Nachricht

Oct 04, 2023

Data-Mining

Wissenschaftliche Berichte Band 12,

Scientific Reports Band 12, Artikelnummer: 15873 (2022) Diesen Artikel zitieren

918 Zugriffe

1 Zitate

Details zu den Metriken

Trotz der großen Artenvielfalt an Vogelarten von zootechnischem Interesse in Spanien sind Projekte zur Charakterisierung dieser Genotypen und ihrer Produkte erforderlich. Äußere und innere Eiqualitätsmerkmale wurden in 819 Eiern gemessen, die von Hühnern mit 10 verschiedenen Genotypen gelegt wurden: Weiße, Franziskaner-, Schwarze und Rebhuhn-Sorten von Utrerana, Blaues Andalusier, Spanisches Weißgesicht, Andalusische Büschelige Weiße und Schwarze Sorten, Araucana; und Leghorn Lohmann LSL-Classic-Hühnerrassen (kommerzielle Hybridlinie). Nachdem eine Multikollinearitätsanalyse der Eiqualitätsmerkmale durchgeführt wurde (VIF ≤ 4), wurden Hauptdurchmesser, Nebendurchmesser, Eigewicht und Eiweißhöhe als redundante erklärende Variablen erachtet und verworfen. Eine schrittweise diskriminante kanonische Analyse wurde entwickelt, um Eier verschiedener Hühnergenotypen unter Berücksichtigung der Eiqualitätsmerkmale zu gruppieren. Shell-a*- und b*-Variablen meldeten die höchste Diskriminanzleistung (Wilks' Lambda: 0,699 bzw. 0,729). Die ersten beiden Diskriminanzfunktionen erfassten 60,48 % der Varianz zwischen den Gruppen (F1: 39,36 %; F2: 21,12 %). Im Vergleich zu Eiern einheimischer Rassen aus dem Mittelmeerraum lassen sich deutliche Qualitätsunterschiede zwischen den Eiern von Livorno erkennen. Folglich kann dieser Nachweis der Differenzierung der Eiqualität die Standardisierung von rasse- und sortenspezifischen Produkten begünstigen, was aufgrund des Vorhandenseins eines breiten Spektrums an diätetischen oder kulinarischen Anwendungen neue Marktchancen eröffnen kann.

In den letzten Jahren haben Verbraucher zunehmend Interesse an tierischen Produkten gezeigt, die durch nachhaltige Produktionssysteme gewonnen werden. Der Zweck nachhaltiger Systeme besteht darin, differenzierte Lebensmittel mit geringen Auswirkungen auf die Umwelt und die menschliche Gesundheit zu erhalten und das Wohlergehen der Tiere zu berücksichtigen1. Die meisten weltweit verzehrten Eier werden von Hühnern aus kommerziellen Hybridlinien2 gelegt. Es entsteht jedoch eine neue Marktnische für Produkte mit besonderen Eigenschaften, die eng mit einheimischen Rassen und traditionellen Zuchtsystemen verknüpft sind3. Infolgedessen kann die Existenz lokaler Rassen schließlich zur parallelen Entwicklung alternativer Produktionssysteme und zur Ansiedlung von Populationen in ländlichen Gebieten führen, was wiederum dazu beitragen kann, den Verlust der biologischen Vielfalt und das Verschwinden tierischer genetischer Ressourcen zu verhindern4.

Berichten zufolge hängt die Akzeptanz bestimmter Produkte durch Verbraucher von den Qualitätsmerkmalen der Eierschale, des Eiweißes und des Eigelbs ab5. Abhängig von der Notwendigkeit, das Ei zur Messung von Qualitätsmerkmalen aufzuschlagen, können diese in äußere oder innere Qualitätsmerkmale eingeteilt werden6. Frühere Untersuchungen ergaben, dass die Qualität von Hühnereiern durch genetische und nichtgenetische Komponenten wie das Alter der Henne, die Futteraufnahme sowie Umwelt- und Wetterfaktoren beeinflusst werden kann7,8,9. Es wurde berichtet, dass Eiparameter die Fruchtbarkeit, die Embryonalentwicklung, die Schlupffähigkeit und die Lebensfähigkeit von Hühnern beeinflussen10.

In den Stämmen des spanischen Atlantiks und Mittelmeers sind alle Hühnerrassen zusammengefasst, die sich über das Gebiet ausbreiten. Die Hennen des Atlantischen Rüssels sind im Allgemeinen halbschwere Vögel mit roten Ohrläppchen und braunschaligen Eiern. Andererseits besteht die Mittelmeerpopulation aus hellen Individuen mit weißen Ohrläppchen und weißschaligen Eiern11. Die Eierproduktion im Rahmen alternativer Geflügelsysteme fördert und basiert auf der Verwendung lokaler Hühnerrassen, die in der Lage sind, auch unter widrigen Wetterbedingungen effizient differenzierte Produkte zu produzieren12. Kontextuell ist Andalusien (Südspanien) vom mediterranen Klima geprägt, mit sehr hohen Temperaturen von Mai bis Oktober; Daher sind nur bestimmte autochthone Legehennen-Genotypen (Utrerana, Blaue Andalusier, Spanische Weißgesichtige und Andalusische Büschelhenne) ausreichend angepasst, um im traditionellen Hinterhof und unter den weitläufigen Bedingungen des Gebiets zu gedeihen6.

Mehrere Studien haben sich darauf konzentriert, die bestehenden genetischen, produktiven und reproduktiven Unterschiede innerhalb der Sorten der Utrerana-Vogelrassen und zwischen andalusischen autochthonen Rassen zu entwirren5,6,7,13,14. In diesem Zusammenhang wurden diskriminante kanonische Analyseansätze als Validierungsinstrument für die kommerzielle Qualitätsklassifizierung von Utrerana-Eiern in Abhängigkeit von internen und externen qualitätsbezogenen Merkmalen vorgeschlagen15.

Im Kontext dazu entwickelten González Ariza et al.15 ein Tool mit sechs Diskriminanzfunktionen, mit denen deutlich bestimmt werden konnte, ob bestimmte Eier korrekt zu den Merkmalen der verschiedenen kommerziellen Größenkategorien (S, M, L und XL) bei der gesamten Utrerana-Henne passen Zuchtsorten. Auf diese Weise können mithilfe des Tools nachgewiesene Eier verschiedener Sorten zu unterschiedlichen Nischenmöglichkeiten passen, da sie möglicherweise bestimmte Marktsegmente für den Eierkonsum abdecken.

Zu diesem Zweck versucht die vorliegende Studie, die unterschiedlichen Häufungsmuster von Merkmalen im Zusammenhang mit der Eiqualität aus den Eiern zu bestimmen, die von vier spanischen einheimischen Rassen (weißschalige Legehennen) und ihren Sorten gelegt wurden: Utrerana (Franziskaner, Weiß, Schwarz und Rebhuhn). , Blaue Andalusier, Spanische Weißgesichtige Rassen und Andalusische Büschelrassen (Weiß und Schwarz) im Vergleich zur Araucana-Rasse als ausländische einheimische Rasse außerhalb der Gruppe (amerikanischer Kontinent) und als Kontrollherde einer kommerziellen Legelinie. Die Ergebnisse der vorliegenden Studie können die Charakterisierung und Typisierung der Gesamtheit der von spanischen Legerassen stammenden Produkte als Strategie zur Planung potenzieller Marketing- und Kommerzialisierungsalternativen unterstützen, um die Nachhaltigkeit des Zuchtprogramms dieser gefährdeten Genotypen zu unterstützen.

Der Mittelwert, die Standardabweichung, das Maximum, das Minimum und die Perzentile für jedes eiqualitätsbezogene Merkmal der Studie sind in der Ergänzungstabelle S1 aufgeführt.

Hauptdurchmesser, Nebendurchmesser, Eigewicht und Eiweißhöhe wurden aus den Analysen ausgeschlossen, da sie VIF-Werte über 4 aufwiesen (Tabelle 1). Das signifikante Spurkriterium von Pillai (Wert: 1,8923; df1: 180; df2: 7173; P < 0,0001) ergab, dass eine diskriminante kanonische Analyse möglich war. Wie in Tabelle 2 dargestellt, zeigten sieben der neun nach den Analysen entworfenen Diskriminanzfunktionen eine signifikante Diskriminanzfähigkeit. Die Unterscheidungskraft der F1-Funktion war hoch (Eigenwert von 1,23; Abb. 1), wobei 60,48 % der Varianz durch F1 und F2 erklärt wurden.

Kanonische Variablenfunktionen und Prozentsätze der selbsterklärten und kumulativen Varianz.

Die Variablen wurden nach ihren Unterscheidungseigenschaften eingestuft. Hierzu wurde ein Test zur Gleichheit der Gruppenmittelwerte über die Eiqualitätsklassifizierung hinweg verwendet (Tabelle 3). Niedrigere Wilks-Lambda-Werte und größere F-Werte deuten auf ein besseres Unterscheidungsvermögen hin, was sich in einer besseren Position im Rang niederschlägt. Die Analysen ergaben, dass der pH-Wert von Eigelb und Eiweiß nicht signifikant zur Unterscheidungsfähigkeit signifikanter Unterscheidungsfunktionen beitrug (P < 0,05).

Standardisierte Diskriminanzkoeffizienten messen das relative Gewicht jedes Eiqualitätsmerkmals über die Diskriminanzfunktionen hinweg (Abb. 2 und 3). Von den sieben signifikanten Diskriminanzfunktionen (Tabelle 2) wurden nur die beiden relevantesten Funktionen verwendet, um einen standardisierten Diskriminanzkoeffizienten-Biplot zu erstellen, der den höchsten Anteil der Varianz erfasst (Abb. 3). In dieser Hinsicht trugen diejenigen Variablen, deren Vektor sich weiter vom Ursprung entfernt, am relevantesten zur ersten (F1) und zweiten (F2) Diskriminanzfunktion bei. Abbildung 4 lässt eine klare Differenzierung zwischen den Eiern erkennen, die von den Hennen gelegt wurden, die zu den verschiedenen Genotypen gehören, die in den Analysen berücksichtigt wurden. Die relative Position der Schwerpunkte wurde durch Ersetzen des Mittelwerts für Beobachtungen in jedem Term der ersten beiden Diskriminanzfunktionen (F1 und F2) bestimmt. Je größer der Abstand zwischen den Schwerpunkten ist, desto besser ist die Vorhersagekraft der kanonischen Diskriminanzfunktion bei der Klassifizierung von Beobachtungen.

