CN106408114A - 一种多元线性回归模型在预测肉鸡腹部脂肪量或选育低脂系肉鸡中的应用 - Google Patents
一种多元线性回归模型在预测肉鸡腹部脂肪量或选育低脂系肉鸡中的应用 Download PDFInfo
- Publication number
- CN106408114A CN106408114A CN201610789084.0A CN201610789084A CN106408114A CN 106408114 A CN106408114 A CN 106408114A CN 201610789084 A CN201610789084 A CN 201610789084A CN 106408114 A CN106408114 A CN 106408114A
- Authority
- CN
- China
- Prior art keywords
- broiler
- fat
- linear regression
- regression model
- chicken
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000287828 Gallus gallus Species 0.000 title claims abstract description 103
- 235000004213 low-fat Nutrition 0.000 title claims abstract description 44
- 238000012417 linear regression Methods 0.000 title claims abstract description 31
- 238000009395 breeding Methods 0.000 title claims abstract description 22
- 210000000579 abdominal fat Anatomy 0.000 title claims abstract description 21
- 230000001488 breeding effect Effects 0.000 title abstract description 8
- 210000002381 plasma Anatomy 0.000 claims abstract description 55
- 102000006395 Globulins Human genes 0.000 claims abstract description 14
- 108010044091 Globulins Proteins 0.000 claims abstract description 14
- HSINOMROUCMIEA-FGVHQWLLSA-N (2s,4r)-4-[(3r,5s,6r,7r,8s,9s,10s,13r,14s,17r)-6-ethyl-3,7-dihydroxy-10,13-dimethyl-2,3,4,5,6,7,8,9,11,12,14,15,16,17-tetradecahydro-1h-cyclopenta[a]phenanthren-17-yl]-2-methylpentanoic acid Chemical compound C([C@@]12C)C[C@@H](O)C[C@H]1[C@@H](CC)[C@@H](O)[C@@H]1[C@@H]2CC[C@]2(C)[C@@H]([C@H](C)C[C@H](C)C(O)=O)CC[C@H]21 HSINOMROUCMIEA-FGVHQWLLSA-N 0.000 claims abstract description 13
- 239000003613 bile acid Substances 0.000 claims abstract description 13
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims abstract description 11
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 11
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 claims abstract description 11
- 229940116269 uric acid Drugs 0.000 claims abstract description 11
- 210000002784 stomach Anatomy 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 16
- 241001566735 Archon Species 0.000 claims description 11
- 210000001015 abdomen Anatomy 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 210000002700 urine Anatomy 0.000 claims 2
- 102000009027 Albumins Human genes 0.000 abstract description 4
