L’uso delle tecnologie, incluso l’apprendimento automatico nella misurazione componenti del latte di singole vacche può garantire la diagnosi precoce delle malattie e la massimizzazione del potenziale della singola vacca e della mandria.
Un bicchiere di latte. L’apprendimento automatico ci consente di ottenere una migliore salute delle mucche. Credito immagine: Pxhere, dominio pubblico CC0
Migliore salute animale e vantaggio economico
Utilizzando tecnologie come sensori, algoritmi di apprendimento automatico (ML) e spettroscopia a infrarossi in trasformata di Fourier (FTIR), è possibile raccogliere e analizzare dati su vari componenti del latte delle singole vacche.
La spettroscopia FTIR è una tecnica ampiamente utilizzata per analizzare il contenuto di grassi, proteine, lattosio e urea nelle vacche. Più recentemente anche singoli acidi grassi, altri componenti chimici e cellule immunitarie sono stati identificati mediante spettroscopia di latte vaccino.
Panoramica dell’uso di ML, campioni di latte e FTIR nel caseificio. L’FTIR viene utilizzato per raccogliere e analizzare i dati sui vari componenti del latte delle singole vacche. Gli algoritmi ML interpretano i dati e creano previsioni che vengono trasmesse all’agricoltore per aiutare il processo decisionale. Credito immagine: Sintef
Questi dati possono essere utilizzati per l’allarme precoce di malattie o altri problemi di salute nella vacca da latte, come la mastite, che possono influenzare la qualità e la quantità del latte. Gli algoritmi di apprendimento automatico possono essere utilizzati per sviluppare modelli predittivi in grado di prevedere la probabilità di diffusione di malattie nella stalla o identificare le singole vacche che sono a maggior rischio di sviluppare problemi di salute.
In questo lavoro, sono stati utilizzati approcci FTIR e machine learning per rilevare e quantificare i componenti del latte associati alla chetosi subclinica (invisibile) durante l’allattamento delle bovine.
La chetosi subclinica è un disturbo metabolico che colpisce le vacche da latte che non sono in grado di coprire il loro fabbisogno di nutrienti a causa dell’elevata produzione di latte. La chetosi subclinica può comportare una riduzione della produzione di latte (MY), una diminuzione della fertilità e un aumento del rischio di altri problemi di salute.
Di conseguenza, è una malattia economicamente importante nell’allevamento di latte in tutto il mondo. La diagnosi precoce delle vacche con chetosi subclinica consente all’allevatore di intervenire precocemente ed evitare una riduzione della salute, del benessere e della perdita finanziaria della vacca. Gli allevamenti con problemi ricorrenti devono migliorare l’alimentazione delle vacche durante il periodo di transizione intorno al parto per garantire un’alimentazione e una gestione adeguate.
Inoltre, l’uso del riciclaggio nel settore lattiero-caseario può anche aiutare gli allevatori a ottimizzare la produzione di latte e ridurre i costi. Analizzando i dati sui singoli componenti del latte di vacca, gli algoritmi di apprendimento automatico possono fornire informazioni sulle migliori pratiche di alimentazione e gestione per ciascuna vacca, con conseguenti rese di latte più elevate, miglioramento del benessere e migliori prestazioni complessive della mandria.
L’uso delle tecnologie, incluso il riciclaggio, ha il potenziale per rivoluzionare l’industria lattiero-casearia fornendo agli allevatori dati accurati e in tempo reale sui componenti del latte delle singole vacche, consentendo loro di prendere decisioni informate e massimizzare la loro redditività garantendo il benessere e la salute dei loro animali.
Produzione di big data e analisi FTIR
In questo lavoro, i dati di produzione sono stati raccolti dalla mandria da latte di ricerca presso l’Animal Production Experimental Center (SHF) presso NMBU tra settembre 2016 e febbraio 2017.
L’esperimento ha seguito le leggi e i regolamenti per gli esperimenti sugli animali in Norvegia ed è stato approvato dalla Norwegian Animal Research Authority. In totale 64 vacche di razza Rossa Norvegese sono state seguite da una settimana prima del parto fino a 100 giorni di lattazione (DIM).
Le mucche sono state munte con un sistema di mungitura automatica (AMS). La resa in latte (MY) è stata registrata per ogni mungitura e sommata per ottenere la resa giornaliera. Per tutte le vacche, i campioni di latte sono stati raccolti tre volte alla settimana. La composizione chimica dei campioni di latte forniti da TINE è stata ottenuta come riferimento per la successiva esplorazione dell’analisi del latte FTIR a film secco.
La concentrazione di β-idrossibutirrato (BHB) nel sangue è stata misurata da un laboratorio di riferimento e utilizzata come gold standard per identificare le mucche con chetosi subclinica.
Analizzando gli spettri FTIR dei campioni di latte di singole vacche, gli algoritmi ML possono prevedere la probabilità di chetosi subclinica in ciascuna vacca e identificare quelle che richiedono un monitoraggio più attento e un potenziale trattamento. Inoltre, questi dati possono essere utilizzati per regolare le pratiche di alimentazione e gestione per ridurre il rischio di chetosi subclinica nella mandria.
