دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران علوم دامی ایران 2008-4773 56 1 2025 03 21 Investigating mineral affecting alkaline phosphatase activity and feed efficiency of broiler chickens using meta analytical and machine learning approaches بررسی مواد معدنی موثر بر فعالیت آنزیمی آلکالین فسفاتاز و بازدهی خوراک جوجه‌های گوشتی با استفاده از روش‌های متاآنالیز و آموزش ماشین 193 211 97786 10.22059/ijas.2024.368959.653980 FA فاطمه عبدی پور گروه علوم دام و طیور، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران. حامد احمدی گروه علوم دام و طیور، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران. 0000-0002-7445-3139 محمد امیر کریمی ترشیزی گروه علوم دام و طیور، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران علیرضا ایوک پور گروه علوم دام و طیور، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران 0000-0002-7245-455X Journal Article 2023 11 30 This study aims to develop two separate models to predict serum alkaline phosphatase (ALP) activity in broiler chickens based on dietary mineral intake and to forecast feed conversion ratio (FCR) based on their mineral intake and serum ALP activity. A meta-analysis method was employed to aggregate data from 29 articles spanning years 1998 to 2020. This resulted in a dataset of 185 rows containing variables such as serum ALP activity, calcium, phosphorus, zinc of the diet, and FCR in broiler chickens. Machine learning techniques, specifically artificial neural network models (ANN), were utilized for data analysis and predictive modeling. The ANN demonstrated high accuracy in predicting ALP activity and FCR, achieving R² values of 97% and 95%, respectively. Sensitivity analysis revealed that serum ALP activity is more responsive to changes in calcium, whereas FCR is more sensitive to changes in zinc. Furthermore, through optimization of the ANN model, the minimum attainable FCR was found to be 1.41. This corresponded to ALP activity of 1190 U/L, and daily intake of zinc of 11.21 mg, phosphorus of 0.46 g, and calcium of 0.70 g. These findings provide insights into optimizing broiler chicken nutrition for improved performance. The developed model not only accurately predicts ALP activity and FCR in broiler chickens but also enhances broiler breeding by offering an easy-to-use tool for optimizing mineral intake and accurately predicting bird performance. To facilitate accessibility for readers and nutritionists, an Excel® calculator was created for predicting ALP activity and FCR in broilers using the developed ANN. این مطالعه با هدف توسعه دو مدل مجزا برای پیش بینی فعالیت آلکالین فسفاتاز سرم (ALP) در جوجه­های گوشتی بر اساس مصرف مواد معدنی در جیره و پیش­بینی ضریب تبدیل خوراک بر اساس مصرف مواد معدنی و فعالیت ALP سرم آنها انجام شده است. برای گردآوری داده­ها از 29 مقاله منتشر شده بین سال­های 1998 تا 2020 از روش متاآنالیز استفاده شد. این روش منجر به ایجاد مجموعه داده­ای با 185 ردیف حاوی متغیرهایی مانند فعالیتALP  سرم، کلسیم، فسفر، روی و ضریب تبدیل خوراک در جوجه­های گوشتی شد. برای تجزیه و تحلیل داده­ها و ایجاد مدل­های پیش بینی، از تکنیک­های یادگیری ماشین، به ویژه مدل­های شبکه عصبی مصنوعی (ANN) استفاده شد. مدلANN  در پیش­بینی فعالیتALP  و ضریب تبدیل خوراک با دقت بالایی عمل کرد و به ترتیب به مقادیرR²  معادل 97% و 95% دست یافت. آنالیز حساسیت نشان داد که فعالیتALP  سرم نسبت به تغییرات کلسیم حساسیت بیشتری نشان می­دهد، در حالی که ضریب تبدیل خوراک نسبت به تغییرات روی حساسیت بیشتری دارد. علاوه بر این، با بهینه­سازی مدل ANN، کمترین ضریب تبدیل خوراک قابل دستیابی 41/1 تعیین شد. این مقدار با فعالیتALP  معادل 1190 واحد در لیتر، مصرف روزانه روی 21/11 میلی گرم، فسفر 46/0 گرم و کلسیم 70/0 گرم بدست می آید. این یافته­ها بینشی را برای بهینه سازی تغذیه جوجه­های گوشتی جهت بهبود عملکرد آنها ارائه می­دهد. مدل توسعه یافته علاوه بر پیش­بینی دقیق فعالیتALP  و ضریب تبدیل خوراک در جوجه­های گوشتی، با ارائه یک ابزار آسان برای بهینه سازی مصرف مواد معدنی و پیش­بینی دقیق عملکرد پرندگان، پرورش جوجه­های گوشتی را نیز بهبود می­بخشد. برای سهولت دسترسی خوانندگان و متخصصان تغذیه، یک ماشین حساب اکسل® برای پیش بینی فعالیتALP  و ضریب تبدیل خوراک در جوجه­های گوشتی با استفاده از مدل ANN  ساخته شده است. https://ijas.ut.ac.ir/article_97786_fe8096f92dae2cb592f137e781b2b20d.pdf