- 108010088751 Albumins Proteins 0.000 abstract description 4
- 244000144977 poultry Species 0.000 abstract 1
- 108010062497 VLDL Lipoproteins Proteins 0.000 description 18
- 210000004369 blood Anatomy 0.000 description 13
- 239000008280 blood Substances 0.000 description 13
- 238000001514 detection method Methods 0.000 description 13
- 235000013330 chicken meat Nutrition 0.000 description 10
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 10
- 108010023302 HDL Cholesterol Proteins 0.000 description 7
- 108010028554 LDL Cholesterol Proteins 0.000 description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 6
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 5
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 5
- 101710107035 Gamma-glutamyltranspeptidase Proteins 0.000 description 5
- 101710173228 Glutathione hydrolase proenzyme Proteins 0.000 description 5
- 229940109239 creatinine Drugs 0.000 description 5
- 102000006640 gamma-Glutamyltransferase Human genes 0.000 description 5
- 102000004190 Enzymes Human genes 0.000 description 4
- 108090000790 Enzymes Proteins 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 101710098398 Probable alanine aminotransferase, mitochondrial Proteins 0.000 description 3
- 229910021529 ammonia Inorganic materials 0.000 description 3
- 239000003146 anticoagulant agent Substances 0.000 description 3
- 229940127219 anticoagulant drug Drugs 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- ZGTMUACCHSMWAC-UHFFFAOYSA-L EDTA disodium salt (anhydrous) Chemical compound [Na+].[Na+].OC(=O)CN(CC([O-])=O)CCN(CC(O)=O)CC([O-])=O ZGTMUACCHSMWAC-UHFFFAOYSA-L 0.000 description 2
- 206010018910 Haemolysis Diseases 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 238000010241 blood sampling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 150000002148 esters Chemical class 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008588 hemolysis Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 230000008080 stochastic effect Effects 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- FRPHFZCDPYBUAU-UHFFFAOYSA-N Bromocresolgreen Chemical compound CC1=C(Br)C(O)=C(Br)C=C1C1(C=2C(=C(Br)C(O)=C(Br)C=2)C)C2=CC=CC=C2S(=O)(=O)O1 FRPHFZCDPYBUAU-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 102000005548 Hexokinase Human genes 0.000 description 1
