Нейросетевой анализ качества силосованных кормов по индексу биоконсолидации биосистемы молочнокислых бактерий

В данном исследовании с помощью оригинальной нейросетевой информационной технологии удалось провести интеллектуальный анализ молекулярно-генетических данных микрофлоры силоса и оценить влияние силосных заквасок и консерваторов на направленность микробиологических биохимических процессов в силосных биомассах. Выходным продуктом интеллектуального анализа фрактальных профилей микрофлоры силоса стали индексы CSIgaZ и CSImU, выбранные для количественного представления с точки зрения микробиологических данных интенсивности газовыделений силоса и количества молочной и уксусной кислот в силосе. По индексу CSImU удалось оценить возрастание молочной кислоты и уменьшение уксусной кислоты в силосе, что сигнализирует о замедлении развития гнилостных микроорганизмов в силосе, а по индексу CSIgaZ – уменьшение газовыделений силоса, что свидетельствует об благоприятных анаэробных условиях, в которых протекают микробиологические биохимические процессы в силосе. Проведенный в молекулярно-генетической лаборатории ООО «Биотроф» лабораторный опыт по силосованию ежи сборной показал, что «Биотроф-111» (на основе Bасillus subtilis, произв. ООО «Биотроф») создает наилучшие анаэробные условия в силосуемой растительной биомассе, при которых микрофлора силоса биоконсолидируется в биосистему молочнокислых бактерий с минимальным значением индекса CSIgaZ = 3,1 и максимальным значением индекса CSImU = 6,8, то есть в этом варианте силосования ежи сборной микрофлоре силоса удается сгруппироваться так, что одновременно обеспечивается относительно низкая интенсивность газовыделений силоса, ускоренное образование молочной кислоты и замедленное образование уксусной кислоты в силосе, а значит в этих условиях процессы завершатся с наилучшими качественными питательными показателями силоса.

1. Зенькова Н.Н. Практическое руководство по использованию кормовых ресурсов в кормопроизводстве: практическое руководство / Зенькова Н.Н., Ганущенко О.Ф.; Шлома Т.М.; Ковалева И.В. // Витебск: ВГАВМ. 2021. 176 с.

2. Лаптев Г.Ю.Закваска Промилк обеспечит качество силоса и зерносенажа / Лаптев Г.Ю., Йылдырым Е.А., Ильина Л.А., Новикова Н.И., Тюрина Д.Г., Маркман И.Л. // Животноводство России. №4. 2023. С. 50-55.

3. Лаптев Г.Ю. Предотвращаем вторичную ферментацию и аэробную порчу силоса / Йылдырым Е.А, Тюрина Д.Г., Новикова Н.И., Ильина Л.А., Черватенко Д.Ю. // Животноводство России. №4. 2024. С. 52-54.

4. Лаптев Г.Ю. Эффективность препарата «Биотроф-600» для борьбы с нежелательной микрофлорой при хранении плющеного зерна. / Сб. «Актуальные проблемы заготовки, хранения и рационального использования кормов» международной научно-практической конференции, посвященной 100-летию со дня рождения доктора сельскохозяйственных наук, профессора С.Я. Зафрена // М.: 2009. С. 41-45.

5. Йылдырым Е.А, Биотроф-111: все возможное делает сразу / Йылдырым Е.А, Тюрина Д.Г. // Животноводство России. 2021. №4. С. 48-51

6. Победнов Ю.А. Эффективность силосования кукурузы и трав с препаратом Биороф 111 (рекомендации) / Победнов Ю.А., Мамаев А.А., Худокормов В.В., Щукин Н.Н., Горькин А.М., Бородуля В.И., Лаптев Г.Ю., Солдатова В.В. // М.: ФГУ РЦСК, 2010. 17 с.

7. Биконя С.Н. Повышение питательной ценности силоса и сенажа с использованием биоконсервантов / Дисс. канд. с.-х. наук // Волгоград: Волгоградский ГАУ. 2023. 128 с.

8. Chagarovskiĭ V., Chagarovskiĭ A. Study of the biological activity of direct ferments of the Christian Hansen company used in the production of lactic acid milk products/Ukraine Mikrobiolohichnyĭ Zhurnal . 2003. 5(1): 78 – 83.

9. Driehuis F. Fermentation characteristics and aerobic stability of grass silage inoculated with Lactobacillus buchneri, with or without homofermentative lactis acid bacteria/Driehuis F., Oude Elferink S.J.W.H., Van Wikselaar P.G. // Grass Forage Sci., 2001, 56(4): 330-343 (doi: 10.1046/j.1365-2494.2001.00282.x).

10. Tabacco E. Dry matter and nutritional losses during aerobic deterioration of corn and sorghum silages as influenced by different lactic acid bacteria inocula / Tabacco E., Righi F., Quarantelli A., Borreani G. // J. Dairy Sci., 2011, 94: 1409-1419 (doi: 10.3168/jds.2010-3538).

11. Rigу E. Ensiling alfalfa with hydrolyzed corn meal additive and bacterial inoculant / Rigу E., Zsédely E., Tóth T., Schmidt J. // Acta Agronomica Óvariensis, 2011, 53(2): 15-23.

12. Лаптев Г.Ю. Анализ накопления микотоксинов в кормовом растительном сырье и силосе / Лаптев Г.Ю., Новикова Н.И., Дубровина Е.Г., Ильина Л.А., Йылдырым Е.А., Никонов И.Н., Филиппова В.А., Бражник Е.А. // Кормопроизводство. 2014. №10. с. 36-39.

13. Победнов Ю.А., Косолапов В.М. Биологические основы силосования люцерны с препаратами молочнокислых бактерий (обзор) / Сельскохозяйственная биология. 2018. Т. 53, № 2. С. 258-269.