Diskriminanzladungen für externe und interne qualitätsbezogene Merkmale, die das relative Gewicht jedes Merkmals auf jeder kanonischen Diskriminanzfunktion bestimmen.

Vektorplot für Diskriminanzladungen für Merkmale im Zusammenhang mit der Eiqualität.

Territoriale Karte mit Darstellung der in der kanonischen Diskriminanzanalyse berücksichtigten Eier, sortiert nach Legehennen-Genotypen.

Um die Nähe zwischen Hühnergenotyp-Clustern zu bewerten, wurden außerdem Mahalanobis-Abstände dargestellt (Abb. 5). Araucana-Hühner befanden sich im Vergleich zu den übrigen Hühnergenotypen am weitesten entfernt, wobei die Eier der andalusischen schwarz-weißen Büschelhühner dicht beieinander lagen und weiter von ihnen entfernt waren als die übrigen Eier. Es besteht ein gewisser Zusammenhang zwischen schwarzbüscheligen, blauen andalusischen und schwarzen Utrerana-Eiern. Dennoch zeigte ein zentraler Utrerana-Eierhaufen eine engere relative Beziehung zwischen schwarzen Utrerana- und Franziskaner- und Rebhuhn-Eiern. Weiße Utrerana-Eier waren eng mit den Eiern der übrigen Utrerana-Arten verwandt, es wurde jedoch auch eine gewisse enge Verbindung mit Weißgesichts- und Livorno-Eiern festgestellt.

Cladogramm, erstellt aus Mahalanobis‘ Abständen zwischen Legehennen-Genotypen.

Die zugrunde liegende Grundlage für diese Klassifizierungsmuster wurde nach der Auswertung des Data-Mining-CHAID-Entscheidungsbaums gefunden, der aus der Chi-Quadrat-Unähnlichkeitsmatrix ermittelt wurde. In dieser Hinsicht deutete die Chi-Quadrat-Basen-Zweig- und Knotenverteilung darauf hin, dass sich die Eier signifikant unterschieden (P < 0,05) und daher abhängig von ihren Werten für Schale b* (≤ 1,49; 1,49–2,09; 2,09–2,91; 2,91–) in fünf Untergruppen eingeteilt wurden. 7,51; ≥ 7,51). Livorno-Eier überwiegen, wenn die b*-Werte der Schale unter 2,09 liegen. Eier mit Werten von ≤ 1,49 und 2,91–7,51 für Schale b* wurden nach Werten des Formindex klassifiziert; Eier mit Werten von 2,09–2,91 für Schalen-b* wurden in Abhängigkeit vom Dottergewicht klassifiziert; und Eier mit Werten von ≥ 7,51 für Schale b* wurden nach Eigewicht klassifiziert. Gleichzeitig wurden Eier mit Werten von 2,09–2,91 für Schale b* und einem Dottergewicht von mehr als 19,03 g nach Fläche klassifiziert. Diese letzte Unterscheidung ermöglichte die Definition hauptsächlich der Eier der Genotypen Blue Andalusian, White Andalusian Tufted und Franciscan Utrerana aus den von Partridge Utrerana produzierten Eiern. Eine weitere Untergruppe wurde durch Eier mit Werten von ≥ 7,51 für Schale b* und einem Gesamteigewicht von > 60,04 g definiert. In diesem Fall war der Formindex sehr wichtig und trennte schwarze andalusische Büscheleier (44,40 % der Eier, die Werte von > 7,51 für Schale b*, > 60,40 g Gesamtgewicht der Eier und ≤ 73,06 für den Formindex aufwiesen, stammten von schwarzen andalusischen Büscheleiern ).

In den Ergänzungstabellen S2 und S3 sind die Ergebnisse der Klassifizierung und der einmaligen Kreuzvalidierung aufgeführt. Es wurde ein Press's Q-Wert von 1939,49 (N = 819; n = 460; K = 10) erhalten. Daher kann davon ausgegangen werden, dass die Vorhersagen mit 95 % deutlich besser waren als der Zufall16. Anschließend ergab die zehnfache Kreuzvalidierung ähnliche Schätzungen der Resubstitutions- und Kreuzvalidierungsfehlerrate von 0,623 und 0,665, für die der Standardfehler 0,17 bzw. 0,16 betrug, was ergab, dass der CHAID-Baum erstellt wurde, nachdem die Daten in der Studie die erreicht hatten optimale Tiefe. Aus diesen Gründen kann die Robustheit der erzielten Ergebnisse und die Gültigkeit der daraus gezogenen Schlussfolgerungen bestätigt werden.

Die genetische Vielfalt von Nutz- und Haustieren und der Status verschiedener Genotypen können im Einklang mit dem Ziel für nachhaltige Entwicklung 2.5.2 verstanden werden. (Anteil der lokalen Rassen, die als vom Aussterben bedroht eingestuft werden) und die Klassifizierung des Risikostatus von Tierpopulationen gemäß den FAO-Richtlinien17,18. Unter Berücksichtigung dieser Klassifizierung kann der Risikostatus der verschiedenen lokalen Genotypen, die in dieser Forschung verwendet werden, verstanden werden. Während der Status der Utrerana-Rasse weiterhin gefährdet ist und der Status der blauen andalusischen Rasse kritisch beibehalten wird, ist der Risikostatus der spanischen Weißgesichts- und andalusischen Büschelrassen unbekannt, da es keine Züchterverbände gibt, die für die Verwaltung und Kontrolle der wenigen existierenden Rassen verantwortlich sind Populationen19. Darüber hinaus wird eine bedeutende Stichprobe der Individuen aller ansässigen und registrierten Züchter jeder Rasse im Erhaltungszentrum für lokale Rassen gehalten, das sich im Agropecuary Provincial Center of Diputación von Córdoba (Spanien) befindet, wo das Experiment stattfand. Somit sind die in der vorliegenden Forschung verwendete Tierprobe und die Variabilität der in der Ergänzungstabelle S1 angegebenen Eiqualitätsmerkmale auf dem geeigneten Niveau, um die statistischen Analysen zu verwenden, und die in dieser Studie angebotenen Schlussfolgerungen sind statistisch signifikant.

Hohe Korrelationen zwischen dem Hauptdurchmesser und dem Nebendurchmesser mit dem Formindex können durch die Tatsache erklärt werden, dass der mathematische Ausdruck für die Berechnung des Formindex (der in den Analysen beibehalten wird) die oben genannten Parameter umfasst. Andererseits kann das Eigewicht, das ebenfalls als überflüssig galt und daher verworfen wurde, aus der Summe der Eigelb-, Eiweiß- und Eierschalengewichte berechnet werden. Diese Ergebnisse werden durch frühere Untersuchungen15 gestützt, in denen dieselben Redundanzen festgestellt wurden. Darüber hinaus wurde berichtet, dass die unterschiedlichen Beziehungen zwischen den erklärenden Variablen überprüft werden müssen. Auf diese Weise führt die Auswahl unabhängiger Variablen anstelle von Gleichungen dazu, dass sich die Variablen bei der Entscheidung über die Faktoren, die die Effizienz der Vorhersagemodelle bestimmen, nicht überschneiden, und optimieren daher die erzielten Ergebnisse20.

Die pH-bezogenen Merkmale zeigten die geringste nichtsignifikante Unterscheidungskraft zwischen verschiedenen Eiergruppen (Tabelle 3). Der geringe Beitrag von pH-bezogenen Merkmalen zur Unterscheidungsfunktion kann auf die geringe Variabilität des festgestellten Eier-pH-Werts zurückzuführen sein. Der pH-Wert kann als Maß für die Frische des Eies herangezogen werden: Im Laufe der Zeit kommt es zu einem Verlust von CO2 und H2O im Ei, was mit nachteiligen Auswirkungen auf die Eiqualität einhergeht, wie z. B. einer Abnahme des Geschmacks und der Eiweißviskosität21,22,23. Obwohl berichtet wurde, dass der pH-Wert der Eier durch den Hühnerstamm beeinflusst wird24, wurden in der vorliegenden Untersuchung pH-Messungen innerhalb von 24 Stunden nach der Eiablage durchgeführt. Daher könnten diese Ergebnisse darauf hindeuten, dass die Lebensdauer der Eierschale durch Hühnerstämme beeinträchtigt werden könnte, allerdings erst in späteren Stadien; Daher könnten die Eier in der vorliegenden Studie als frisch genug angesehen werden, um große Schwankungen der pH-Werte zwischen verschiedenen Hühnerrassen und -sorten zu vermeiden. Dies erklärt die geringe Variabilität der pH-Werte zwischen den Gruppen. Darüber hinaus müssen angesichts der Tatsache, dass die pH-Werte von Eialbumin und Eigelb mit der Embryonalentwicklung korrelieren25, und angesichts der möglichen Existenz von Unterschieden in späteren Stadien zusätzliche Studien entwickelt werden, die die Entwicklung des pH-Werts entlang der Lagerungszeit von Eiern berücksichtigen, um Rassen mit höheren Werten zu bestimmen die Lebensdauer der Eierschalen zu verbessern und Zuchtstrategien durch Erhaltungsprogramme für gefährdete Rassen zu stärken, bei denen die Lebensdauer der Eierschalen leichter gefährdet sein könnte6,26.