- 108700040460 Hexokinases Proteins 0.000 description 1
- 208000000501 Lipidoses Diseases 0.000 description 1
- 206010024585 Lipidosis Diseases 0.000 description 1
- 108090001030 Lipoproteins Proteins 0.000 description 1
- 102000004895 Lipoproteins Human genes 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 235000009392 Vitis Nutrition 0.000 description 1
- 241000219095 Vitis Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000010171 animal model Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- OHJMTUPIZMNBFR-UHFFFAOYSA-N biuret Chemical compound NC(=O)NC(N)=O OHJMTUPIZMNBFR-UHFFFAOYSA-N 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002255 enzymatic effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000009400 out breeding Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000002331 protein detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000004879 turbidimetry Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种多元线性回归模型在预测肉鸡腹部脂肪量或选育低脂系肉鸡中的应用,属于禽类遗传育种技术领域。本发明所提供的多元线性回归模型是鸡饱腹时血浆中的白球比、VLDL、甘油三酯、球蛋白、总胆汁酸和尿酸水平构建的多元线性回归模型。该模型中的血浆生化指标在低脂系肉鸡和高脂系肉鸡中存在显著性差异,并与腹脂性状显著相关,该模型剔除了在模型中贡献不显著的指标,可用于肉鸡腹部脂肪量的预测和低脂系肉鸡的选育。另外,本发明还提供了该多元线性回归模型的应用和构建方法。
Description
技术领域
本发明涉及一种辅助预测低脂肉鸡的多元线性回归模型及应用,属于禽类遗传育种技术领域。
背景技术
从上世纪末后期,肉鸡育种者们对肉鸡体重的选育已经取得了显著进展。然而,肉鸡过快的生长速度伴随着体脂(尤其是腹部脂肪)沉积过多等现象的出现。脂肪作为鸡肉生产过程中的副产品具有极低的商业价值,并且,大量的脂肪沉积可降低饲料转化效率。因此,减少肉鸡体内脂肪沉积,培育低脂系肉鸡一直是肉鸡育种工作者的主要任务之一。传统的育种方式主要通过屠宰后测定腹部脂肪量,进行全同胞或半同胞选育,浪费资源且耗时长。因此,我们急需一种不需屠宰鸡只,可缩短世代间隔,能够代替传统选育方式的新育种技术。肉鸡血浆极低密度脂蛋白(VLDL)浓度在饱腹状态下与腹脂性状显著相关,并且已被用于选育和建立高、低脂系肉鸡,说明利用血液生化指标对低脂系肉鸡进行选育是可行的。然而,仅利用单一血液生化指标对低脂系肉鸡进行选育存在误差较大的问题。如果筛选出其他与肉鸡腹部脂肪量相关性较大的饱腹血浆生化指标,将其与血浆VLDL浓度联合,利用多元线性回归模型对肉鸡腹部脂肪量进行早期预测,并筛选低脂系肉鸡,将大大减小选种误差。目前,在人类临床检验中,大部分血液生化指标在空腹状态下进行检测。然而,研究表明,血浆VLDL浓度仅在饱腹状态下与腹脂性状显著相关,在空腹状态下相关性不显著。在饱腹状态下采血,一定程度上改善了肉鸡对饲料消化速度不同,且进食时间不易控制所造成的采血难度和误差。另外,在全血中添加抗凝剂分离得到血浆比血清的制备更方便一些,不需要将血液静置,且不易出现溶血现象。
发明内容
为解决上述问题,发明人经研究发现,如果筛选出与肉鸡腹部脂肪量相关性较大的其他血液生化指标,将其与血浆VLDL联合,利用多元线性回归模型对肉鸡腹部脂肪量进行早期预测,并筛选出低脂系肉鸡,将大大提高育种进程。本发明提供一种用多元线性回归模型预测肉鸡腹部脂肪量或选育低脂系肉鸡的方法,所采取的技术方案如下:
本发明的目的在于提供一种预测肉鸡腹部脂肪量或选育低脂系肉鸡的多元线性回归模型,该模型是鸡饱腹时血浆中的白球比、VLDL、甘油三酯、球蛋白、总胆汁酸和尿酸水平构建的。
所述多元线性回归模型用于肉鸡腹部脂肪量的预测和低脂系肉鸡的选育。
所述多元线性回归模型用于肉鸡腹部脂肪量预测和低脂系肉鸡选育的方法步骤如下:
1)检测待测肉鸡血浆中的白球比、VLDL、甘油三酯、球蛋白、总胆汁酸和尿酸水平;
