肉鸡生产性能、身体成分和加工产量之间的关系：系统评价和元回归

作者：Diego A. Martinez、Jordan T. Weil、Nawin Suesuttajit、Cole Umberson、Abdullah Scott 和 Craig N. Coon / 阿肯色大学家禽科学系，费耶特维尔，AR 72701，美国。

同样，行业营养学家考虑在降低饲料转化率 (FCR) 和增加胸肉产量之间实现正确的成本效益平衡，以分别优化饲养成本和增加肉鸡的市场价值。为此，处理性能与加工产量特征之间的关系至关重要。

最佳生产需要尽可能最佳的饮食配方策略，因此该行业最终将转向生产能源系统，以更准确地考虑有效利用养分生产肉类 [2]。阿肯色州净能量系统 [3] 的开发考虑了基于蛋白质和脂肪增加（由双能 X 射线吸收测定法确定）乘以它们相应的热量系数的身体能量增加（增加的净能量），以及空腹产热量（用于维持的净能量；用间接量热法测定）。该系统已被证明与肉鸡的生产性能密切相关 [4]，准确的方程式已被验证可以根据身体成分预测空腹产热 [5]，从而减少对呼吸室的依赖。然而，更好地了解 FCR、身体成分动态和胸肉生产之间的关系将支持未来的建模方法来预测身体成分并简化身体能量增益的确定。更好地了解肉鸡生产性能和胸肉产量也将有助于制定减轻肉质问题的策略 [6]。

因此，更好地量化性能、身体成分和加工产量之间的关联将支持生产专业人员、营养学家和研究人员做出决策，并更好地了解涉及生产和经济效率的潜在过程。大多数关于这些变量之间关系的研究都集中在比较遗传系 [7] 或确定同一遗传系内的个体变异 [8,9]。事实上，当在个体鸟类中探索遗传内变异时，已经报道了 FCR 和体重增加 (BWG) 之间的负表型和基因型相关性 [10,11]。此外，据报道，随着家禽的生长，身体蛋白质含量 (g) 的增加百分比与胸肉或大腿重量 (g) 的增加百分比之间存在正线性关系 [12]。然而，正如从现有文献中可以确定的那样，没有研究确定由于应用多种干预措施而导致的这些响应变量之一的变化如何与另一个变量的变化相关联。通过应用元回归多因素方法（包括评估不同因素的研究）对这些关系进行建模，可以提供更广泛的观点、更清晰的洞察力和可靠的推论。本研究旨在总结文献中报道的肉鸡研究，其反应变量包括生产性能、身体成分和加工产量，与所研究的因素无关。

2。材料和方法

荟萃分析是按照系统评价和荟萃分析 (PRISMA) 2020 指南的首选报告项目进行和报告的 [13]。

2.1. 一般的做法

应用多因素方法 [14,15] 以支持泛化，因此用于构建模型的数据不仅限于测试的单个因素，还包括任何在生产性能、身体成分增加和加工产量方面产生影响的因素。

2.2. 资格标准

使用的科学论文符合以下纳入标准：如果一项研究 (1) 是一项实际实验，(2) 报告三组变量（性能、身体成分、加工产量）的结果作为测试任何结果使用单个肉鸡遗传系的实验处理，(3) 分析的样本（即确定身体成分）是整个身体（包括羽毛），以及 (4) 报告了每个响应变量的可变性指数。

2.3. 信息来源、搜索策略和选择过程

在 Scopus [16] 和 Google Scholar [17] 中搜索科学论文，以确定 2021 年 12 月之前发表的论文，并考虑以下英文关键词：“{breast yield} AND broilers AND {body protein} OR {protein deposition} OR {protein gain }”。还使用了以下葡萄牙语关键词：“peito AND frango AND {proteína corporal} OR {deposição protéica} OR {ganho de proteína}”。仅包括英文和葡萄牙文的文章。收集的文件进行了检查。那些与本次审查、论文或学位论文的重点无关的文件、未在同行评审的科学期刊上发表的论文以及重复的文件被删除。一位审稿人 (DAM) 通过检查标题、摘要和手稿的整体并考虑前面提到的标准来选择论文。