Hohe Wilks-Lambda-Werte und niedrige Werte für die F-Dotterfarbe, gemessen anhand des L*a*b*-Farbraums und der Dotterfarbfächersysteme, deuteten ebenfalls auf das begrenzte Unterscheidungspotenzial dieser Merkmale hin. Während L* den Grad der Helligkeit misst, messen die Parameter a* und b* die Farbart: Rot-Grün bzw. Gelb-Blau. Es wurde berichtet, dass die photometrische Bestimmung mittels Spektrophotometer präziser ist als der Dotterfarbfächer27, wobei in der aktuellen Studie für beide Parameter eine ähnliche Unterscheidungskraft angegeben wurde. Bei der Klassifizierung von Eiern verschiedener Genotypen waren die Werte für b* des Eigelbs der bestimmende Parameter im Zusammenhang mit der Eigelbfarbe. Diese Ergebnisse werden von Dvořák et al.27 gestützt, die nicht nur eine signifikante negative Korrelation mit anderen qualitätsbezogenen Merkmalen wie dem Gesamteigewicht (r = − 0,919) und dem Weißgewicht (r = − 0,918) berichteten, sondern auch a breitere Verteilung für absolute Häufigkeitswerte des Parameters Eigelb b* (von 22,00 bis 47,99) im Vergleich zu Eigelb L* und Eigelb a*. Darüber hinaus gab es einen starken gegenseitigen Zusammenhang zwischen den Dotterfarbparametern L* und b* (r = 0,927); Daher könnte angenommen werden, dass die Ablagerung des gelben Pigments im Eigelb durch die aktuelle Stoffwechselfähigkeit der Henne beeinflusst wird, die Berichten zufolge eine Ursache für die Variabilität zwischen den Rassen darstellt, von der die Anpassungsfähigkeit an die Umwelt häufig abhängt28. Parallel dazu kann die niedrigste Diskriminanzrelevanz eines *-Parameters von Dvořák et al.27 unterstützt werden, die einen*-Parameter zur Definition der roten Farbspektrumskomponente ermittelt haben, wobei steigende Eigelbgewichtswerte mit einem verringerten Anteil der bevorzugten orangen Farbe verbunden sind Es wurde jedoch berichtet, dass es unabhängig von der Cholesterinkonzentration und damit der inneren Qualität des Eies ist29.

Die Variablen Fläche, Eierschalenstärke und Eierschalendicke belegten jeweils den 11., 13. und 15. Platz. Das Eierschalengewicht war jedoch in der ersten Hälfte des Rankings das am besten platzierte Merkmal im Zusammenhang mit der Schalenqualität. Frühere Studien haben berichtet, dass die Eigewichtswerte nicht direkt proportional mit der Eierschalenresistenz zusammenhängen30. Die Konzentrationen von Mg, Na und K in der Eierschale können für die Festigkeit der Eierschale verantwortlich sein. Hohe Konzentrationen dieser Mikronährstoffe in der Eierschale führen zu einer erhöhten Zerbrechlichkeit und Weichheit der Eier31.

Es wurde berichtet, dass Livorno-Eierschalen höhere Konzentrationen dieser Mikronährstoffe enthalten als einheimische Rassen7. Beispielsweise beobachteten Iqbal et al.32, dass das Eierschalengewicht und die Eierschalendicke positiv korrelierten und maßgeblich von der Eigröße beeinflusst wurden. Folglich können Multikollinearitätsprobleme aus der starken Beziehung zwischen Eierschalendicke und -gewicht resultieren, was der Grund dafür ist, dass die Eierschalendicke möglicherweise bestraft wurde (Werte von 0,964 für Wilks' Lambda und 3,381 für F).

Es wurde gezeigt, dass visuelle Fehlerparameter eine geringe Unterscheidungskraft haben. Blut- und Fleischflecken führen zu Defekten im Eigelb und Eiweiß, die bei Eierkonsumenten zur Ablehnung führen9,33. Der Bruch eines Eierstockfollikels an einer anderen Stelle als die Narbe während des Eisprungs und der Synthese verschiedener Eibestandteile könnte zu diesen Sehfehlern führen34. Die Farbart des Eigelbs kann durch das Vorhandensein dieser Flecken verändert werden, was zu starken Korrelationen zwischen Sehfehlern, Eigelb a* und Eigelb b*15 führen könnte.

Parameter im Zusammenhang mit der Dottergröße zeigten eine hohe Unterscheidungskraft (6. und 8. Platz für Dottergewicht und Dotterdurchmesser in der Rangfolge). Diese Ergebnisse stützen die Tatsache, dass der Genotyp der Hühner erhebliche Unterschiede im Dotteranteil verursacht. Mehrere Autoren kamen zu dem Schluss, dass einheimische Rassen kleinere Eier mit einem höheren Dotteranteil legen als kommerzielle Hybridstämme6,35,36. Der größere Beitrag kommerzieller Legehennenlinien zur jährlichen Eierzahl und zum Eigewicht erfolgt zu energetisch effizienteren Kosten, da Eier mit einer größeren Menge Eiweiß und damit Wasser gelegt werden37.

Eiweiß macht etwa 57–71 % des Eigewichts aus38,39,40. Dabei belegte das Eiweißgewicht im Test auf Gleichheit der Gruppenmittelwerte den ersten Platz unter den gewichtsbezogenen Merkmalen. Es hat sich gezeigt, dass Livorno-Eier die schwerste Eierschale haben (Ergänzungstabelle S1). Hybridstämme sind aufgrund ihrer kommerziellen und Transportzwecke einem hohen Selektionsdruck hinsichtlich der Qualität der Eierschalen ausgesetzt30. In früheren Untersuchungen wurde jedoch gezeigt, dass lokale Genotypen stärkere und steifere Eierschalen haben als die Genotypen von Leghorn, obwohl diese Genotypen möglicherweise ein geringeres Eierschalengewicht aufweisen als die Genotypen von Leghorn7.

Haugh-Einheiten belegten bei den Tests zur Gleichheit der Gruppenmittelwerte den fünften Platz. Es wird als Indikator für die Qualität von Eiweiß verwendet. Die Werte der Haugh-Einheiten hängen von den Lagerbedingungen und der Lagerzeit ab41, es wurde aber auch berichtet, dass sie stark vom Genotyp der Henne abhängen. Wenn Haugh-Einheiten mit den pH-Werten von Eigelb und Eiweiß verglichen werden, können die Unterschiede darauf hindeuten, dass, auch wenn berichtet wurde, dass die Lebensdauer der Eierschale zwischen verschiedenen Hühnerstämmen stark variiert, die Variabilität erst in späteren Stadien auftritt (wobei einige Rassen eine längere Lebensdauer der Schale aufweisen als andere). wobei unmittelbar nach der Verlegung eine verringerte Variabilität festgestellt wird.

Die in der vorliegenden Studie erzielten Ergebnisse stimmen mit früheren Untersuchungen überein24,42, da sie im Vergleich zu einheimischen Rassen hohe Werte für Haugh-Einheiten in ausgewählten Legehennenlinien meldeten. Der Eiweißanteil steht jedoch in direktem Zusammenhang mit der Eiweißhöhe43. Daher könnte die Tatsache, dass kommerzielle Hybridstämme einen hohen Eiweißanteil aufwiesen, diesen Genotypen einen gewissen Vorteil im Hinblick auf wünschenswertere Haugh-Einheitswerte verschaffen.

Der Formindex ermöglicht uns die Klassifizierung von Eiern in runde Eier (Formindex > 76), Standardeier (Formindex = 72–76) und scharfe Eier (Formindex < 72)44. Die hohe Unterscheidungskraft des Merkmals zeigt eine große Variabilität zwischen den Eiern verschiedener Genotypen, die in der vorliegenden Studie verwendet wurden. Während von Araucana runde Eier berichtet wurden (Formindex = 76,84), zeigten weiße Utrerana-Eier scharfe Formen (Formindex = 71,32).

Die Chromatizitätsparameter der Eierschale weisen die höchste Unterscheidungskraft auf. Obwohl die meisten der in der vorliegenden Studie verwendeten Genotypen Eier mit weißer Schale legten, zeichnet sich die Araucana-Rasse dadurch aus, dass sie grün-blaue Eier legt45. Somit belegten Schale a* und Schale b* die ersten Plätze im Rang im Test auf Gleichheit der Gruppenmittelwerte. Chromatizitätsparameter waren für die Häufung der Araucana-Rasse in einer anderen Gruppe verantwortlich (Abb. 5). Auch wenn die übrigen in der Studie verwendeten Genotypen weißschalige Eier legten, ermöglichte Schale b* die Klassifizierung verschiedener Rassen und Sorten (ergänzende Abbildung S1). Beispielsweise wies die Rasse Leghorn Werte für Schale b* nahe 0 auf. Es wurde vermutet, dass hohe Werte für Schale L* zu einem Rückgang der Werte für Schale b*46 führen. In diesem Zusammenhang gilt laut Aygun47: Wenn der L*-Wert der Eierschale sinkt (d. h. die Dunkelheit der Eierschale nimmt zu), sinkt auch der Haugh-Einheitswert, aber die Schalenstärke nimmt zu. Daher könnte die Angabe des L*-Werts auf Eierkartons als Hinweis auf unterschiedliche Rassequalitätsmerkmale dienen.

Abbildung 5 zeigt die deutliche Diversifizierung der Rassen in Abhängigkeit von internen und externen Eiqualitätsmerkmalen. In dieser Hinsicht unterschied sich die Eigruppe von Araucana von den übrigen Mittelmeer- und Hybridlinien. Die geografische Isolation von Araucana hat möglicherweise nicht nur die genetische und phänotypische Distanzierung dieser Rasse vom Rest gefördert, sondern auch zu einer deutlichen Differenzierung ihres Produkts geführt48,49.