2)根据分析步骤1)所得的待测肉鸡的白球比、VLDL、甘油三酯、球蛋白、总胆汁酸和尿酸水平利用多元线性回归模型预测肉鸡的腹部脂肪量,并确定低脂系肉鸡。
上述多元线性回归模型的构建方法如下:
1)根据腹部脂肪量确定待筛选肉鸡种群中的高脂系肉鸡和低脂系肉鸡;
2)确定并检测这一世代待预测高脂系肉鸡和低脂系肉鸡中的血浆生化指标,确定血浆生化指标在高脂系肉鸡和低脂系肉鸡中差异的显著性,筛选出差异显著的血浆生化指标,获得第一次筛选指标;
3)确定步骤2)所得的第一次筛选指标与腹部脂肪量的表型相关系数,根据所得表型相关系数进行第二次筛选,获得第二次筛选指标;
4)利用步骤3)所得的第二次筛选指标构建多元线性回归模型,获得最佳多元线性回归模型。
步骤1)所述腹部脂肪量,是指腹脂重和腹脂率。
步骤2)所述这一世代肉鸡,是第十八世代的肉鸡。
步骤3)所述第二次筛选,是表型相关达到显著水平的第一次筛选指标。
步骤4)所述最佳多元线性回归模型,是剔除了在模型中贡献不显著的第二次筛选指标。
本发明取得的有益效果如下:
本发明所提供的多元线性回归模型是结合多个血浆生化指标对肉鸡腹部脂肪量进行预测,与利用单一血液生化指标进行育种相比,减小了选种误差。本发明提供的多元线性回归模型中的血浆生化指标在低脂系肉鸡和高脂系肉鸡中存在显著性差异。同时,这些血浆生化指标与腹部脂肪量具有显著的表型相关。当存在正表型相关系数时,该指标在低脂系肉鸡中的水平低于高脂系肉鸡相应水平,而当存在负表型相关系数时,该指标在低脂系肉鸡的水平高于高脂系肉鸡相应水平。本发明所述生化指标均为饱腹血浆生化指标,与传统的将血液静置析出血清相比,在全血中添加抗凝剂分离得到血浆的方式更加快捷,且不易有溶血现象的发生。另外,在饱腹状态下采血与空腹相比一定程度减小了采血难度。
具体实施方式
下面结合具体实施例对本发明做进一步说明,但本发明不受实施例的限制。
实施例1
一、实验材料
1.实验动物和性状测定
以东北农业大学选育的肉鸡高、低脂双向选择系第十八世代公鸡为实验群体。在46日龄和48日龄时,肉仔鸡采食后,进行翅下静脉采血,血样放于1.5ml离心管中(EDTA-Na2作为抗凝剂),以3000r/min离心15min制得血浆,放入EP管中,于-20℃冰箱保存备用。7周龄时,屠宰前测定活重,屠宰后测定腹脂重,并除以7周龄活重计算出腹脂率。
2.药品和酶
甘油三酯检测试剂盒;总胆固醇检测试剂盒;高密度脂蛋白胆固醇检测试剂盒;低密度脂蛋白胆固醇检测试剂盒;总胆汁酸检测试剂盒;总蛋白检测试剂盒;白蛋白检测试剂盒;葡萄糖检测试剂盒;尿酸检测试剂盒;肌酐检测试剂盒;谷丙转氨酶检测试剂盒;谷草转氨酶检测试剂盒;γ-谷氨酰转肽酶检测试剂盒;游离脂肪酸检测试剂盒;EDTA-Na2;沉淀剂。
3.主要仪器
离心机、C8000全自动生化分析仪、分光光度计。
二、实验方法
1.实验个体的选择
在十八世代,所有鸡只的腹脂率均值被计算,并将鸡只根据腹脂率均值排序,在高脂系中,从腹脂率由高到低的鸡只中选出88只个体;在低脂系中,从腹脂率由低到高的鸡只中选出88只个体,共选出176只个体。
2.血浆生化指标的测定
以下14项血浆生化指标,采用全自动生化分析仪进行检测:甘油三酯:酶比色法;总胆固醇:酶比色法;高密度脂蛋白胆固醇(HDL-C):均相酶比色法;低密度脂蛋白胆固醇(LDL-C):均相酶比色法;总胆汁酸:循环酶法;总蛋白:双缩脲法;白蛋白:溴甲酚绿法;葡萄糖:己糖激酶法;尿酸:酶比色法;肌酐:酶比色法;谷丙转氨酶:连续监测法;谷草转氨酶:连续监测法;γ-谷氨酰转肽酶:连续监测法;游离脂肪酸:酶比色法。
以下4项血浆生化指标通过计算得到:高密度脂蛋白胆固醇/低密度脂蛋白胆固醇(HDL-C/LDL-C)、球蛋白(总蛋白-白蛋白)、白蛋白/球蛋白(白球比)、谷草转氨酶/谷丙转氨酶。
极低密度脂蛋白(VLDL)采用快速比浊法进行检测。
3.统计分析
血浆生化指标在46日龄和48日龄的平均值用于数据分析。
根据东北农业大学肉鸡高、低脂双向选择系群体的特点,构建统计模型如下:
Y=μ+L+F(L)+D(F,L)+BW7+e ①
Y为性状观察值,μ为群体均值,G为世代固定效应,L为品系固定效应,F(L)为品系内家系的随机效应,D(F,L)为家系与品系内母鸡的随机效应,BW7为7周龄体重作协变量(分析腹脂率时BW7不作为协变量),e为剩余值。
使用模型①通过统计软件JMP 7.0(SAS Institute,2000),对高、低脂系肉鸡之间的腹脂性状和血浆生化指标进行比较,并估计性状的最小二乘均值。
使用统计软件JMP 7.0对血浆生化指标和腹脂性状之间的表型相关进行估计;利用混合逐步回归构建多元线性回归模型。
实施例2鸡血浆生化指标在高、低脂双向选择系肉鸡之间的比较
以东北农业大学选育的肉鸡高、低脂双向选择系第十八世代鸡只为实验材料,对高、低脂系肉鸡之间的腹脂性状进行比较分析。结果显示,高脂系肉鸡的腹脂重和腹脂率均极显著高于低脂系肉鸡(表1,P<0.01)。
表1高、低脂系肉鸡之间腹脂性状的比较
注:**P<0.01。
以东北农业大学选育的肉鸡高、低脂双向选择系第十八世代鸡只为实验材料,对高、低脂系肉鸡之间的血浆生化指标进行比较分析。结果显示,高脂系肉鸡的血浆甘油三酯、总胆汁酸、总蛋白、球蛋白、γ-谷氨酰转肽酶、尿酸、肌酐和VLDL浓度均极显著高于低脂系肉鸡(P<0.001);而高脂系肉鸡的血浆白球比、谷草转氨酶和谷丙转氨酶浓度均极显著低于低脂系肉鸡(P<0.01);剩余八个血浆生化指标高、低脂系肉鸡之间不存在显著差异(表2,P>0.05)。