2.4. 数据收集过程、数据项和效果度量

建立了一个数据库，其中每一行都由一组独立的数据组成，并包括与同一年龄的同一实验的两种治疗的比较相对应的所有数据，获得与观察到的非冗余比较一样多的数据集。来自论文中不同实验时期的数据被认为是完全独立的，并且在数据库中符合单独的行 [14]。每行都包括有关实验（参考文献、期刊、年份）和比较处理的识别信息、报告的每个响应变量中的处理值、重复次数和可变性值。列部分包括 BWG (g/bird/d)、FCR（每 g/g 值计一分 [18]）、体蛋白增加率（PGR；g/bird/d）、体脂增加率（FGR； g/bird/d), 蛋白质脂肪增加比 (PFG), 胴体产量 (CAR; %), 胸肌-（胸大肌 + P. minor）与腿（腿四分之一）的比率 (BLR) 和市场价值（MKV；美元/鸟；定义为整个胸肉的价值加上腿四分之一的价值）。一位审稿人 (DAM) 从每篇论文中收集数据。对于每个数据行中的每个响应变量，效应大小被认为是被比较的两种处理方法之间的差异 [19]。未评估或删除可能的异常值。

2.5. 合成方法

研究中应用的两个综合阶段包括 (A) 按响应变量对效应大小进行分组以确定它们的异质性，以及 (B) 包括被视为调节剂的其他响应变量的百分比 (%) 变化，以确定变化之间的关系预测变量（即调节变量）和响应变量。所有提供数据的研究都被认为符合每个综合的条件。

一些响应变量是根据每项研究中报告的数据计算的。应用了以下计算：

PFG = PGR/FGR

其中 PFG、PGR 和 FGR 均以 g/bird/d 表示，

BLR = 提单，

其中 BLR 是胸腿比，B 和 L 分别是胸围和腿围（重量或产量；均在同一单位），以及

MKV = (BRE × BREP + LQU × LQUP) × BW

BRE 是胸肉产量 (%)，LQU 是腿肉产量 (%)，BREP 和 LQUP 分别是整个去骨胸肉（没有翅膀）和腿肉的市场价格（$/g）[20] , BW 以 g 表示。如果未报告 PGR 但氮保留，则 PGR 计算如下，

PGR = NR × 6.25,

其中 PGR 以 g/bird/g 表示，NR 是氮保留量 (g/bird/d)。如果未报告 FGR，但可获得能量增益，则根据身体蛋白质和脂肪的热量系数通过重新排列先前报告的方程式计算 FGR [21] 以清除身体脂肪含量，如下所示：

BF = (BE − 22.75 − (5.45 × BP))/8.95,

其中，BF为体脂（g/只），BE为体能（kcal/只），BP为体蛋白（g/只）。然后，增脂率定义为：

FGR = BFf − BFi。

其中 FGR 是脂肪增加率（一个时期内的 g/只鸡），BFf 和 BFi 分别是该时期内最终和初始体脂（g/只）含量。然后，将式（5）代入式（6），同时代入BFf和BFi，得到如下等式：

FGR = (EGR − 5.45 × PGR)/8.95,

其中 EGR 是能量增益比（kcal/bird/d），FGR 和 PGR 均以 g/bird/d 表示。如果未报告，则标准偏差 (SD) 计算如下：

SD = SEM × √ n

其中 SD 是标准偏差，SEM 是平均值的标准误差，n 是重复次数 [22]。主要研究中未报告的变量（例如，PFG 和 MKV）的 SD 是在假设它们的变异系数（CV；%）是计算中涉及的那些变量的 CV 值的平均值的情况下计算的，并且：