Die Trennung der spanischen Weißgesichts- und Weißen Utrerana-Eier in verschiedenen Clustern vom Rest der autochthonen Genotypen und ihre Annäherung an die kommerzielle Hybridlinie in Bezug auf die Eiqualität legen nahe, dass die Züchter Individuen mit Livorno-Henne gekreuzt haben könnten, um dies zu erreichen Verringerung der Blutsverwandtschaft bei Spanischen Weißgesichtigen und Weißen Utrerana, die die geringste Anzahl an Tieren ausmachen und einem hohen Gefährdungsrisiko ausgesetzt sind. Dennoch unterschied sich die Diversifizierung der Leghorn-Eier von den Eiern der übrigen einheimischen spanischen Rassen, was darauf hindeutet, dass die oben genannten einheimischen Rassen eine Alternative zu Eiern anderer Rassen darstellen könnten, die traditionell auf dem Markt verkauft wurden50.

Es wurden Ähnlichkeiten zwischen den Eierqualitätsmerkmalen von Rebhuhn und Franziskaner-Utrerana erwartet, da beide Sorten einen höheren Dotteranteil aufwiesen als die übrigen Genotypen. Andererseits legt die ergänzende Abbildung S1 nahe, dass blaue andalusische Eier gleichzeitig ähnliche Eigenschaften wie schwarze Utrerana-Eier und die beiden Sorten der andalusischen Büschelrasse aufweisen. 81 Prozent der Eier mit Werten von > 7,51 für Schalen-b*, > 60,04 g für Eigewicht und > 73,06 für Formindex wurden von den Genotypen Blue Andalusian, Black Utrerana oder Andalusian Tufted gelegt. Unter den Sorten der Utrerana-Hühner weist die schwarze Sorte eine große morphologische Ähnlichkeit mit Individuen mit schwarzem Gefieder aus der blauen andalusischen Rasse51 auf. Daher können phänotypische Ähnlichkeiten zwischen diesen beiden Genotypen, sowohl morphologisch als auch produktiv, auf Erinnerungen an Hybridisierung hinweisen.

Die Nähe zwischen den Eiern der beiden Sorten der andalusischen Büschelrasse in der Territorialkarte deutet auf einen Mangel an Fortpflanzungsmanagement und Kreuzung zwischen beiden Sorten hin, da die Verfügbarkeit von Tieren dieser Rasse gering ist und die Rasse einer gefährdeten Situation ausgesetzt ist. Darüber hinaus kann das Fehlen einer offiziellen Anerkennung und eines Zuchtprogramms für bestimmte lokale Rassen zu einer Verschlechterung der phänotypischen und genotypischen Identität ihrer Individuen führen52.

Die vorliegende Studie entwickelt ein Tool, das eine effiziente Klassifizierung von Eiern aus 10 verschiedenen Genotypen auf der Grundlage qualitätsbezogener Merkmale ermöglicht, wie der Q-Wert von Press über 6,63 nahelegt, was bedeutet, dass die Klassifizierungsrate mindestens 25 % höher ist als die durch Zufall ermittelte. Dies zeigt, dass bestimmte Variablen wie Schale a*, Schale b*, Eiweißgewicht, Formindex und Haugh-Einheiten eine wichtige Rolle bei der Bestimmung der äußeren und inneren Qualität von Eiern spielen. Tatsächlich wurden insgesamt 91,18 bzw. 61,90 % der Eier von Leghorn- und Araucana-Eiern korrekt klassifiziert. Allerdings wurden 15,58 % der Rebhuhn-Utrerana-Eier als Franziskaner-Utrerana-Eier klassifiziert, und 20,48 % der schwarzen andalusischen Büscheleier wurden als weiße andalusische Büscheleier klassifiziert. Darüber hinaus lagen die Resubstitutionsfehlerrate und der Kreuzvalidierungsfehlerratenquotient nahe bei 1, da das Kreuzvalidierungsrisiko das Risiko des minimalen Kreuzvalidierungsrisikobaums plus einem Standardfehler nicht wesentlich überstieg und somit die optimale Baumtiefe erfolgreich erreicht wurde.

Zusammenfassend lässt sich sagen, dass die Kombination aus kanonischer Diskriminanzanalyse und Data-Mining-CHAID-Entscheidungsbaummethoden als effizientes Werkzeug zur Sortierung von Eiern verschiedener Genotypen unter Berücksichtigung hochwertiger Eimerkmale validiert wird. Dieses Tool ermöglicht die Erkennung von Hybridisierungsgeschäften oder des Auftretens von Vermischungen zwischen Rassen im Laufe ihrer Geschichte. Bestimmte äußere Merkmale, wie die Farbart der Eierschale und der Eiformindex, sind leicht messbar, ohne dass die Eierschale aufgebrochen werden muss, und liefern uns eine große Menge an Informationen, die es uns ermöglichen, Eier verschiedener Genotypen korrekt zu klassifizieren. Unter den verschiedenen internen qualitätsbezogenen Merkmalen spielen Eiweißmerkmale wie Haugh-Einheiten und Eiweißgewicht eine entscheidende Rolle bei der Bestimmung von Unterschieden zwischen Genotypen. Wenn einheimische Rassen in Spanien mit kommerziellen Hybridlinien oder anderen ausländischen einheimischen Rassen wie der Araucana-Henne verglichen werden, werden große Unterschiede in der Eiqualität festgestellt. Diese Ergebnisse ergänzen die Ergebnisse der Genomanalysen, da diese zu dem Schluss kamen, dass einige einheimische Sorten (weiße und schwarze Sorten) möglicherweise immer noch Hinweise auf einen gewissen Grad an Hybridisierung mit beiden kommerziellen Stämmen, aber auch mit anderen einheimischen Rassen im selben Gebiet (Leghorn und Spanish Withe) aufweisen -Gesichts- oder weiße Utrerana-Hühner sowie schwarze Utrerana- und Andalusierblau-Hühner. In dieser Hinsicht können die ähnlichen Anteile der verschiedenen Teile des Eies (Eiweiß, Eigelb und Schale), die in den Sorten Franziskaner und Rebhuhn der Utrerana-Rasse vorkommen, zu Verwirrung bei der Eierklassifizierung führen, während Eier anderer Genotypen, wie die der andalusischen Büschelrasse, wiesen eine geringe Produktdifferenzierung auf.

Die Studie wurde in Übereinstimmung mit der Deklaration von Helsinki, dem Königlichen Erlass-Nationalgesetz 113/2013 vom 1. Februar und der Richtlinie 2010/63/EU des Europäischen Parlaments und des Rates vom 22. September durchgeführt. Diese Studie ist erschienen Der Beurteilungsbereich des Ethik-Prüfungsausschusses der Universität Córdoba fällt nicht unter die Gesetzgebung zum Schutz von Tieren, die für wissenschaftliche Zwecke verwendet werden. Alle Methoden werden in Übereinstimmung mit den ARRIVE-Richtlinien angegeben und die Genehmigung wurde von der Behörde des Agropecuary Provincial Center of Diputación von Córdoba (Spanien) erteilt, wo das Experiment stattfand.

Das Experiment fand ein Jahr lang (von Februar 2019 bis Februar 2020) im Agropecuary Provincial Centre of Diputación von Córdoba in Südspanien (37°54′50,9″N–4°42′40,4″W) statt. Die in der vorliegenden Studie verwendeten Eier stammten aus einer Herde von Legehennen, bestehend aus Tieren verschiedener Rassen, die wie in Tabelle 4 beschrieben verteilt waren. Die Hälfte der Individuen jeder lokalen Rasse waren Junghennen (24 Wochen alt) und die andere Hälfte Hennen (70 Wochen alt). . Allerdings waren in der Herde der Leghorn Lohmann LSL-Classic-Linie alle für die Studie verwendeten Tiere Junghennen (24 Wochen alt). Die Auswahl der beprobten Individuen erfolgte unter Berücksichtigung des Alters, in dem die verschiedenen verwendeten Genotypen 50 % der Legeperiode (Eierproduktion während eines Legezyklus) erreichen. Im Kontext dauert der typische Produktionszyklus bei kommerziellen Legehennen (unter anderem Livorno-Hühner) etwa 72 Wochen53. Dieser Zyklus kann sich jedoch bei etwa einem Drittel der Utrerana-Bevölkerung auf bis zu 156 Wochen erstrecken54.

Hühner selbst nahmen an keinem der in der vorliegenden Studie beschriebenen Experimente teil, waren aber die Quelle der Eier, von denen Eier gesammelt wurden. Die Vögel, von denen die Eier gesammelt wurden, wurden in Ställen mit einer Besatzdichte von 1 Tier pro m2 untergebracht und mit dem gleichen handelsüblichen Futter gefüttert (chemische Zusammensetzung: 15,20 % Rohprotein, 4,60 % Rohfette und -öl, 3,20 % Rohfaser). , 14,00 % Rohasche, 4,10 % Calcium, 0,66 % Phosphor, 0,19 % Natrium, 0,31 % Methionin, 0,72 % Lysin). Wasser und Futter wurden nach Belieben bereitgestellt.

Zur Eiqualitätsmessung wurden insgesamt 819 Eier beprobt. Die Eiablage erfolgte während eines kompletten Legezyklus. Tabelle 5 zeigt die Klassifizierung der Eier in Abhängigkeit vom Genotyp der Legehenne. Das gleiche Informationsregistrierungsprotokoll wurde für alle Eier der Probe individuell durchgeführt.

Äußere qualitätsbezogene Merkmale wurden mit nichtinvasiven Methoden, also ohne Aufbrechen der Eierschale, gemessen. Die folgenden externen Eiqualitätsmerkmale wurden bewertet: großer und kleiner Durchmesser der Eier; Eigewicht; Helligkeit der Eierschalenfarbe, Rot-Grün- und Gelb-Blau-Koordinaten (Schale L*, Schale a* und Schale b*) und Formindex.