表2高、低脂系肉鸡之间血浆生化指标的比较
注:**P<0.01;HDL-C高密度脂蛋白胆固醇;LDL-C低密度脂蛋白胆固醇;VLDL极低密度脂蛋白。
实施例3血浆生化指标与腹脂性状之间的表型相关
将实施例2中的血浆生化指标与腹脂性状进行表型相关分析,结果显示,血浆甘油三酯、总胆汁酸、总蛋白、球蛋白、γ-谷氨酰转肽酶、尿酸、肌酐和VLDL水平与腹脂性状呈极显著的正表型相关(P<0.05);而血浆白球比、谷草转氨酶和谷丙转氨酶水平与腹脂性状呈极显著的正表型相关(P<0.01);剩余八个血浆生化指标与腹脂性状之间表型相关不显著(表3,P>0.05)。
表3血浆生化指标与腹脂性状之间的表型相关
注:*P<0.05;**P<0.01;HDL-C高密度脂蛋白胆固醇;LDL-C低密度脂蛋白胆固醇;VLDL极低密度脂蛋白。
实施例4多元线性回归模型的构建
本实施例主要从以下三个方面来考虑多元线性回归模型的构建。第一,该血浆生化指标必须在高、低脂系肉鸡之间存在显著差异;第二,该血浆生化指标应该与腹脂性状(腹脂重和腹脂率)显著相关;第三,利用符合上述两条要求的血浆生化指标构建多元线性回归模型,剔除在模型中贡献不显著的指标,得到最佳多元线性回归模型。
根据实施例2和实施例3所得的结果可知,共11个血浆生化指标在高、低脂系肉鸡之间存在显著差异,包括甘油三酯、总胆汁酸、总蛋白、球蛋白、白球比、谷草转氨酶、谷丙转氨酶、γ-谷氨酰转肽酶、尿酸、肌酐和VLDL,符合上述的第一方面。这11个血浆生化指标均符合上述的第二方面。利用这11个血浆生化指标,通过混合逐步回归对血浆生化指标与腹脂性状之间的多元线性回归关系进行分析,筛选出最佳多元线性回归模型,获得模型如下:
Y=192.98–244.88X1+176.75X2+34.36X3–4.17X4–1.25X5+0.30X6(P<0.0001) ②
Z=–0.0915–0.1242X1+0.0833X2+0.0141X3–0.0018X4–0.0005X5+0.0002X6(P<0.0001) ③
其中,Y为腹脂重的表型值,Z为腹脂率的表型值,X1为血浆白球比含量,X2为血浆VLDL含量,X3为血浆甘油三酯含量,X4为血浆球蛋白含量,X5为血浆总胆汁酸含量,X6为血浆尿酸含量。
虽然本发明已以较佳的实施例公开如上,但其并非用以限定本发明,任何熟悉此技术的人,在不脱离本发明的精神和范围内,都可以做各种改动和修饰,因此本发明的保护范围应该以权利要求书所界定的为准。
Claims (7)
1.一种多元线性回归模型在预测肉鸡腹部脂肪量或选育低脂系肉鸡中的应用,其特征在于:所述多元线性回归模型是鸡血浆中的白球比、VLDL、甘油三酯、球蛋白、总胆汁酸和尿酸水平构建的多元线性回归模型。
2.根据权利要求1所述应用,其特征在于:所述多元线性回归模型的构建步骤如下:
1)根据腹部脂肪量确定待测肉鸡种群中的高脂系肉鸡和低脂系肉鸡;
2)确定并检测这一世代待测高脂系肉鸡和低脂系肉鸡中的血浆生化指标,确定血浆生化指标在高脂系肉鸡和低脂系肉鸡中差异的显著性,筛选出差异显著的血浆生化指标,获得第一次筛选指标;
3)确定步骤2)所得的第一次筛选指标与腹部脂肪量的表型相关系数,根据所得表型相关系数进行第二次筛选,获得第二次筛选指标;
4)利用步骤3)所得的第二次筛选指标构建多元线性回归模型,获得最佳多元线性回归模型。
3.根据权利要求2所述应用,其特征在于:步骤1)所述腹部脂肪量,是指腹脂重或腹脂率。
4.根据权利要求2所述应用,其特征在于:步骤2)所述这一世代肉鸡,是第十八世代的肉鸡。
5.根据权利要求2所述应用,其特征在于:步骤3)所述第二次筛选,是表型相关达到显著水平的第一次筛选指标。
6.根据权利要求2所述方法,其特征在于:步骤4)所述最佳多元线性回归模型,是剔除了在模型中贡献不显著的第二次筛选指标后获得的多元线性回归模型。
7.根据权利要求1-6任一所述的应用,其特征在于:步骤如下:
1)检测待测肉鸡饱腹时血浆中的白球比、VLDL、甘油三酯、球蛋白、总胆汁酸和尿酸水平;
2)利用分析步骤1)所得的待测肉鸡的白球比、VLDL、甘油三酯、球蛋白、总胆汁酸和尿酸水平构建模型预测肉鸡腹部脂肪量或预测低脂系肉鸡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610789084.0A CN106408114B (zh) | 2016-08-31 | 2016-08-31 | 一种多元线性回归模型在预测肉鸡腹部脂肪量或选育低脂系肉鸡中的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610789084.0A CN106408114B (zh) | 2016-08-31 | 2016-08-31 | 一种多元线性回归模型在预测肉鸡腹部脂肪量或选育低脂系肉鸡中的应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408114A true CN106408114A (zh) | 2017-02-15 |
CN106408114B CN106408114B (zh) | 2021-04-27 |
Family