SD = (CV × MV)/100,

其中 SD 是标准偏差，CV 是变异系数 (%)，MV 是响应变量的平均值。

每个响应变量的效果大小分组在视觉上显示为森林图，它们与调节变量变化的关系显示为气泡图（数据点绘制为圆圈，大小与其精度成正比）。

2.6. 统计分析

2.6.1. 数据有用性确定：基本元分析（随机模型）

本研究旨在根据调节变量的变化模拟效应量的变化。考虑到影响大小是由应用在主要研究中测试的多个因素引起的，因此报告总体影响大小只是为了告知加权平均影响大小。如果异质性作为数据多样性的指标 [23]，在跨初级研究的效应量中被检测到（Cochran Q 检验；p < 0.01 [24]），则数据被认为是有用的。使用以下随机效应模型确定异质性：

Yi = U + Ui + E i

其中 yi 是第 i 个数据行 (i: 1,. . . k) 中观察到的效果大小，并且

Y i = 0 i +  e i

其中 µ 是平均真实效应，θi 是第 i 个数据行中的未知真实效应，ei 是第 i 个数据行中的实验内抽样误差，ui 是关于总体效应大小的实验间偏差在第i个数据行中，k为数据行数，即ui∼N(0,τ ² )和ei∼N(0,vi)，且两者独立，其中N表示随机数的正态分布实验间偏差 (u) 和实验内抽样误差 (e), τ ²是不同数据行中真实效应之间的变异性，因此 τ 是跨行真实效应大小的标准差（纯异质性）；vi 是第 i 个数据行中估计效应大小的近似已知抽样方差。应用加权最小二乘法，其中加权标准是方差的倒数 [25]，如下所示

其中 θw 是真实的加权平均效应量；wi 是应用于第 i 个数据行的权重因子，θi 是第 i 个数据行中的真实效果大小。然后，θw 是 k 数据行集合中真实效应 (θi ) 的加权平均值，权重等于相应方差的倒数，如下所示

异质性使用 REML（受限最大似然）方法 [26] 进行估计，并使用卡方检验进行评估（如果 p < 0.05 [27]，则为异质性）。模型残差的正态分布通过 Shapiro-Wilk 检验（非正态，如果 p < 0.05 [28]）和基于样本大小的中心极限定理的置信度进行评估 [29]。还确定了统计量 I 2 ，定义为归因于纯异质性的总变异性的部分 (%) [14]。

2.6.2. 建模变量之间的关系：元回归（混合模型）

混合效应模型适用于数据，考虑到效应大小也是调节变量（协变量）水平的函数，如下所示

其中 yi 是第 i 个数据行 (i: 1,. . . k) 中观察到的效果大小，并且

Yi = 0 i +  ei

其中 θi 为第 i 行数据中的未知真实效应，ei 为第 i 行数据中的实验内抽样误差，β0 为截距，βj 为第 j 个调节变量的斜率（j： 1, . . . p), xij 是第 i 个数据行中第 j 个调节变量的值，ui 是第 i 个数据行中关于总体效应大小的实验间随机偏差，ei 是第i个数据行的实验内抽样误差，k为数据行数。此外，在这种情况下 ui ∼ N(0, τ ²), ei ∼ N(0, vi), 并且应用了上述的加权最小二乘法。调节变量 (β1) 系数的估计值通过卡方检验进行检验。如前所述，测试了残差的正态分布。当残差近似正常，但 p 值 < 0.05 时，重新分析数据以确定与调节剂 (β1) 斜率相关的概率，但应用 10,000 次迭代的排列检验 [30]。PR2 统计量（伪 R2 [31]）定义为模型解释的数据线之间效应大小的变异量，计算如下 [32]：

其中 PR2 是伪 R 2 统计量，τ 2 RE 是通过随机效应模型估计的总异质性，τ 2 ME 是通过混合效应模型估计的剩余异质性。计算调节剂估计值的 95% 置信区间 (95%CI)。

考虑简单的线性元回归评估所有关系，如果斜率显着 (p < 0.05) [27]，则模型会完整报告。作为补充，遗传系的类型（快速或缓慢生长的鸟类）和相互作用项也被包括作为调节剂，其唯一目的是进行平行性测试 [33] 并确定 BWG 和 FCR 之间以及 FCR 和 FCR 之间的关系。两种鸟类的 PFG 是相同的。如果相互作用项显示 p 值 > 0.05 [33]，则关系（斜率）被认为是平行的（即等效的）。

