آلودگی محیط زیست به کادمیوم در حال افزایش است. ورود این فلز سمی سنگین به زنجیره غذایی خطری جدی برای جمعیت انسانی و حیوانی است. این مطالعه با هدف ارزیابی اثر پودر زردچوبه حاوی 96/2% ازمجموع کورکومینوئیدها در تعدیل اثرات سوء کادمیوم خوراکی در بلدرچین های ژاپنی انجام شد. تعداد 180 قطعه بلدرچین ژاپنی نر از سن 22 روزگی به مدت 23 روز به شش گروه تقسیم شدند. گروه شاهد با جیره پایه و سایر گروه‌ها با جیره پایه مکمل شده با 3 گرم پودر زردچوبه (حاوی18/88 میلی گرم از مجموع کورکومینوئیدها)، 5 گرم پودر زردچوبه (حاوی 148 میلی گرم از مجموع کورکومینوئیدها)، 100 میلی گرم کلراید کادمیوم، 100 میلی گرم کلراید کادمیوم + 3 گرم پودر زردچوبه و 100 میلی گرم کلراید کادمیوم + 5 گرم پودر زردچوبه در هر کیلوگرم از خوراک تغذیه شدند. افزودن پودر زردچوبه به جیره آلوده به کادمیوم موجب کاهش سطح سرمی سیتوکین‌های پیش التهابی TNF-α وIL-6، افزایش فعالیت SOD، CATو ظرفیت پاداکسندگی کل و کاهش پراکسیددار شدن چربی گردید((p < 0.05. همچنین کاهش فعالیت سرمی آنزیم‌هایALT ،AST و ALP، افزایش غلظت پروتئین تام سرم و بهبود وزن بدن و وزن نسبی کبد مشاهده شد. نتایج نشان داد که پودر زردچوبه، با بهبود وضعیت پاداکسندگی و کاهش فعالیت سیتوکین‌های پیش التهابی، اثرات سمی کادمیوم را در بلدرچین ژاپنی کاهش داد. مقادیر بیشتر پودر زردچوبه تاثیربیشتری در کاهش سمیت کادمیوم داشت. تفاصيل المقالة

The study aimed to compare the accuracy of seven Machine Learning methods for estimating the weight of dromedary camels, during birth-240 day of age, using the body measurements. With this mind, in overall, 458 records, including body weight and also 12 biometric linear measurements collected from dromedary camels at different stage of life, were used. The seven machine learning methods, including bayesian regularized neural network (BRNN), extreme learning (EL), random forest (RF), support vector machine with linear kernel (LSVM), polynomial kernel (PNLSVM), and radial basis kernel (RNLSVM) and linear regression (LR) were compared to estimate the body weight of camels. The performance of the models was evaluated based on mean absolute error, mean absolute percentage error, R-squared, mean squared error, and root mean squared error. A 10 repeated 10-fold cross-validation was used to check the stability of the models and averaged the results. Except the tail length, abdomen width, and abdomen to hump height, most predictors had good correlation (r>0.7) with body weight. Among predictive variables, the highest correlation was 0.96 between heights at whither and height at hump, as well as abdomen width and abdomen to hump height (P<0.01). The accuracy of seven machine learning methods, including BRNN, EL, RF, LSVM, PNLSVM, RNLSVM and LR were 94.93, 93.22, 94.61, 93.2, 95.43, 94.93 and 93.15, respectively. As final conclusion, the outputs of this report showed that, although all compared models had an acceptable and high performance in predicting the weight based on height of camels, However, the PNLSVM can be suggested candidate model due to expressing the higher accuracy than the others considering all studied criteria. تفاصيل المقالة