L’uso degli spettri FTIR dei campioni di latte e dell’apprendimento automatico ha il potenziale per fornire un metodo non invasivo ed economico per identificare la chetosi subclinica e gli squilibri nutrizionali nelle vacche da latte ad alta produzione, consentendo agli allevatori di agire per migliorare la salute, il benessere e la salute delle vacche massimizzare la produzione di latte.
L’apprendimento automatico consente di risparmiare molto lavoro
L’analisi dei big data tramite machine learning offre notevoli vantaggi per l’assimilazione e la valutazione di grandi quantità di dati sanitari complessi. Tuttavia, per utilizzare efficacemente gli strumenti di apprendimento automatico nella diagnosi precoce della malattia, è necessario eseguire un’analisi avanzata dei dati prima che sia possibile un risultato utile.
I vantaggi dell’apprendimento automatico includono flessibilità e scalabilità rispetto ai tradizionali metodi biostatistici. Un altro vantaggio degli algoritmi di apprendimento automatico è la capacità di analizzare diversi tipi di dati e incorporarli nelle previsioni per i rischi di malattia. Possono essere utilizzati per identificare modelli e tendenze nei dati, consentendo agli agricoltori di rilevare tempestivamente i problemi di salute e intraprendere azioni correttive.
Ad esempio, i cambiamenti nella composizione del latte possono essere un segnale precoce di problemi di salute nelle vacche, come la mastite o la chetosi. Analizzando i campioni di latte, gli algoritmi ML possono rilevare questi cambiamenti e allertare gli allevatori. Ciò consente misure proattive per curare le mucche prima che la condizione peggiori e per prevenire la diffusione di malattie infettive come la mastite.
Inoltre, il ML può essere utilizzato per identificare quali vacche sono a più alto rischio di sviluppare problemi di salute. Analizzando i dati storici e i fattori di rischio relativi alla singola vacca, gli algoritmi ML possono identificare modelli associati a determinate condizioni di salute.
Queste informazioni possono essere utilizzate per sviluppare interventi sanitari mirati per le singole vacche, come l’adeguamento della loro dieta o la fornitura di farmaci specifici.
Nell’apprendimento automatico non supervisionato, l’algoritmo ha il compito di trovare modelli o relazioni nei dati senza alcuna guida specifica o esempi etichettati.
Nel caso di indagare se gli spettri FTIR dei campioni di latte possano essere utilizzati per rilevare eventuali cambiamenti sistematici nella composizione del latte, si potrebbe utilizzare un algoritmo di apprendimento senza supervisione per raggruppare gli spettri in base a somiglianze o differenze nella composizione chimica dei campioni di latte. Questo potrebbe aiutare a identificare i cambiamenti sistematici nella composizione del latte che non sono immediatamente visibili.
Nell’apprendimento automatico supervisionato, l’algoritmo viene addestrato su dati etichettati per fare previsioni o classificazioni su nuovi dati. Nel caso della previsione della composizione in acidi grassi (FA) dei campioni di latte, un algoritmo di apprendimento supervisionato potrebbe essere addestrato su un set di dati di campioni di latte con composizioni di FA note per prevedere la composizione di FA di nuovi campioni di latte.
Ciò potrebbe aiutare a identificare i cambiamenti sistematici nella composizione prevista di FA dei campioni di latte nel tempo, consentendo agli allevatori e ai trasformatori di latte di prendere decisioni informate sui problemi di salute degli animali e sulla qualità e composizione del latte crudo.
I modelli animali possono anche rappresentare eccellenti opportunità per sviluppare e addestrare algoritmi ML per la prevenzione, il rilevamento e i trattamenti nella medicina umana.
Efficacia di ML e FTIR di campioni di latte
I risultati [1] ha mostrato la rilevazione di cambiamenti sistematici nella composizione chimica del latte vaccino durante l’allattamento utilizzando PCA degli spettri FTIR. Illustra la fattibilità dell’utilizzo della spettroscopia FTIR per caratterizzare e quantificare i componenti del latte durante il periodo di lattazione delle vacche.
I risultati rivelano che i cambiamenti sistematici relativi sia alla composizione lorda del latte che alle caratteristiche degli acidi grassi possono essere osservati durante l’allattamento.
L’approccio PLSR utilizzato per prevedere i componenti del latte ha mostrato cambiamenti sistematici durante l’allattamento per la composizione prevista di FA.
Sono state osservate differenze nella composizione prevista di FA tra vacche con chetosi subclinica e vacche normali. Illustra che l’apprendimento automatico e le previsioni FTIR degli acidi grassi all’inizio del periodo di lattazione possono potenzialmente essere utilizzate per prevedere le vacche con diagnosi di chetosi subclinica più avanti nel periodo di lattazione.
Riferimento
- Rachah, Amira, et al. “Esplorazione della spettroscopia FTIR a film secco per caratterizzare la composizione del latte e la chetosi subclinica durante l’allattamento di una vacca.” Alimenti 10.9 (2021): 2033.
Fonte: Sintef
Da un’altra testata giornalistica. news de www.technology.org