Wenn das Ei hingegen zur Beurteilung zerbrochen werden musste, wurden folgende interne qualitätsbezogene Merkmale des Eies bewertet: Eierschalengewicht; Eierschalendicke; Eierschalenwiderstand, bestehend aus Eierschalenfestigkeit und Fläche unter der Kraft-Weg-Kurve (Fläche); Eiweißhöhe; Haugh-Einheiten; Eiweißgewicht; pH-Wert des Eiweißes; pH-Wert des Eigelbs; Eigelbfarbfächer; Variablen für Helligkeit, Rötung und Gelbheit des Eigelbs (Eigelb L*, Eigelb a* und Eigelb b*); Eigelbdurchmesser; Eigelbgewicht; und das Vorhandensein oder Fehlen optischer Mängel im Eigelb und/oder Eiweiß. Haugh-Einheiten und Formindex (Tabelle 6) wurden nach den von Eisen et al.55 und Anderson et al.56 aufgestellten Prämissen berechnet. Die Farbe der Schale wurde mit einem tragbaren Spektrophotometer (CM 700d, Konica Minolta Holdings Inc., Tokio, Japan) bestimmt und die Ergebnisse wurden unter Verwendung des L*a*b*-Systemfarbprofils der International Commission on Illumination (CIE) ausgedrückt beschrieben in González Ariza et al.6.

Abbildung 6 zeigt das detaillierte Verfahren zur Messung der folgenden Variablen: Haupt- und Nebendurchmesser, Eierschalendicke und Dotterdurchmesser. Hierzu wurde eine Nonius-Skala (Electro DH M 60.205, Barcelona, ​​Spanien) verwendet. Die Dicke der Eierschale wurde als Mittelwert aus drei Messungen im mittleren Teil der Eierschale berechnet. Die Bewertung der Eiqualität wurde ein Jahr lang alle 15 Tage innerhalb von 24 Stunden nach der Eiablage gemessen. Die Raumtemperatur betrug zum Zeitpunkt der Eiqualitätsbeurteilung 22 ± 1 °C. Weitere Informationen zum verwendeten Datenerfassungsprotokoll finden Sie in González Ariza et al.15.

Schema des externen und internen Verfahrens zur Erhebung von Eiqualitätsdaten. (A) Hauptdurchmesser; (B) Kleiner Durchmesser; (C) Eierschalendicke; (D) Eigelbdurchmesser.

Kanonische Diskriminanzanalysen (CDAs) wurden durchgeführt, um ein Tool zu entwickeln, das die Klassifizierung von Eiern ermöglicht und gleichzeitig bestimmt, ob lineare Kombinationen von Messungen interner und externer Eiqualitätsmerkmale Clustermuster innerhalb und zwischen Populationsgruppen beschreiben. Die für die vorliegenden Analysen verwendeten erklärenden Variablen waren Hauptdurchmesser, Nebendurchmesser, Eigewicht, Schale L*, Schale a*, Schale b*, Formindex, Eierschalengewicht, Eierschalendicke, Eierschalenstärke, Fläche, Eiweißhöhe, Haugh-Einheiten, Eiweißgewicht, Eiweiß-pH, Eigelb-pH, Eigelb-Farbfächer, Eigelb L*, Eigelb a*, Eigelb b*, Eigelbdurchmesser, Eigelbgewicht und visuelle Mängel. Als Clustering-Kriterium galt der Genotyp der Legehenne.

Kanonische Beziehungen zu Merkmalen wurden aufgezeichnet, um die Gruppenunterschiede in einer leicht interpretierbaren Territorialkarte darzustellen. Zur Durchführung der Variablenauswahl wurden regulierte vorwärtsgerichtete, schrittweise multinomiale logistische Regressionsalgorithmen verwendet. Priors wurden anhand der Gruppengrößen reguliert, die mithilfe der A-priori-Wahrscheinlichkeit kommerzieller Software (SPSS Version 26.0 für Windows, SPSS, Inc., Chicago, IL) berechnet wurden, anstatt sie als gleich zu betrachten, um zu vermeiden, dass Gruppen mit unterschiedlichen Stichprobengrößen die Qualität beeinträchtigen Klassifizierung20.

Es wurde berichtet, dass die gleichen Stichprobengrößenkontexte, die in dieser Studie gruppenübergreifend verwendet wurden, robust sind. In diesem Zusammenhang haben einige Autoren eine Mindeststichprobengröße von mindestens 20 Beobachtungen für jeweils 4 oder 5 Prädiktoren angegeben, und die maximale Anzahl unabhängiger Variablen sollte n-2 betragen, wobei n die Stichprobengröße ist, um mögliche Verzerrungseffekte zu mildern20, 57.

Folglich verwendete die vorliegende Studie ein vier- oder fünfmal höheres Verhältnis zwischen Beobachtungen und unabhängigen Variablen als die oben beschriebenen, was diskriminante Ansätze effizient macht. Um Unabhängigkeit und eine starke lineare Beziehung zwischen den Prädiktoren sicherzustellen, wurde eine Multikollinearitätsanalyse durchgeführt. Die durch die schrittweise Vorwärts- oder Rückwärtsauswahlmethode ausgewählten Variablen waren dieselben. Schließlich wurde die progressive Vorwärtsauswahlmethode durchgeführt, da sie weniger Zeit benötigt als die Rückwärtsauswahlmethode.

Zur Durchführung der kanonischen Diskriminanzanalyse wurden die Diskriminanzroutine des Classify-Pakets der SPSS-Software Version 26.0 und die kanonische Diskriminanzanalyseroutine des Analyzing Data-Pakets der XLSTAT-Software (Addinsoft Pearson Edition 2014, Addinsoft, Paris, Frankreich) verwendet.

Die Multikollinearitätsannahme muss vor der Durchführung einer kanonischen Diskriminanzanalyse getestet werden, um sicherzustellen, dass Redundanzen in den betrachteten Variablen das Erklärungspotenzial der Varianz nicht übertreiben. Dabei werden Variablen verworfen, die den gleichen Anteil der Variabilität in den Daten erklären wie andere, die ebenfalls in den Analysen berücksichtigt werden, die aber möglicherweise nicht in der Lage sind, bestimmte zusätzliche Anteile anderer Variablen zu erklären. Beispielsweise kann das Eigewicht durch das Eierschalen-, Dotter- und Eiweißgewicht erklärt werden, letzteres kann jedoch dennoch einen ziemlich genauen Bruchteil der Unterschiede zwischen den Beobachtungen darstellen. Daher kann die Beibehaltung aller Werte in den Analysen zu einer redundanten Erklärung (Inflation) dieser Variabilität führen. Multikollinearität ist eine Datenbedingung, die ein hohes Maß an linearer Interkorrelation zwischen zwei oder mehr erklärenden Variablen darstellt. Während Korrelation die lineare Beziehung zwischen nur zwei Variablen ist, kann Multikollinearität zwischen zwei Variablen oder zwischen einer Variablen und der Linearkombination der anderen bestehen. Multikollinearität stellt auch einen Mangel an Orthogonalität zwischen Variablen dar, was bedeutet, dass Änderungen in einer von ihnen keine Änderungen in den anderen mit sich bringen. Zur Erkennung von Multikollinearität können verschiedene Methoden eingesetzt werden. Unter ihnen messen der Varianzinflationsfaktor (VIF) und die Toleranz58 das Verhältnis der Varianz in einem Regressionsmodell mit mehreren Attributen geteilt durch die Varianz eines Modells mit nur einem Attribut59. Multikollinearität tritt auf, wenn k Vektoren in einem Unterraum mit einer Dimension kleiner als k liegen. Multikollinearität kann einen datenarmen Zustand erklären, der häufig bei Beobachtungsstudien auftritt, bei denen die Forscher nicht in die Studie eingreifen. Daher verwechseln viele Forscher Multikollinearität oft mit Korrelation. Daher wird Korrelation als Sonderfall der Multikollinearität angesehen. Eine hohe Korrelation impliziert Multikollinearität, aber nicht umgekehrt. Möglicherweise besteht eine Multikollinearität zwischen den erklärenden Variablen, aber immer noch keine hohe Korrelation zwischen Paaren dieser Variablen60. In der Studie wurde ein empfohlener VIF-Wert von 4 verwendet61. VIF wurde gemäß der folgenden Formel als Unterroutine der Canonical Discriminant Analysis-Routine des Analyzing Data-Pakets der XLSTAT-Software (Addinsoft Pearson Edition 2014, Addinsoft, Paris, Frankreich) berechnet:

wobei R2 das Bestimmtheitsmaß der Regressionsgleichung ist.

Die maximale Anzahl kanonischer Korrelationen zwischen zwei Variablenmengen ist die Anzahl der Variablen in der kleineren Menge. Die erste kanonische Korrelation erklärt normalerweise die meisten Beziehungen zwischen verschiedenen Mengen. In jedem Fall sollte allen kanonischen Korrelationen Aufmerksamkeit geschenkt werden, auch wenn in früheren Untersuchungen häufig nur von der ersten Dimension berichtet wurde62. Wenn kanonische Korrelationswerte 0,30 oder mehr betragen, entsprechen sie etwa 10 % der erklärten Varianz.

Der Lambda-Test von Wilks bewertet, welche Variablen erheblich zur Diskriminanzfunktion beitragen können. Wenn Wilks' Lambda sich 0 annähert, nimmt der Beitrag dieser Variablen zur Diskriminanzfunktion zu. χ2 testet die Lambda-Signifikanz von Wilks. Wenn die Signifikanz unter 0,05 liegt, kann daraus geschlossen werden, dass die Funktion die Gruppenzuordnung gut erklärt63.

Das Pillai-Trace-Kriterium als einzig akzeptabler Test bei ungleichen Stichprobengrößen wurde verwendet, um die Annahme gleicher Kovarianzmatrizen in der Diskriminanzfunktionsanalyse zu testen64. Pillais Trace-Kriterium wurde als Unterroutine der Canonical Discriminant Analysis-Routine des Analyzing Data-Pakets der XLSTAT-Software (Addinsoft Pearson Edition 2014, Addinsoft, Paris, Frankreich) berechnet. Eine Signifikanz von ≤ 0,05 weist darauf hin, dass der im Diskriminanzmodell berücksichtigte Satz von Prädiktoren statistisch signifikant ist. Das Spurkriterium von Pillai gilt als die robusteste Statistik zum allgemeinen Schutz vor Abweichungen von der Normalität und Homogenität der Varianz der multivariaten Residuen. Je höher der beobachtete Wert für die Pillai-Spur ist, desto stärker ist der Beweis dafür, dass der Satz von Prädiktoren einen statistisch signifikanten Einfluss auf die Werte der Antwortvariablen hat. Das heißt, das Pillai-Trace-Kriterium zeigt potenzielle lineare Unterschiede in den kombinierten internen und externen Eiqualitätsmerkmalen in den Genotyp-Clustergruppen von Hühnern65.