ID=58000946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610789084.0A Active CN106408114B (zh) | 2016-08-31 | 2016-08-31 | 一种多元线性回归模型在预测肉鸡腹部脂肪量或选育低脂系肉鸡中的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408114B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109009228A (zh) * | 2018-08-28 | 2018-12-18 | 扬州大学 | 一种采用超声波技术测定家禽腹部脂肪含量的方法 |
CN109757608A (zh) * | 2019-04-09 | 2019-05-17 | 晟丰(烟台)农业科技有限公司 | 聚磷菌在饲料中的应用及添加剂、饲料和饲料的制备方法 |
CN112328966A (zh) * | 2020-10-26 | 2021-02-05 | 北京市华都峪口禽业有限责任公司 | 畜禽配套系中纯系对商品代性状影响大小的确定方法 |
CN113505919A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
CN114385978A (zh) * | 2022-01-12 | 2022-04-22 | 南京农业大学 | 一种预测肉鸡体重的多元线性回归模型构建方法 |
CN114742290A (zh) * | 2022-03-30 | 2022-07-12 | 东北农业大学 | 一种通过血浆代谢物丰度建模预测白羽肉鸡饲料转化效率的方法 |
CN116913517A (zh) * | 2023-07-21 | 2023-10-20 | 广东省农业科学院动物科学研究所 | 一种黄羽肉种鸡产蛋期脂肪肝智能预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149280A (zh) * | 2011-12-07 | 2013-06-12 | 中国农业大学 | 一种应用代谢组学技术评价动物个体营养状况的方法 |
CN104714038A (zh) * | 2014-12-24 | 2015-06-17 | 东北农业大学 | 一种辅助筛选低脂肉鸡的血清生化标记及应用 |
-
2016
- 2016-08-31 CN CN201610789084.0A patent/CN106408114B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149280A (zh) * | 2011-12-07 | 2013-06-12 | 中国农业大学 | 一种应用代谢组学技术评价动物个体营养状况的方法 |
CN104714038A (zh) * | 2014-12-24 | 2015-06-17 | 东北农业大学 | 一种辅助筛选低脂肉鸡的血清生化标记及应用 |
Non-Patent Citations (1)
Title |
---|
王海威等: "肉鸡高、低脂系体脂性状和血清生化指标的比较分析", 《东北农业大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109009228A (zh) * | 2018-08-28 | 2018-12-18 | 扬州大学 | 一种采用超声波技术测定家禽腹部脂肪含量的方法 |
CN109757608A (zh) * | 2019-04-09 | 2019-05-17 | 晟丰(烟台)农业科技有限公司 | 聚磷菌在饲料中的应用及添加剂、饲料和饲料的制备方法 |
CN112328966A (zh) * | 2020-10-26 | 2021-02-05 | 北京市华都峪口禽业有限责任公司 | 畜禽配套系中纯系对商品代性状影响大小的确定方法 |
CN113505919A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
CN113505919B (zh) * | 2021-06-25 | 2022-02-25 | 国家粮食和物资储备局科学研究院 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
CN114385978A (zh) * | 2022-01-12 | 2022-04-22 | 南京农业大学 | 一种预测肉鸡体重的多元线性回归模型构建方法 |
CN114742290A (zh) * | 2022-03-30 | 2022-07-12 | 东北农业大学 | 一种通过血浆代谢物丰度建模预测白羽肉鸡饲料转化效率的方法 |
CN116913517A (zh) * | 2023-07-21 | 2023-10-20 | 广东省农业科学院动物科学研究所 | 一种黄羽肉种鸡产蛋期脂肪肝智能预测方法及系统 |
CN116913517B (zh) * | 2023-07-21 | 2024-05-31 | 广东省农业科学院动物科学研究所 | 一种黄羽肉种鸡产蛋期脂肪肝智能预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106408114B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408114A (zh) | 一种多元线性回归模型在预测肉鸡腹部脂肪量或选育低脂系肉鸡中的应用 | |