14. Осипян Б.А., Мамаев А.А. Эффективность применения препаратов «Биотроф 600» и «Биотроф 700» при силосовании обеспеченного сахаром растительного сырья / Кормопроизводство. 2014. № 11. С. 35-39.

15. Нетрусов А.И., Бонч-Осмоловская Е.А., Горленко В.М. Экология микроорганизмов / М.: Академия, 2004. 272 с.

16. Чубенко Г.И. Методы идентификации бактерий: метод. пособие / Благовещенск: Амурская ГМА, 2018. 44 с.

17. Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и приложения: учеб. пособие. – Казань: Изд-во Казан. ун-та, 2018. 121 с.

18. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика / М.: Горячая линия Телком, 2002. 382 с.

19. Воробьев Н.И., Селина М.В., Гусельникова А.А. Нейросетевая программа анализа состояния микробиоты животных / Свидетельство государственной регистрации программы для ЭВМ № 2024614895 от 29.02.2024 Заявка МВА имени К.И. Скрябина № 2024613194 от 16.02.2024.

20. Witten I.H., Frank E., Hall M.A., Kaufmann M. Data Mining: Practical Machine Learning Tools and Techniques. 3rd ed. / Witten I.H., Frank E., Hall M.A., Kaufmann M. // Elsevier, 2011. 629 p.

21. Ben-Jacob E. Bacterial self-organization: coenhancement of complexication and adaptability in a dynamic environment / Phil. Trans. R. Soc. Lond. A. 2003. 361: 1283-1312.

22. Young I.M., Crawford J.W. Interactions and self-organization in the soil-microbe complex / Science, 2004, 304(5677): 1634-1637.

23. Crawford J.W., Deacon L., Grinev D., Harris J.A., Ritz K., Singh B.K., Young I. Microbial diversity affects self-organization of the soil-microbe system with consequences for function / Journal of the Royal Society Interface. 2012, 9(71): 1302-1310.

24. Воробьев Н.И. Биосистемная самоорганизация и фрактальная структура частотно-таксономических профилей микробиоты кишечника бройлеров под влиянием кормовых пробиотиков / Воробьев Н.И., Егоров И.А., Кочиш И.И., Никонов И.Н., Ленкова Т.Н. // Сельскохозяйственная биология. 2021. 56(2): 400-410.

25. Кочиш И.И. Нейросетевое моделирование фрактальной самоорганизации микробно‑организменных биосистем в кишечниках птиц / Кочиш И.И., Воробьев Н.И., Никонов И.Н., Селина М.В. // Ветеринария и Зоотехния. 2022. №12. С. 57-65.

26. Manfred Schroeder. Fractals, Chaos, Power Laws: Minutes from an Infinite Paradise / NY: 2009. Dover Publications. 448 p.

27. Sutrop U. List Task and a Cognitive Salience Index / Field metods. 2001. V. 13(3). P.263-276.

28. Загоруйко Н.Г. Когнитивный анализ данных / Новосибирск: Академическое изд-во ГЕО. 2013. 183 с.

29. Ким Дж.-О. Факторный, дискриминантный и кластерный анализ/ Ким Дж.-О., Мюллер Ч.У., Клекка У.Р., Олдендерфер М.С., Блэшфилд Р.К. // М., 1989. 216 с.

30. Заикина А.С. Нейросетевой анализ соответствия микробно-организменной биосистемы кишечника бройлеровы фрактально-стохастической модели / Заикина А.С., Буряков Н.П., Воробьев Н.И., Никонов И.Н. // Пермский аграрный вестник, № 4(40). 2022. С. 98-106.

31. Jürgen Schmidhuber. Deep learning in neural networks: an overview / Neural Netw. 2015. Jan:61:85-117 (doi: 10.1016/j.neunet.2014.09.003)

32. Погодаев А.К. Применение нейросетевых моделей для построения продукционных правил экспертных систем / Погодаев А.К., Хабибуллина Е.Л., Инютин Д.М. // Прикладная математика и вопросы управления. 2021. № 2. С. 73-92.

33. Кулаков К.А., Димитров В.М. Основы тестирования программного обеспечения / Петрозаводск: Издательство ПетрГУ, 2018. 57 с.

34. Widrow, Bernard; et al. The no-prop algorithm: A new learning algorithm for multilayer neural networks / Neural Networks. 2013. 37. 182–188.

35. Mascarenhas, WF. Fast and accurate normalization of vectors and quaternions / Comp. Appl. Math. 2018. 37, 4649–4660.

36. Nikolić, D. Scaled correlation analysis: a better way to compute a cross-correlogram / Nikolić, D; Muresan, RC; Feng, W; Singer, W. // European Journal of Neuroscience. 2012. 35(5). 1–21.

37. Everitt, BS. Cluster Analysis / Everitt, BS, Landau S, Leese M, Stahl D. // John Wiley & Sons, 2011. 352 p.

38. Маркова Л.В., Корчевская Е.А. Численные методы нахождения собственных векторов и собственных значений матриц / Витебск: УО «ВГУ им. П. М. Машерова», 2011. 47 с.

39. Йылдырым Е.А. Изучение эпифитной микрофлоры как источника формирования микробиоценоза силоса методом NGS-секвенирования / Йылдырым Е.А., Лаптев Г.Ю., Ильина Л.А., Никонов И.Н., Филиппова В.А., Солдатова В.В., Бражник Е.А., Новикова Н.И., Гагкаева Т.Ю. // Сельскохозяйственная биология. 2015. Т. 50. №6. С. 832-838.

40. Дюк В. А., Флегонтов А. В., Фомина И. К. Применение технологий интеллектуального анализа данных в естественнонаучных, технических и гуманитарных областях // Известия РГПУ им. А.И. Герцена. 2011. №138. С. 77–84.