Wenn CDA implementiert wird, wird eine vorläufige Hauptkomponentenanalyse verwendet, um die Gesamtvariablen auf einige wenige aussagekräftige Variablen zu reduzieren, die am meisten zu Variationen zwischen Eiern verschiedener Genotypen beigetragen haben. Durch den Einsatz des CDA wurde die prozentuale Zuordnung der Eier innerhalb der eigenen Gruppe ermittelt. Variablen mit einer Diskriminanzladung von ≥ |0,40| wurden als substanziell angesehen, was auf substanzielle Unterscheidungsvariablen hinweist. Durch die Verwendung der schrittweisen Vorgehensweise wurde verhindert, dass nichtsignifikante Variablen in die Funktion eingehen. Koeffizienten mit großen Absolutwerten entsprechen Variablen mit größerer Unterscheidungsfähigkeit. Die Daten wurden gemäß den von Manly und Alberto66 beschriebenen Verfahren standardisiert. Anschließend wurden die quadrierten Mahalanobis-Abstände und die Hauptkomponentenanalyse mithilfe der folgenden Formel berechnet:

wobei \(D_{ij}^{2}\): Abstand zwischen Population i und j; COV−1: Inverse der Kovarianzmatrix der Messvariablen x; \(\overline{\Upsilon }_{i}\) und \(\overline{\Upsilon }_{j}\): Mittelwerte der Variablen x in der i-ten bzw. j-ten Population.

Die quadrierte Mahalanobis-Distanzmatrix wurde in eine euklidische Distanzmatrix umgewandelt und ein Dendrogramm wurde unter Verwendung der arithmetischen Mittelwerte der untergewichteten Paargruppenmethode (UPGMA; Universität Rovira i Virgili, Tarragona, Spanien) und des Phylogenieverfahrens von MEGA X 10.0.5 erstellt ( Institut für molekulare evolutionäre Genetik, Pennsylvania State University, State College, PA, USA).

Anschließend wurde der Trefferquotenparameter berechnet, um die Wahrscheinlichkeit zu bestimmen, dass ein Ei mit unbekanntem Hintergrund zu einer bestimmten Klassifizierungsgruppe gehört67. Hierzu wurde der relative Abstand der Problembeobachtung zum Schwerpunkt ihrer nächstgelegenen Gruppe verwendet. Die Trefferquote ist der Prozentsatz korrekt klassifizierter Eier, der korrekt dem Hühnergenotyp zugeordnet wird, der sie ursprünglich gelegt hat. Das Verfahren der einmaligen Kreuzvalidierung wird als eine Form der Signifikanz verwendet, um zu prüfen, ob die Diskriminanzfunktionen validiert werden können.

Die Q-Statistik von Press kann diese Ergebnisse unterstützen, da sie zum Vergleich der Unterscheidungskraft der kreuzvalidierten Funktion wie folgt verwendet werden kann:

wobei n: Anzahl der Beobachtungen in der Stichprobe; n′: Anzahl der korrekt klassifizierten Beobachtungen; K: Anzahl der Gruppen.

Der Wert der Q-Statistik von Press muss mit dem kritischen Wert von 6,63 für χ2 mit einem Freiheitsgrad bei einer Signifikanz von 0,01 verglichen werden. Wenn Press's Q den kritischen Wert von χ2 = 6,63 überschreitet, ist die kreuzvalidierte Klassifizierungsrate mindestens 25 % höher als die zufällig erhaltene und es kann davon ausgegangen werden, dass die Klassifizierungsgenauigkeit ausreichend ist.

Für die Klassifizierung, Vorhersage, Interpretation und diskret kategorisierte Datenmanipulation wurde die Data-Mining-Methode Chi-Quadrat-Automatische Interaktionserkennung (CHAID) des Entscheidungsbaums (DT) verwendet. Das CHAID-basierte Algorithmus-Entscheidungsunterstützungstool umfasst einen Wurzelknoten, Zweige und Blattknoten. Für jeden internen Knoten, der um ein Eiqualitätsmerkmal (Eingabevariablen) herum aufgebaut werden soll, muss ein Chi-Quadrat-Test-Signifikanzaufteilungskriterium (P < 0,05) erfüllt sein (Vorbereinigung). Laut Breiman et al.68 müssen Beschneidungsprozesse (entweder vor oder nach) durchgeführt werden, um zu verhindern, dass Bäume eine große Anzahl von Ästen aufweisen, und um zu verhindern, dass sie Äste nicht verfolgen, die erheblich zur Gesamtanpassung beitragen können. Nach der Berechnung eines Baums, der die signifikante Beziehung zwischen den erkannten unabhängigen Variablen umfassend darstellt, werden Knoten, die nicht zur Gesamtvorhersage beitragen, verworfen. Darüber hinaus fügt CHAID ein Element der Bestrafung als indirekte Kosten hinzu, die sich aus der Modellkomplexität ergeben. In diesem Zusammenhang wurde die Bonferroni-Ungleichung verwendet, um die Signifikanzniveaus signifikant anzupassen. Breimans Methode ähnelt einer schrittweisen Vorwärtsregression mit einer Reduzierung der endgültigen Anzahl von Schritten unter Verwendung von Chi-Quadrat-Tests anstelle von F-to-Enter-basierten Tests. Jeder Zweig repräsentiert ein Ergebnis des Tests (in einer Anzahl von zwei oder mehr), und jeder Blattknoten (oder Endknoten) repräsentiert eine Kategorieebene der Zielvariablen (Hühner-Genotyp). Der oberste Knoten in einem Baum ist der Wurzelknoten. Die Entscheidungen werden an jedem Knoten getroffen, und jeder Datensatz durchläuft den Baum entlang eines Pfads, bis der Datensatz ein Blatt oder einen Endknoten des Baums erreicht69.

Anschließend wurde eine Kreuzvalidierung durchgeführt, um den Satz von Prädiktoren zu validieren, mit denen die Unterschiede zwischen dem Vorhersagefehler für einen Baum, der auf eine neue Stichprobe angewendet wird, und einem Trainingsstichprobenmaß gemessen werden. Die Kreuzvalidierung des Entscheidungsbaums wurde unter Verwendung des „Komplexitätsparameters“ und des kreuzvalidierten Fehlers durchgeführt, um abzuschätzen, wie genau das Modell für unsichtbare Daten verallgemeinert, d. h. wie gut es funktioniert/prognostiziert. Eine zehnfache Kreuzvalidierung wurde verwendet, um den CHAID-Entscheidungsbaum zu validieren und sicherzustellen, dass die berücksichtigten Prädiktoren die Unterschiede zwischen den Rassengruppen signifikant erklären70. Dies bedeutet, zu bestimmen, ob der kürzeste Baum effizient und wiederholbar die höchste Anzahl signifikanter Beziehungen erfasst. Zur Durchführung der zehnfachen Kreuzvalidierung wurden alle Probendatensätze der Trainingsstichprobe und die Studiendaten verwendet. Die Kreuzvalidierung wurde durchgeführt, indem die vorhandenen Unterschiede zwischen dem Vorhersagefehler für einen Baum, der auf eine neue Stichprobe angewendet wurde (Resubstitutions-/Ersetzungsfehlerrate), und einer Trainingsstichprobe (Kreuzvalidierungsfehlerrate) verglichen wurden. Die Kreuzvalidierungsfehlerrate (Risiko) ist ein Mittelwert der Risiken über die 10 Testproben (Falten, neue Proben) und bestimmt die Genauigkeit des Diskriminanzmodells für die Datenvorhersage. Der Vorgang wird für jede Falte wiederholt und eine Schätzung des Fehlers über die Faltungen hinweg wird geschätzt. Der Baum, der die niedrigste Kreuzvalidierungsfehlerrate erzeugte und daher die beste Anpassung lieferte, wurde ausgewählt. Im Gegensatz dazu ist die Resubstitutionsfehlerrate der Anteil ursprünglich falsch klassifizierter Beobachtungen durch verschiedene Teilmengen des ursprünglichen Baums und nimmt mit zunehmender Tiefe des Baums ab. Während der Baum, der die niedrigste Resubstitutionsrate meldet, verzerrt ist, fügen große Bäume zufällige Variationen in den Vorhersagen hinzu, da sie Ausreißer übertreffen. Infolgedessen wird die optimale Baumtiefe für den flachsten Baum bestimmt, dessen Kreuzvalidierungsrisiko das Risiko des minimalen Kreuzvalidierungsrisikobaums plus einen Standardfehler nicht überschreitet. Dies kann gewährleistet werden, wenn die Resubstitutionsfehlerrate und die kreuzvalidierte Fehlerrate ähnlich sind, ihr Quotient also nahe bei 1 liegt.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Ureña, D., Colombo, D., López, M. & Ruiz, C. Nischenmärkte für nachhaltige Tierprodukte: Ziegenmilch aus Weidehaltung. Bogen. Zootec. 70, 60–70 (2021).

Artikel Google Scholar

Castillo, A. et al. Überblick über einheimische Hühnerrassen in Italien: Erhaltungszustand und verwendete Aufzuchtsysteme. Tiere 11, 490 (2021).

Artikel PubMed PubMed Central Google Scholar

Busse, M., Kernecker, ML, Zscheischler, J., Zoll, F. & Siebert, R. Ethische Bedenken in der Geflügelproduktion: Eine deutsche Verbraucherumfrage zu Zweinutzungshühnern. J. Agrar. Umgebung. Ethik 32, 905–925 (2019).