Cranford et al. | Seasonal variation in food utilization by the suspension-feeding bivalve molluscs Mytilus edulis and Placopecten magellanicus | |
Dispenzieri et al. | Use of nonclonal serum immunoglobulin free light chains to predict overall survival in the general population | |
Niemelä | Biomarkers in alcoholism | |
Witthames et al. | Advances in methods for determining fecundity: application of the new methods to some marine fishes | |
CN104714038B (zh) | 一种辅助筛选低脂肉鸡的血清生化标记及应用 | |
Madenjian et al. | Predicting night time dissolved oxygen loss in prawn ponds of Hawaii: part I. Evaluation of traditional methods | |
Park et al. | Comparison of total and IgG ABO antibody titers in healthy individuals by using tube and column agglutination techniques | |
de Oliveira et al. | Hematological parameters of three freshwater stingray species (Chondrichthyes: Potamotrygonidae) in the middle Rio Negro, Amazonas state | |
CN107169679A (zh) | 一种利用食物网稳定性评价湿地生态补水实施效果的方法 | |
Hargis | Comparison of techniques for the measurement of zooplankton filtration rates 1 | |
CN113358734A (zh) | 一种基于稳定同位素技术的食物网稳定性评价方法 | |
EP3337904A1 (en) | Methods and systems for measuring growth rate in plant or aquatic animal species | |
Ko et al. | Proposed imprecision quality goals for urinary albumin/creatinine ratio | |
CN113111294B (zh) | 基于藻类多样性指数的水体营养化评价方法 | |
Vdovin et al. | Correlation between fat content and features of generative growth of arabesque greenling Pleurogrammus azonus | |
CN115993442A (zh) | 苏紫猪血液、生长育肥参数的测定和关联分析方法 | |
Ding et al. | Whole blood gas and biochemical reference intervals for Lohmann Silver layers | |
Agina et al. | Haemato-biochemical profile of apparently healthy domestic turkeys (Meleagris gallopavo) in Nsukka, Enugu state, Nigeria | |
CN113257422A (zh) | 基于糖代谢数据的疾病预测模型的构建方法及系统 | |
CN104849441A (zh) | 基于血液生化特性变化的屠宰场pse猪肉快速检测方法 | |
Øresland et al. | Larval group differentiation in Atlantic cod (Gadus morhua) inside and outside the Gullmar Fjord | |
Benstead et al. | Elemental content of stream biota | |
CN112889718A (zh) | 一种模拟现场法测定贝类摄食和生理率的系统、方法及应用 | |
CN201892664U (zh) | 人造鸡蛋快速检测试剂盒 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |