MACHINE LEARNING NA NUTRIÇÃO ANIMAL: PREDIÇÃO DA EFICIÊNCIA ALIMENTAR, DO CRESCIMENTO E DA UTILIZAÇÃO DE NUTRIENTES
DOI:
https://doi.org/10.63330/sasciencesv6n2-163Palavras-chave:
Análise preditiva, Ciência de dados, Inteligência artificial, Nutrição de precisão, Pecuária digitalResumo
O machine learning (ML) tem ampliado a capacidade analítica da nutrição animal ao permitir a integração de dados dos animais, da dieta, do ambiente e da produção. Esta revisão teve como objetivo analisar as aplicações atuais do ML na predição da eficiência alimentar, do crescimento e da utilização de nutrientes em animais de produção, com foco nas fontes de dados, abordagens de modelagem, desempenho e limitações práticas. Foi realizada uma revisão narrativa da literatura por meio de busca estruturada em bases científicas, priorizando artigos revisados por pares publicados entre 2021 e 2026, com referências anteriores selecionadas para fundamentação conceitual e metodológica. Os estudos analisados demonstram aplicações do ML na predição do consumo de matéria seca, eficiência alimentar, exigências nutricionais, partição energética, crescimento e digestibilidade, utilizando dados fenotípicos, dietéticos, comportamentais, provenientes de sensores, genômicos e do microbioma. Random Forest, gradient boosting, métodos de vetores de suporte e redes neurais artificiais têm sido utilizados para identificar relações não lineares difíceis de representar por equações nutricionais convencionais. Entretanto, conjuntos de dados pequenos, condições heterogêneas, dados ausentes, sobreajuste e limitada validação externa restringem a transferência dos modelos entre raças e sistemas de produção. Abordagens recentes combinam ML explicável, conhecimento mecanístico e tecnologias de sensores. O ML apresenta, portanto, potencial para avançar a gestão nutricional individualizada e apoiar a alimentação de precisão, desde que os modelos sejam validados em diferentes condições produtivas.
Downloads
Referências
Brennan, J. R.; Menendez III, H. M.; Ehlert, K.; Tedeschi, L. O. ASAS-NANP symposium: mathematical modeling in animal nutrition—making sense of big data and machine learning: how open-source code can advance training of animal scientists. Journal of Animal Science, v. 101, skad317, nov. 2023. DOI: https://doi.org/10.1093/jas/skad317.
Cavallini, D.; Raffrenato, E.; Mammi, L. M. E.; Palmonari, A.; Canestrari, G.; Costa, A.; Visentin, G.; Formigoni, A. Predicting fibre digestibility in Holstein dairy cows fed dry-hay-based rations through machine learning. Animal, v. 17, supl. 5, 101000, dez. 2023. DOI: https://doi.org/10.1016/j.animal.2023.101000.
Condotta, I. C. F. S.; Tedeschi, L. O. ASAS-NANP symposium: mathematical modeling in animal nutrition: revolutionizing animal farming with artificial intelligence: trends, challenges, and opportunities. Journal of Animal Science, 2026. DOI: https://doi.org/10.1093/jas/skaf441.
Durand, M.; Largouët, C.; Bonneau De Beaufort, L.; Dourmad, J. Y.; Gaillard, C. Prediction of the daily nutrient requirements of gestating sows based on sensor data and machine-learning algorithms. Journal of Animal Science, v. 101, skad337, out. 2023. DOI: https://doi.org/10.1093/jas/skad337.
Gauthier, R.; Largouët, C.; Bussières, D.; Martineau, J.-P.; Dourmad, J.-Y. Precision feeding of lactating sows: implementation and evaluation of a decision support system in farm conditions. Journal of Animal Science, v. 100, n. 9, skac222, set. 2022. DOI: https://doi.org/10.1093/jas/skac222.
Kirk, D.; Catal, C.; Tekinerdogan, B. Precision nutrition: a systematic literature review. Computers in Biology and Medicine, v. 133, 104365, jun. 2021. DOI: https://doi.org/10.1016/j.compbiomed.2021.104365.