2.6.3. 偏差评估

结合应用 [30] 评估了由于缺失结果导致的偏差风险：（1）漏斗图相关的修剪和填充方法来识别可能的缺失值数量并获得它们的估计集。(2) Egger 检验以确定数据集中是否存在偏差（如果 p < 0.05 则存在偏差）。(3) 将计算出的总体效应量的95%CI与原始数据集和调整后的数据集（包括Trim-and-Fill获得的值）进行比较，以确定总体效应量是否存在偏差。如果满足以下两个标准，则整体效果大小被认为是有偏差的：(A) 估计值在统计学上不同（p < 0.05；两个整体效果大小均超出对应的 95%CI [34]）和 (B) 边界的 95%CI 具有相同的符号（正或负）。

2.7. 软件

使用 R 编程语言 [35] 和 RStudio 1.1.456 接口 [36] 分析数据。使用包 stats [35]、元分析程序（包括使用 metafor 2.0-0 [25] 的 Egger 不对称性测试）以及使用 lattice 0.20-38 [ 35]。

3. 结果

3.1. 研究选择

进行的搜索提供了 1087 条记录，其中 1032 条由于与研究重点无关（899 条）、通过标题检查、不是科学论文（112 条）或因为重复（21 条）而被删除。筛选了 55 篇论文，从中排除了以下内容：两篇论文提出了模型但没有提出治疗均值和变异性值，一项观察性研究，以及 12 篇未报告三个响应变量目标组的结果。在详细审查了 40 篇论文后，排除了 26 篇，因为化学成分是针对尸体（12 篇论文）或肉类（14 篇论文）确定的，而没有确定整只鸟的化学成分（图 1）。其余 14 篇论文被纳入研究（表 1）。

表 1。用于确定肉鸡生产性能、身体成分增加和加工产量之间关系的研究特征。

图 1。研究搜索和选择过程的 PRISMA 流程图。* Not performing，与研究重点无关的文件；不是论文，不是在科学期刊上发表的实际论文；模型，报告数学模型的论文，但不是每次治疗的平均值；观察性、观察性研究；胴体成分或肉成分，化学成分不是在整只鸟中测定的，而是分别在胴体或肉中测定的。

3.2. 研究的特点包括

建立了一个广泛多样的数据库，包括 1992 年至 2019 年间在九种科学期刊上发表的 14 篇科学论文的 78 个数据行。十五行包括雌鸟和 57 只雄鸟。包括快速（两个遗传系；在 21 至 49 日龄之间取样；31 行）和慢速（四个遗传系；在 21 至 105 日龄之间取样；47 行）生长的鸟类。该数据库包括以下测试因素：环境温度（9 行）、饲喂阶段数（2 行）、饲料限制（1 行）、日粮氨基酸来源（完整蛋白质或工业氨基酸；6 行）、日粮蛋氨酸前体（10 行）、有机微量矿物质（8 行）和能量（17 行）、蛋白质（7 行）和氨基酸（18 行）的膳食含量。

该数据库包括 3744 项蛋白质或 N 分析以确定蛋白质增加，2336 项炸弹热量计中的脂肪或总能量分析以确定脂肪增加，1896 只鸡用于确定加工特性，以及 1000 个独立组，包括总共 22256 只鸡以确定性能.

3.3. 数据有用性

所有评估的变量都显示行之间的异质性（表 2）。发现的 tau (τ) 值表明，在初步研究中测试的治疗，无论它们是什么，对 BWG、PGR 和 FGR 产生的影响通常在 -8.4 到 +8.4、-1.9 到 +1.9 和 -0.5 到+1.3 克/鸟/天，分别。对 PFG 的影响从 -0.35 到 +0.20，对 FCR 从 -42 到 +28 点，对 CAR 从 -0.60 到 +0.97 个百分点，对 BLR 从 -0.04 到 +0.03，对 MKV 从 -0.14 到 + 0.01 美元/只。因此，所有测试变量中的数据都被认为是有用的。详细的效果大小及其相应的 95%CI 显示在图 S1–S5 中。BLR 和 MKV 数据集以及 BLR 中的 BLR 加权平均效应大小显示出偏差（表 S1）。这些并不影响数据的有用性，因为根据研究中使用的一般方法，总体效应量仅与报告加权平均效应量相关。因此，他们被认为没有影响力。