Artikel Google Scholar

Toalombo, P. et al. Sozioökonomische Auswirkungen auf morphologische Merkmale autochthoner Hühner in Ecuador. Bogen. Zootec. 68, 416–421 (2019).

Artikel Google Scholar

González Ariza, A. et al. Definition der sensorischen Präferenz und Affinität zum Berufsprofil von Eiern gefährdeter einheimischer Rassen im Vergleich zu Eiern kommerzieller Legehennenlinien. Tiere 9, 920 (2019).

Artikel PubMed Central Google Scholar

González Ariza, A. et al. Nichtparametrische kanonische Analyse qualitätsbezogener Merkmale von Eiern verschiedener Sorten einheimischer Hühner im Vergleich zur Legelinie. Tiere 9, 153 (2019).

Artikel PubMed Central Google Scholar

Gonzalez Ariza, A., Navas Gonzalez, FJ, Arando Arbulu, A., Delgado Bermejo, JV & Camacho Vallejo, ME Hühnerrasse- und Sortenfaktoren als Quelle der Variabilität für die chemische Zusammensetzung von Eiern. J. Lebensmittelkompost. Anal. Rev. 95, 103673 (2021).

Artikel Google Scholar

Zheng, Y. et al. Auswirkungen der Hauptgetreideart und der Futterform auf die Produktionsleistung, die Eierqualität und die Eiergesundheitsindizes von Legehennen. Br. Geflügel. Wissenschaft. 61, 164–168 (2020).

Artikel ADS CAS PubMed Google Scholar

Sokołowicz, Z., Krawczyk, J. & Dykiel, M. Die Auswirkung der Art des alternativen Haltungssystems, des Genotyps und des Alters von Legehennen auf die Eierqualität. Ann. Anim. Wissenschaft. 18, 541 (2018).

Artikel Google Scholar

Abioja, MO, Abiona, JA, Akinjute, OF & Ojoawo, HT Einfluss der Lagerdauer auf die Eiqualität, die Embryonensterblichkeit und die Schlupfbarkeit bei FUNAAB-ɑ-Hühnern. J. Anim. Physiol. Anim. Nutr. 1, 1–10 (2020).

Google Scholar

Orozco, F. Rassen spanischer Hühner (SA Mundi-Prensa Libros, 1989).

Google Scholar

Miguel, J., Asenjo, B., Ciria, J. & Calvo, J. Wachstum und Laienmodellierung in einer Population einheimischer spanischer Hühner aus Castellana Negra. Br. Geflügel. Wissenschaft. 48, 651–654 (2007).

Artikel CAS PubMed Google Scholar

Macrì, M. et al. Genetische Vielfalt der Utrerana-Hühnerrasse. Acts Iberoam. Sparen. Anim. 13, 52–59 (2019).

Google Scholar

Dávila, SG, Campo, JL, Gil, MG, Castaño, C. & Santiago-Moreno, J. Auswirkung der Anwesenheit von Hühnern auf die Spermienvariablen von Hähnen. Geflügel. Wissenschaft. 94, 1645–1649 (2015).

Artikel PubMed Google Scholar

González Ariza, A., Arando Arbulu, A., Navas González, FJ, Delgado Bermejo, JV & Camacho Vallejo, ME Kanonische Diskriminanzanalyse als Validierungsinstrument für die kommerzielle Qualitätsklassifizierung von Eiern einheimischer Rassen mehrerer Sorten. Lebensmittel 10, 632–649 (2021).

Artikel PubMed PubMed Central Google Scholar

Chan, Y. Biostatistik 303. Diskriminanzanalyse. Singapur Med. J. 46, 54 (2005).

ADS CAS PubMed Google Scholar

FAO. Informationssystem zur Diversität von Haustieren (DAD-IS): Risikostatus tiergenetischer Ressourcen (FAO, 2022).

Google Scholar

FAO. Ziele für nachhaltige Entwicklung: Ziele (FAO, 2022).

Google Scholar

KARTE. Offizieller Rassenkatalog https://www.mapa.gob.es/en/ganaderia/temas/zootecnia/razas-ganaderas/razas/catalogo-razas/ (2022).

Marin Navas, C., Delgado Bermejo, JV, McLean, AK, Leon Jurado, JM & Navas Gonzalez, FJ Diskriminante kanonische Analyse der genetischen Vielfalt und Populationsstruktur spanischer und arabischer reinrassiger Pferde. Tiere 11, 269 (2021).

Artikel PubMed PubMed Central Google Scholar

Nematinia, E. & Abdanan Mehdizadeh, S. Bewertung der Eierfrische durch Vorhersage der Haugh-Einheit und des Eiweiß-pH-Werts mithilfe eines künstlichen neuronalen Netzwerks. J. Lebensmittelmessungen Charakter. 12, 1449–1459 (2018).

Artikel Google Scholar

Lakins, D. et al. Vergleich der Qualitätsmerkmale von Schaleneiern, die der gerichteten Mikrowellentechnologie ausgesetzt wurden. Geflügel. Wissenschaft. 88, 1257–1265 (2009).

Artikel CAS PubMed Google Scholar

Samiullah, S., Omar, AS, Roberts, J. & Chousalkar, K. Einfluss des Produktionssystems und des Herdenalters auf die Messungen der Eierschale und der internen Eierqualität. Geflügel. Wissenschaft. 96, 246–258 (2016).

Artikel PubMed Google Scholar

Lordelo, M. et al. Ein Vergleich zwischen der Qualität von Eiern einheimischer Hühnerrassen und der von kommerziellen Legehennen. Geflügel. Wissenschaft. 99, 1768–1776 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Ipek, A. & Sozcu, A. Vergleich der Eigenschaften von Bruteiern, der Embryonalentwicklung, der Eigelbabsorption, des Schlupffensters und der Schlüpfbarkeit von Peking-Enten-Eiern unterschiedlichen Gewichts. Geflügel. Wissenschaft. 96, 3593–3599 (2017).

Artikel CAS PubMed Google Scholar

Gumułka, M., Andres, K., Krawczyk, J. & Calik, J. Forschungshinweis: Der Nährwert von Eiern von einheimischen polnischen Haubenhühnern und kommerziellen Hybriden, die unter verschiedenen Bedingungen gelagert wurden. Geflügel. Wissenschaft. 101, 101579 (2022).

Artikel PubMed Google Scholar

Dvořák, P., Doležalová, J. & Suchý, P. Photokolorimetrische Bestimmung der Dotterfarbe in Bezug auf ausgewählte Qualitätsparameter von Eiern. J. Sci. Lebensmittel Landwirtschaft. 89, 1886–1889 (2009).

Artikel Google Scholar

Kim, HC, Ko, Y.-J. & Jo, C. Potenzial der 2D-qNMR-Spektroskopie zur Unterscheidung von Hühnerrassen anhand der Stoffwechselunterschiede. Lebensmittelchem. 342, 128316 (2021).

Artikel CAS PubMed Google Scholar

Ingr, I. & Simeonova, J. Schnelle Bestimmung des Cholesterins im Eigelb durch den Bio-La-Test [Eierlegende Hybriden, Tschechoslowakei]. Tierarzt. Med.-Tschechisch. 28, 97–104 (1983).

CAS Google Scholar

Knaga, S. et al. Eierschalenstärke bei den Zuchtzielen von Legehennen – ein Rückblick. Anim. Wissenschaft. Brei. Rep. 37, 119–136 (2019).

Google Scholar

Orłowski, G. et al. Kalzium und Metalle sind in Vogeleierschalen über deren Längsschnitt nicht gleichmäßig verteilt. Auk 136, 1–14 (2019).

Artikel Google Scholar

Iqbal, J. et al. Auswirkungen des Eigewichts auf die Eiqualität, die Qualität der Küken und die Leistung der Broiler in den späteren Produktionsstadien (Woche 60) bei Broiler-Elterntieren. J. Appl. Geflügel. Res. 26, 183–191 (2017).

Artikel Google Scholar

Brant, A., Norris, K. & Chin, G. Eine spektrophotometrische Methode zum Nachweis von Blut in weißschaligen Eiern. Geflügel. Wissenschaft. 32, 357–363 (1953).

Artikel CAS Google Scholar

Rizzi, C. Ertragsleistung, Legeverhaltensmerkmale und Eiqualität von reinrassigen und Hybridhennen, die unter Freilandbedingungen gehalten werden. Tiere 10, 584 (2020).

Artikel PubMed Central Google Scholar

Zanon, A., Beretti, V., Superchi, P., Zambini, E. & Sabbioni, A. Physikalisch-chemische Eigenschaften von Eiern von zwei italienischen autochthonen Hühnerrassen: Modenese und Romagnolo. Weltgeflügel. Wissenschaft. J. 62, 203 (2006).

Google Scholar

Rizzi, C. & Marangon, A. Qualität von Bio-Eiern von Hybrid- und italienischen Hühnerrassen. Geflügel. Wissenschaft. 91, 2330–2340 (2012).

Artikel CAS PubMed Google Scholar

Sirri, F. et al. Qualitätscharakterisierung von Eiern von Romagnola-Hühnern, einer lokalen italienischen Rasse. Geflügel. Wissenschaft. 97, 4131–4136 (2018).

Artikel CAS PubMed Google Scholar

Ianni, A., Bartolini, D., Bennato, F. & Martino, G. Eierqualität von Nera Atriana, einer lokalen Geflügelrasse der Abruzzen (Italien), und ISA-Braunhennen aus Freilandhaltung. Tiere 11, 257 (2021).

Artikel PubMed PubMed Central Google Scholar

Sun, C., Liu, J., Yang, N. & Xu, G. Eiqualität und Eiklareigenschaften von Haushuhn, Ente, Gans, Truthahn, Wachtel und Taube. Geflügel. Wissenschaft. 98, 4516–4521 (2019).

