pela maior quantidade de animais com informação de consumo alimentar.

The evaluation of sheep feed intake (FI) in feed efficiency tests is a trait of difficult measurement, associated with the high cost of labor, feeding, and facilities. Decreasing the test period and applying machine learning approaches, considering traits as potential predictors, could optimize the resources and provide a greater number of animals with feed intake information, reducing the cost of evaluating by animal and allowing to test a greater number per year. For this reason, the objectives of this thesis were to explore residual feed intake (RFI) models to decrease the test duration and to test four approaches to find the best feed intake prediction method. Two research were carried out with the test period consisting of 56 days. In the first paper, the data was collected from 286 Australian Merino sheep of three performed trials. Two models were used to calculate RFI, Model 1 (linear model) and Model 2 (weekly model or repeatability model by week). Model 1 included average daily gain (ADG) estimates by linear regression and average FI of the period. The model 2 included weekly average FI as a repeated measure and the weekly ADG. The second study comes from 613 Australian Merino, 156 Corriedale, and 237 Dohne Merino sheep of ten feed intake trials. To train the models, 477, 70 and 93 observations of Merino Australian, Corriedale and Merino Dohne sheep were used, respectively. And direct validation was performed on 97 Australian Merino, 79 Corriedale and 125 Merino datasets. The prediction models were linear regression, nonlinear regression, k-nearest neighbors regression, and random forest regression. In the first study, the Pearson and Spearman correlations between linear and repeated models with 42-days for ADG were 0.89 and 0.87, respectively. The best correlations were detected for FI between 42 and 35-days models, presenting Pearson and Spearman correlations of 0.95 and 0.94 in the linear model, and 0.96 and 0.95 in the weekly model. When considering RFI, the correlations between linear and weekly 42-days models were from 0.93 and 0.92, respectively. The 35-days RFI length models (linear and weekly) presented Pearson and Spearman correlations greater than 0.98 with the 42-days models. Therefore, the RFI models 35-days of duration allowed to decrease seven days of the FI test while maintaining accuracy and explaining 75.3% of the FI in the linear model and 63.6% of the weekly model. In the second study, the highest R2 was found in the nonlinear model with a value of 0.76 in the cross-validation of the training data set, with Pearson and Spearman correlation, respectively, of 0.87 and 0.85. In direct validation on the Australian Merino, Corriedale and Dohne Merino datasets, Pearson's correlation from 0.69 to 0.86 and Spearman's correlation from 0.63 to 0.86 were found. Reducing seven days of testing and use approaches for FI prediction would provide a greater data collection into a year of phenotypic evaluation.