表 2。研究中评估的每个变量的影响大小的异质性。

1 以与变量相同的单位表示。2 τ 是以相应变量的单位表示的跨主要研究（纯异质性）的真实效应量的标准差。I 2 是归因于研究间纯异质性的总变异性的部分 (%)。

3.4. 变量之间的关系

探讨了性能、身体成分和加工产量变量之间的几种关系。BWG 的变化与 FCR 的影响大小相关（图 2；p < 0.001），BWG 每增加一个百分点，FCR 就会减少 23.5 克饲料（95%CI：19.4 至 27.5）每增加一公斤体重。这种关系在慢速和快速生长的鸟类中是等效的（平行斜率；相互作用 p = 0.602；表 3）。

表 3。慢速和快速生长的遗传品系在生长率和饲料效率的变化之间以及饲料效率和身体成分的变化之间表现出相同的关系 1

1 FCR，饲料转化率；BWG，体重增加；PFG，蛋白质与脂肪的增加比。PR2 ，伪 R2 统计量。k，研究或数据行数。* p 值由置换测试确定。p 值 > 0.05 表示主要预测变量（BWG 的变化；FCR 的变化）和响应变量（FCR 和 PFG 中的效应大小）之间缺乏交互作用、平行斜率和等效关系。

图 2。肉鸡生长速度与饲料效率关系的气泡图。饲料转化率 (FCR) 的变化与体重增加 (BWG) 的变化有关。95%CI = 95% 置信区间。PR2 = 伪 R2。k = 研究或数据行数。每个圆圈都是一项主要研究或数据行，其大小与根据其精度计算回归的相对权重成正比。连续直线是预测线，虚线是其 95% 置信区间的边界。

BWG 中的变化未显示与 PFG 中的效应大小相关（图 3A；p < 0.170），但 FCR 中的那些变化是（图 3B；p < 0.001），因此 FCR 的减少与减少有关在PFG中。这种关系在生长缓慢和快速生长的鸟类中是一致的（平行斜率；相互作用 p = 0.900；表 3）。

图 3。肉鸡生产性能与体成分关系的气泡图。体重增加的变化 (A) 与身体成分的变化无关，但饲料转化率 (B) 的变化与之相关。95%CI = 95% 置信区间。PR2 = 伪 R 2 。k = 研究或数据行数。每个圆圈都是一项主要研究或数据行，其大小与根据其精度计算回归的相对权重成正比。连续直线是预测线，虚线是其 95% 置信区间的边界。

CAR 中的效应大小与 BWG、FCR 或 PFG 的变化无关（图 4）。此外，屠体产量与 BLR 测量的屠体构象无关（图 5；p = 0.950）。

数据显示，身体成分的变化与胴体构造（即胸腿比）和胴体市场价值（考虑胸部和腿部市场价格；图 6）高度相关。PFG 每增加一个百分点，BLR 就会增加 0.001，代表每个屠体的边际价值增加 0.54 美分。

图 4. 肉鸡生产性能和身体成分与胴体产量之间关系的气泡图。体重增加 (A)、饲料转化率 (B) 或蛋白质脂肪增加比 (C) 的变化表明与胴体产量的变化无关。PR2 = 伪 R2。k = 研究或数据行数。每个圆圈都是一项主要研究或数据行，其大小与根据其精度计算回归的相对权重成正比。连续直线是预测线，虚线是其 95% 置信区间的边界。

图 5。胴体产量变化的气泡图与通过胸腿比测量的胴体构造变化不相关。95%CI = 95% 置信区间。PR2 = 伪 R2k = 研究或数据行数。每个圆圈都是一项主要研究或数据行，其大小与根据其精度计算回归的相对权重成正比。连续直线是预测线，虚线是 95% 置信区间边界。

美洲家禽客户的挑战

图 6。身体成分变化的气泡图与肉鸡胴体构造 (A) 和市场价值 (B) 的变化有关。95%CI = 95% 置信区间。PR2 = 伪 R 。k = 研究或数据行数。每个圆圈都是一项主要研究或数据行，其大小与根据其精度计算回归的相对权重成正比。连续直线是预测线，虚线是其 95% 置信区间的边界。

4。讨论

评估了性能变化、身体成分和加工产量之间的关系。从 14 项测试多种干预措施的主要研究中提取了一个包含 78 个数据行的数据库（88% 的数据行与营养相关）。肉鸡的反应是根据数据库中的变量（性能、身体成分和加工产量）确定的。

在本研究中，数据的异质性被认为是对其在探索调节变量对效应量的影响方面的有用性的正式验证。实际上，不仅是 FCR（效应大小 SD = 35 FCR 点），而且所使用的大部分数据都高度多样化和异质（表 2）。测试变量中广泛的值增加了从模型中建立稳健推论的能力，因此预测更可能是插值。这可以被认为是本研究中模型的优势。在用于开发模型的数据范围之外做出陈述（即外推）并不能保证其准确性和精确性，从而降低其有效性 [34]。

数据表明，无论用于提高生产性能的干预措施如何，BWG 越高，饲料效率越好（图 2）。这一发现证明了确保肉鸡快速生长以支持家禽业可持续发展的重要性。随着 FCR 的提高，自然资源使用量（即饲料用量）的减少最终会减少每公斤肉类生产的碳足迹 [2]。这种考虑以及生长缓慢和快速生长的肉鸡在 BWG 和 FCR 之间显示出相同关系的事实意味着生产生长缓慢的肉鸡可能不可持续。此外，这些操作需要确保他们的家禽尽快生长，以降低他们的 FCR 并支持他们的盈利能力。的确，基于每单位体重增加的等效耗水量 [51] 但较低的胸肉产量 [52]，可以从文献中推断出生长缓慢的鸟类的较高水足迹（每公斤肉生产的升数）。最后，放慢肉鸡的生长速度以实现声称的更好的福利（例如，减少骨骼完整性问题[53]）然后又不得不尝试加快它可能是矛盾的。

特殊营养素

有趣的是，数据显示 FCR 越好，PFG 越低（图 3），无论是快速生长还是缓慢生长的鸟类（表 3）。这种关系并不意味着 FCR 越好，鸟就越胖。它表明，当 FCR 由于治疗而改善时，脂肪增加（克/天）的增加百分比高于蛋白质增加（克/天）。这种关系与脂肪增加相对于蛋白质增加的能量效率更高是一致的 [2]。蛋白质增加的能量效率较低与猪每单位蛋白质增加的产热量高于脂肪增加有关[54]，由于蛋白质周转，肉鸡每单位实际身体蛋白质质量的空腹产热高于脂肪质量[5]. 此外，考虑到全身脂肪含量低于蛋白质含量[29,55]，

分析表明，在屠体产量中观察到的影响大小与性能、身体成分（图 4）甚至屠体构造（图 5）的变化无关。研究中屠体产量和 PFG 之间没有关系的原因可能是屠体产量的低可变性（效应量 SD < 1 个百分点）和可用数据行数较少（k = 55；30%样本量较小 [56,57]。胴体产量主要取决于胴体、内脏和腹部脂肪的相对重量 [53]。较高的 PFG 预计与较低的腹部脂肪含量相关。据报道整个胴体的产量几乎不受饮食因素的影响 [58]。然而，乳房产量似乎对营养干预 [58] 比整个胴体产量更敏感。

最后，观察到的身体成分变化的关联，如 PFG 测量的，与胴体构象的影响大小一致，与腿部 (50.8%) 相比，乳房 (64.6%) 的蛋白质含量更高，相反脂肪含量的关系（乳房，24.7%；腿，31.7%）[37]。这种情况解释了身体成分 (PFG) 与胴体边际额外价值之间的紧密关系（MKV；图 6）。例如，PFG 的 40% 变化（本研究中平均正变化和负变化之间的差异；+20% 与 −20%）将代表每只鸟 0.216 美元的差异，相当于 2200 万美元的额外价值在一家肉鸡场，每年生产 1 亿只肉鸡。