Artikel CAS PubMed Google Scholar

Galli, GM et al. Der Futterzusatz von Curcumin bei Legehennen zeigte eine antikokzidiale Wirkung und verbesserte die Eierqualität und die Tiergesundheit. Res. Tierarzt. Wissenschaft. 118, 101–106 (2018).

Artikel CAS PubMed Google Scholar

Yimenu, SM, Kim, J. & Kim, B. Vorhersage der Eierfrische während der Lagerung mithilfe der elektronischen Nase. Geflügel. Wissenschaft. 96, 3733–3746 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Franco, D. et al. Einfluss von Rasse und Ernährungsart auf die Frische und Qualität der Eier: Ein Vergleich zwischen Mos (einheimische galizische Rasse) und braunen Isa-Hühnern. Lebensmittel 9, 342 (2020).

Artikel CAS PubMed Central Google Scholar

Sreenivas, D., Prakash, MG, Mahender, M. & Chatterjee, RN Genetische Analyse der Eiqualitätsmerkmale bei White Leghorn-Hühnern. Tierarzt. Welt 6, 263–266 (2013).

Artikel Google Scholar

Galic, A. et al. Physikalische und mechanische Eigenschaften von Hisex Brown-Hühnereiern aus drei verschiedenen Haltungssystemen. S. Afr. J. Anim. Wissenschaft. 49, 468–476 (2019).

Artikel CAS Google Scholar

Castelló, S. Art einer anuropygiden (rumpflosen) Hahnen- und Hühnerrasse mit Ohrringen in Chile. Tagungsband des Ersten Weltgeflügelkongresses (1921).

Odabaşi, A., Miles, R., Balaban, M. & Portier, K. Veränderungen der braunen Eierschalenfarbe mit zunehmendem Alter der Henne. Geflügel. Wissenschaft. 86, 356–363 (2007).

Artikel PubMed Google Scholar

Aygun, A. Die Beziehung zwischen Eierschalenfarbe und Eiqualitätsmerkmalen bei Konsumeiern. Indian J. Anim. Res. 48, 290–294 (2014).

Artikel Google Scholar

Carvalho, DAD et al. Vielfalt und genetische Verwandtschaft von Freilandhühnern aus der Nordostregion Brasiliens. Tiere 10, 1857 (2020).

Artikel Google Scholar

Mehlhorn, J. & Petow, S. Kleinere Gehirne bei Legehennen: Neue Erkenntnisse über den Einfluss reiner Zucht- und Haltungsbedingungen auf Gehirngröße und Gehirnzusammensetzung. Geflügel. Wissenschaft. 99, 3319–3327 (2020).

Artikel PubMed PubMed Central Google Scholar

Rondoni, A., Asioli, D. & Millan, E. Verbraucherverhalten, Wahrnehmungen und Vorlieben gegenüber Eiern: Ein Überblick über die Literatur und Diskussion der Auswirkungen auf die Industrie. Trends Lebensmittelwissenschaft. Technol. 106, 391–401 (2020).

Artikel CAS Google Scholar

Campo, JL Nutztierrassen Andalusiens Band II (Ministerium für Landwirtschaft und Fischerei, 2007).

Google Scholar

Wang, Y., Bennewitz, J. & Wellmann, R. Neuartige optimale Beitragsauswahlmethoden, die widersprüchliche Ziele in Zuchtprogrammen für Nutztierrassen mit historischer Migration berücksichtigen. Genet. Sel. Entwicklung 49, 1–12 (2017).

Artikel Google Scholar

Seidler, E. Eiermarketing. Ein Leitfaden für die Produktion und den Verkauf von Eiern (FAO Agricultural Services Bulletin, 2003).

Google Scholar

Orozco, F. Andalusier oder Utrerana-Rasse. Sel. Avíc. 29, 50-57 (1987).

Google Scholar

Eisen, E., Bohren, B. & McKean, H. Die Haugh-Einheit als Maß für die Qualität von Eialbumin. Geflügel. Sci 41, 1461–1468 (1962).

Artikel Google Scholar

Anderson, K., Tharrington, J., Curtis, P. & Jones, F. Schaleneigenschaften von Eiern aus historischen Stämmen von weißen Leghornhühnern mit einem Kamm und die Beziehung zwischen Eiform und Schalenstärke. Int. J. Poult. Wissenschaft. 3, 17–19 (2004).

Google Scholar

Poulsen, J. & French, A. Diskriminanzfunktionsanalyse (San Francisco State University, 2008).

Google Scholar

Handhal, AM, Jawad, SM & Al-Abadi, AM GIS-basierte Modelle für maschinelles Lernen zur Kartierung von Teermattenzonen im oberen Teil (DJ-Einheit) der Zubair-Formation im übergroßen Ölfeld North Rumaila im Südirak. J. Pet. Wissenschaft. Ing. 178, 559–574 (2019).

Artikel CAS Google Scholar

James, G., Witten, D., Hastie, T. & Tibshirani, R. An Introduction to Statistical Learning Vol. 112 (Springer, 2013).

Buchen Sie MATH Google Scholar

Alin, A. Multikollinearität. Wiley Interdisziplinär. Rev-Berechnung. Stat. 2, 370–374 (2010).

Artikel Google Scholar

Pan, Y. & Jackson, RT Ethnischer Unterschied im Zusammenhang zwischen akuter Entzündung und Serumferritin bei erwachsenen Männern in den USA. Epidemiol. Infizieren. 136, 421–431 (2008).

Artikel CAS PubMed Google Scholar

Toalombo Vargas, PA, Navas González, FJ, Landi, V., León Jurado, JM & Delgado Bermejo, JV Sexueller Dimorphismus und Rassencharakterisierung kreolischer Hühner durch biometrische kanonische Diskriminanzanalyse in agrarökologischen Gebieten Ecuadors. Tiere 10, 32 (2020).

Artikel Google Scholar

Anuthama, K. et al. Bestimmung des Zahngeschlechtsdimorphismus bei Südindern mittels Diskriminanzfunktionsanalyse. Forensische Wissenschaft. Int. 212, 86–89 (2011).

Artikel PubMed Google Scholar

Zhang, Q., Hu, J. & Bai, Z. Modifizierte Pillais Spurenstatistik für zwei hochdimensionale Probenkovarianzmatrizen. J. Stat. Planen. Inferenz 207, 255–275 (2020).

Artikel MathSciNet MATH Google Scholar

Pieruccini-Faria, F. et al. Gangvariabilität bei neurodegenerativen und kognitiven Störungen: Ergebnisse des Canadian Consortium of Neurodegeneration in Aging (CCNA) und der Gait and Brain Study. Alzheimer-Demenz. 17, 1317–1328 (2021).

Artikel PubMed PubMed Central Google Scholar

Manly, BF & Alberto, JAN Multivariate Statistical Methods: A Primer (CRC Press, 2016).

Buchen Sie MATH Google Scholar

Hair, JF, Black, WC, Babin, BJ & Anderson, RE Kanonische Korrelation: Eine Ergänzung zur multivariaten Datenanalyse. Multivariate Datenanalyse: Eine globale Perspektive 7. Aufl. (Pearson Prentice Hall Publishing, 2010).

Google Scholar

Breiman, L., Friedman, J., Stone, CJ & Olshen, RA Classification and Regression Trees (CRC Press, 1984).

MATH Google Scholar

Ceylan, Z., Gürsev, S. & Bulkan, S. Eine Anwendung von Data Mining im individuellen Rentenspar- und Anlagesystem. EJOSAT 1, 7–11 (2018).

Google Scholar

Baykara, B. Einfluss von Bewertungsmethoden auf die Genauigkeit des Entscheidungsbaums. Masterarbeit (Universität Tampere, 2015).

Google Scholar

Referenzen herunterladen

Ohne die Finanzierung des FEDER-Projekts PP.AVA.AVA201601.16, die Unterstützung von ANCGU (National Association of Utreran Poultry Breeders), IFAPA, der Deputation von Córdoba und der Forschungsgruppe PAIDI AGR 218 wäre diese Arbeit nicht möglich gewesen .

Abteilung für Genetik, Fakultät für Veterinärwissenschaften, Universität Córdoba, 14071, Córdoba, Spanien

Antonio Gonzalez Ariza, Ander Plough Arbulu, Francisco Javier Navas Gonzalez und Juan Vincent Delgado Bermejo

Animal Breeding Consulting SL, 14014, Córdoba, Spanien

Ander Arando Arbulu

Andalusisches Institut für Agrar- und Fischereiforschung und -ausbildung (IFAPA), Alameda del Obispo, 14004, Córdoba, Spanien

Francisco Javier Navas González und María Esperanza Camacho Vallejo

Provinzialzentrum für Landwirtschaft, Diputación von Córdoba, 14071, Córdoba, Spanien

Jose Manuel Leon Jurado

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung, AGA und FJNG; Methodik, AGA, AAA, JMLJ und FJNG; Software, FJNG; Validierung, FJNG und MECV; formale Analyse, AGA und FJNG; Untersuchung, AGA, AAA, FJNG und JMLJ; Ressourcen, AGA, AAA, JVDB und MECV; Datenkuration, AGA und FJNG; Erstellung von schriftlichen Originalentwürfen, AGA und FJNG; Schreiben, Überprüfen und Bearbeiten, AGA, AAA, FJNG, JMLJ, JVDB und MECV; Visualisierung, JVDB; Aufsicht, FJNG und MECV; Projektverwaltung, MECV; Finanzierungseinwerbung, JVDB und MECV Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Francisco Javier Navas González.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

González Ariza, A., Arando Arbulu, A., Navas González, FJ et al. Data-Mining-basierte Diskriminanzanalyse als Werkzeug zur Untersuchung der Eiqualität einheimischer Hühnerrassen. Sci Rep 12, 15873 (2022). https://doi.org/10.1038/s41598-022-20111-z

Zitat herunterladen

Eingegangen: 07. Oktober 2021

Angenommen: 08. September 2022

Veröffentlicht: 23. September 2022

DOI: https://doi.org/10.1038/s41598-022-20111-z

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.