Monteiro, H. F.; Figueiredo, C. C.; Mion, B.; Santos, J. E. P.; Bisinotto, R. S.; Peñagaricano, F.; Ribeiro, E. S.; Marinho, M. N.; Zimpel, R.; Silva, A. C.; Oyebade, A.; Lobo, R. R.; Coelho JR., W. M.; Peixoto, P. M. G.; Marin, M. B. U.; Umaña-Sedó, S. G.; Rojas, T. D. G.; Elvir-Hernandez, M.; Schenkel, F. S.; Weimer, B. C.; Brown, C. T.; Kebreab, E.; Lima, F. S. An artificial intelligence approach of feature engineering and ensemble methods depicts the rumen microbiome contribution to feed efficiency in dairy cows. Animal Microbiome, v. 6, n. 1, 5, fev. 2024. DOI: https://doi.org/10.1186/s42523-024-00289-5.
Mota, L. F. M.; Arikawa, L. M.; Santos, S. W. B.; Fernandes Júnior, G. A.; Alves, A. A. C.; Rosa, G. J. M.; Mercadante, M. E. Z.; Cyrillo, J. N. S. G.; Carvalheiro, R.; Albuquerque, L. G. Benchmarking machine learning and parametric methods for genomic prediction of feed efficiency-related traits in Nellore cattle. Scientific Reports, v. 14, n. 1, 6404, mar. 2024. DOI: https://doi.org/10.1038/s41598-024-57234-4.
Pomar, C.; Remus, A. Review: fundamentals, limitations and pitfalls on the development and application of precision nutrition techniques for precision livestock farming. Animal, v. 17, supl. 2, 100763, jun. 2023. DOI: https://doi.org/10.1016/j.animal.2023.100763.
Saar, M.; Edan, Y.; Godo, A.; Lepar, J.; Parmet, Y.; Halachmi, I. A machine vision system to predict individual cow feed intake of different feeds in a cowshed. Animal, v. 16, n. 1, 100432, jan. 2022. DOI: https://doi.org/10.1016/j.animal.2021.100432.
Salleh, S. M.; Danielsson, R.; Kronqvist, C. Using machine learning methods to predict dry matter intake from milk mid-infrared spectroscopy data on Swedish dairy cattle. Journal of Dairy Research, v. 90, n. 1, p. 5–8, mar. 2023. DOI: https://doi.org/10.1017/S0022029923000171.
Shangru, L.; Chengrui, Z.; Ruixue, W.; Jiamei, S.; Hangshu, X.; Yonggen, Z.; Yukun, S. Establishment of a feed intake prediction model based on eating time, ruminating time and dietary composition. Computers and Electronics in Agriculture, v. 202, 107296, nov. 2022.
Tapio, M.; Fischer, D.; Mäntysaari, P.; TAPIO, I. Rumen microbiota predicts feed efficiency of primiparous Nordic Red dairy cows. Microorganisms, v. 11, n. 5, 1116, abr. 2023. DOI: https://doi.org/10.3390/microorganisms11051116.
Tedeschi, L. O. ASAS-NANP symposium: mathematical modeling in animal nutrition: the progression of data analytics and artificial intelligence in support of sustainable development in animal science. Journal of Animal Science, v. 100, n. 6, skac111, jun. 2022. DOI: https://doi.org/10.1093/jas/skac111.
Yang, Y.; Hu, Q.; Wang, L.; Wang, L.; Xiao, N.; Dong, X.; Liu, S.; Lai, C.; Zhang, S. Modeling energy partition patterns of growing pigs fed diets with different net energy levels based on machine learning. Journal of Animal Science, v. 102, skae220, ago. 2024. DOI: https://doi.org/10.1093/jas/skae220.
Zhang, S.; Lai, C.; Zhao, J.; Wang, J. Big Data and AI-Powered Modeling: A Pathway to Sustainable Precision Animal Nutrition. Advanced Science, v. 12, n. 41, e07564, set. 2025. DOI: https://doi.org/10.1002/advs.202507564.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Autores concordam com os seguintes termos:
a) Os autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a LicençaAttribution-NonCommercial-ShareAlike 4.0 International, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial na Revista SAS. A licença permite o uso, a distribuição e a reprodução irrestrita, em qualquer meio, desde que devidamente citada a fonte. Essa licença permite também que outros remixem, adaptem e criem a partir do seu trabalho para fins não comerciais, desde que atribuam a você o devido crédito e que licenciem as novas criações sob termos idênticos.
b) Não cabe aos autores compensação financeira a qualquer título, por artigos ou resenhas publicados na South American Sciences.
c) Os conceitos expressos nos artigos publicados na South American Sciences são de inteira responsabilidade de seus autores.