未来的研究可能会探索身体蛋白质和脂肪含量及其比率之间的动态和关系。本研究的结果将支持更好的建模方法来预测身体能量保留，根据蛋白质和脂肪增加及其相应的热量系数计算，并最终有利于净生产能量（阿肯色州净能量）的确定。此外，实际的身体成分测量，例如腹部脂肪垫重量 [60]，可以作为最终胴体构造的指标进行探索。

限制和解释

尽管元回归分析中使用的所有数据都来自实际实验，但我们的发现并未建立正式的因果关系，而是建立了关联。

所有符合要求标准的可用数据都包含在本研究中；然而，初步研究中测试的因素主要集中在营养方面。此外，没有一项研究包括可能影响此处建立的关系的特定因素，例如压力 [61]、肠道微生物群变化 [62] 和球虫、产气荚膜梭菌或与饲料成分相关的特定肠道挑战 [18]。因此，此处建立的关系可能会随着新数据的变化而变化。

猪它

对生物系统进行数学建模的最大挑战之一是研究人员需要平衡三个对立的标准（精度、通用性和现实性），其中一次只能优化其中两个标准（Levins 的三维框架 [63]） . 通常，动物和家禽科学研究是在控制良好的条件下进行的，以牺牲普遍性为代价来追求精确性和现实性。然后，当研究条件发生变化（例如，商业条件）时，结果会有所不同。相比之下，本研究的一般方法以牺牲精度为代价优先考虑泛化和现实主义[63]。该数据集包括具有极其不同特征的研究，例如出版年份（最多 30 年前）、测试的治疗因素、年龄、遗传学、膳食能量和氨基酸含量，和两性。尽管这些因素在数据中引入了可变性，但一些关系已成功表征。此外，那些不受控制的因素是随机的。因此，在本研究中建立的关系比在特定条件下从单一研究中得出的推论更具普遍性。有意不评估不同条件的影响，以避免基于统计能力不足的误导性推论。然而，所有影响大小都来自同一遗传系中测试的因素；因此，我们研究中的概括不包括遗传系之间的关系 [64-66]。在某些条件下，本研究中建立的关系比单一研究的推论更具普遍性。有意不评估不同条件的影响，以避免基于统计能力不足的误导性推论。然而，所有影响大小都来自同一遗传系中测试的因素；因此，我们研究中的概括不包括遗传系之间的关系 [64-66]。在某些条件下，本研究中建立的关系比单一研究的推论更具普遍性。有意不评估不同条件的影响，以避免基于统计能力不足的误导性推论。然而，所有影响大小都来自同一遗传系中测试的因素；因此，我们研究中的概括不包括遗传系之间的关系 [64-66]。

此外，应该考虑到实际性能、身体成分和胴体值并未用于研究中，而是实验处理引起的变化。因此，将不可控因素的影响降至最低。这样，性别之间或跨年的表现和身体成分差异不会影响计算，但它们的相对敏感性会影响计算。例如，数据显示体重增加变化与饲料转化率之间的关系在快速生长和缓慢生长的鸟类中几乎相同，尽管它们的基因不同。尽管多年来，性能、瘦体重和胸肉产量随着遗传学而进化，

Gano-met®对肉鸡生长性能的影响

最后，如果只包括两个目标领域（肉鸡生产性能、身体成分和加工产量）而不是包括所有三个领域，则文献中可用的数据库将会增加。例如，如果重复相同的程序但将搜索限制在性能和身体成分上，则会找到更多数据，并且遗传（即出版年份）、性别和饮食的营养成分的影响可能被评估

5。结论

总之，结果表明，体重增加的积极变化与饲料转化率的提高有关，并且身体成分可以预测胴体构造及其市场价值。体重增加与饲料转化率之间关联的研究结果表明，最大限度地增加肉鸡体重对支持肉鸡生产的可持续性具有重要意义。