پیش‌بینی صفات لاشه از اندازه‌های بدن با استفاده از روش‌های رگرسیون خطی و شبکه‌ی عصبی مصنوعی در گوسفند لری‌بختیاری

سابقه و هدف: در این پژوهش ارتباط بین وزن زنده هنگام کشتار گوسفند لریبختیاری با خصوصیات لاشه (وزن لاشه‌ی گرم، وزن لاشه‌ی سرد، وزن نیم لاشهی سرد، وزن گوشت، وزن چربی، وزن استخوان و وزن دنبه) و برخی اندازههای ظاهری بدن (طول بدن، دور قفسه سینه، عرض کپل و عرض شانه) مورد بررسی قرار گرفت. همچنین معادلات رگرسیون خطی مناسب برای پیشبینی وزن زنده و خصوصیات لاشه تعیین شد و با روش شبکه‌ی عصبیمصنوعی نیز مقایسه گردید. مواد و روش‌ها: از رکوردهای مربوط به 58 رأس بره نر نژاد لریبختیاری ایستگاه پرورش و اصلاح نژاد شهرستان شهرکرد واقع در استان چهار محال و بختیاری استفاده شد. برهها در سن 5±90 روزگی شیرگیری و سپس در سه گروه 60، 80 و 100 روز پروار شدند. در پایان دوره پروار اندازههای ظاهری بدن اندازه‌گیری شد و بعد از کشتار و پوستکنی نیز خصوصیات لاشه مورد نظر اندازهگیری گردید. از تعداد 696 رکورد برای پیش‌بینی وزن زنده و خصوصیات لاشه با استفاده از معادلات رگرسیون و شبکه‌ی عصبی مصنوعی استفاده گردید. پیش‌بینی خصوصیات لاشه و وزن زنده هنگام کشتار با استفاده از اندازههای ظاهری بدن توسط معادله رگرسیونی دارای بهترین ضریب تعیین انجام شد. همچنین مدلهای رگرسیونی منتخب پیشبینی کننده صفات با استفاده از شبکه‌ی 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 که 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 اندازههای 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 حاکی از آن است که می‌توان از اندازه‌های ظاهری بدن در پیش‌بینی این صفات و با دقت نسبتاً بالایی استفاده نمود. نتایج نشان داد با استفاده از اندازههای طول بدن، دور قفسهی سینه و عرض کپل 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 که کارایی شبکه‌ی عصبی مصنوعی طراحی شده در پیش-بینی خصوصیات لاشه بالاتر از مدل‌های رگرسیون بود. نتیجه‌گیری: نتایج نشان داد که می‌توان با دقت نسبتاً بالایی از اندازه‌های ظاهری بدن در پیش‌بینی وزن زنده و وزن اجزای مختلف لاشه استفاده نمود. همچنین نتیجهگیری شد که تکنیک شبکه‌ی 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 ژنتیکی و تنظیم برنامه‌های اصلاح نژاد مرتبط با افزایش تولید گوشت، نتایج این پژوهش می‌تواند استفاده کاربردی داشته باشد.