Искусственный интеллект может расшифровать здоровье кишечника птицы

Машинное обучение может стать ключом к пониманию того, как питание и управленческие решения влияют на микробиом.
Здоровье кишечника птицы является краеугольным камнем производительности стада, но преобразование данных микробиома в решения на уровне фермы — постоянная задача для птицеводческой отрасли. Искусственный интеллект (ИИ) может стать ключом.

Несмотря на растущее осознание значимости микробиома, фундаментальная проблема остаётся основной.

«До сих пор существует разрыв между модуляцией микробиома кишечника и тем, как это превращается во что-то, что производитель действительно может видеть и использовать», — сказала Фернанда Кастро, технический руководитель по микропитанию и здоровью в Cargill.

Здоровье кишечника напрямую влияет на усваиваемость питательных веществ, эффективность усвоения и преобразование корма. Это означает, что пробелы в управлении микробиомом имеют реальные экономические последствия.

ИИ находит закономерности
Объединение моделей ИИ, баз данных с микробиомом и информации о результатах может помочь выявить бактериальные паттерны и специфические биомаркеры, связанные с высокоэффективными стадами, а также те, что связаны с плохими результатами.

Учитывая состав рациона, географический регион, сезон, массу тела, записи о вакцинации и производительность в анализе, ИИ учитывает вариабельность, существующую между фермами, регионами и производственными системами. Микробиом кишечника птицы в США выглядит иначе, чем в Нидерландах, и модели, созданные без этого контекста, всегда будут уступать.

Переосмысление того, что мы знаем
Анализ, основанный на ИИ, также ставит под сомнение некоторые давние предположения. Лактобациллус, например, широко продвигается как надёжный индикатор хорошего здоровья кишечника, но реальность — как показал анализ искусственного интеллекта — гораздо сложнее.

В раннем возрасте птицы, примерно в семь дней, высокая численность Lactobacillus действительно является положительным признаком. Но по мере взросления птиц здоровый микробиом должен смещаться в сторону большего количества короткоцепочечных бактерий, производящих жирные кислоты.

Однако анализ на основе искусственного интеллекта показал, что некоторые штаммы Lactobacillus, которые пролиферируют в кекуме на поздних этапах производства, могут на самом деле конкурировать с этими полезными бактериями и подавлять их, снижая pH, тихо действуя против результатов производительности, которых стремятся достичь производители.

Точность над сложностью
Вместо того чтобы пытаться одновременно картографировать всю сложность микробиома с помощью ИИ, сосредоточьтесь на ключевых биомаркерах. Сузив анализ до самых важных и увеличив количество технических репликатов, анализ может повысить статистическую мощь и сделать бактериальные различия между стаями более заметными, посоветовала Луиза Джин, магистр наук, руководитель технологии Galleon в Cargill.

Для некоторых производителей тестирование микробиома уже обеспечивает научную основу для принятия решений по питанию и управлению в зависимости от сезонов и производственных циклов. Чем больше данных получает система, тем чётче становятся её модели.

«Ты можешь управлять только тем, что измеряешь», — сказал Джин. «Микробиом — как ты будешь с ним управлять, если не измеряешь?»