Análise multivariada na avaliação de carcaça de suínos

Abstract

As técnicas multivariadas podem ser aplicadas a dados de carcaça e de cortes de suínos medidos em plantas frigoríficas, visando a identificação das variáveis mais relevantes no conjunto de dados e, portanto, contribuindo para otimização da fenotipagem. Objetiva-se identificar as variáveis mais relevantes relacionadas aos cortes comerciais de carcaça através da análise de componentes principais e avaliar a eficiência da análise discriminante para a classificação de duas linhas macho com diferentes idades ao abate utilizando dados de carcaça e cortes comerciais de carne suína. O experimento foi conduzido em uma granja comercial de ciclo completo, localizada na zona rural do município de Ponte Nova do Estado de Minas Gerais. Foi utilizado sêmen de reprodutores de duas linhas macho distintas (L1 e L2) em fêmeas Camborough. Foram realizadas três inseminações por fêmea, utilizando sempre machos da mesma linha (L1 ou L2), totalizando 167 coberturas experimentais direcionadas durante 11 dias. Os animais foram identificados após o nascimento por meio de tatuagem nas duas orelhas e foram criados seguindo o sistema de produção da granja, utilizando mesma dieta e manejo para todos os animais. O abate de animais foi realizado no Frigorífico Industrial Vale do Piranga S/A localizado no município de Oratórios do Estado de Minas Gerais. Foram abatidos 433 animais por amostragem, sendo 213 progênies da L1 e 220 da L2, com idades variando entre 145 a 191 dias. Os animais foram divididos em dois grupos de acordo com a idade em que foram abatidos: animais abatidos entre 145 e 170 dias (1) e entre 185 e 191 dias (2). Sendo assim, foram formados quatro grupos (k = 4), representado pela combinação das duas linhagens (L1 e L2) e de duas idades de abates (1 e 2). Foram mensuradas as variáveis espessura de toucinho (ET), espessura de músculo (EM), percentual de carne magra (CM), peso de carcaça quente automático (PCQAut), peso de carcaça quente (PCQ), peso da carcaça resfriada (PCResf), peso de pernil para presunto (PerPresunto), peso de pernil para picanha (PerPicanha), peso de pernil para alcatra (PerAlcatra), peso do pernil para bacon (PerBacon), peso do pernil inteiro (Pernil), peso da paleta para presunto (PaPresunto), peso da paleta para bacon (PaBacon), peso da paleta inteira (Paleta), peso do lombo (Lombo), peso do toucinho do carré (toucinho), peso do carré (Carre), peso da barriga (barriga), Peso da barriga e costela inteiro (BarCost), peso da costela (costela), peso da fraldinha (fraldinha), peso da sobrepaleta inteira (sobrepaleta), peso do filé limpo (FileLimpo), peso do filé (File) e peso da papada (Papada). Os dados foram processados e submetidos as análises de componentes principais e discriminante utilizando o software R. Os dois primeiros componentes foram capazes de explicar 67,28% da variação total dos dados, sendo necessários pelo menos 9 componentes para explicar mais de 90% da variabilidade. Somente 5 componentes principais apresentaram autovalores maiores que 0,7, assim as variáveis com maior valor absoluto dentro desses componentes foram identificadas como as variáveis mais relevantes nesse conjunto de dados originais estudadas (PCResf, CM, PaPresunto, EM e Papada. A análise visual do gráfico de scores em relação aos componentes principais 1 e 2, revela que não ocorreu a formação de clusters e que não é possível, a partir desses componentes, separar os indivíduos pertencentes aos quatro grupos avaliados (combinação de idade de abate e linha). A análise discriminante foi realizada utilizando somente as cinco variáveis identificadas como mais importantes na análise de componentes principais. Utilizando populações de treinamento e validação verificou-se que de modo geral o percentual de acertos de classificação utilizando a análise discriminante foi maior para a idade de abate mais jovem (145-170 dias), consequentemente, as maiores taxas de erro foram observadas para os animais com maiores pesos ao abate. A coleta de dados das variáveis PCResf, CM, PaPresunto, EM e Papada em frigoríficos é recomendada, permitindo, portanto, a otimização da fenotipagem apesar de não possibilitar a diferenciação entre os grupos avaliados. Além disso, uma grande taxa de erro foi observada na classificação das amostras, sendo mais difícil classificar animais abatidos mais velhos. Palavras-chave: Suínos – Carcaças. Análise multivariada. Análise de componentes principais. Modelos lineares (Estatística).

Multivariate techniques may be applied to carcass and pig meat cuts data measured in slaughterhouses for the identification of the most relevant variables in the data set and, therefore, contributing to the phenotyping optimization. Therefore, we aimed to apply principal components for the identification of the most relevant carcass and pork cut variables measured at slaughter and to evaluate the efficiency of linear discriminant analysis on the classification of two male lines slaughtered at different ages using carcass and meat cut data. The trial was conducted in a commercial pig farm located at Ponte Nova, Minas Gerais state. Semen from two male lines (L1 and L2) was used in the insemination of Camborough sows. Each sow was inseminated three times using the same male line. In total 167 sows were inseminated in eleven days. After birth, the piglets were tattooed on the ear and raised following the pig farm protocols. All animals received the same diet and management. The animals were slaughtered at Frigorífico Industrial Vale do Piranga S/A, located at Oratórios, Minas Gerais state. A sample of 433 pigs with age ranging from 145 to 191 days were slaughtered, being 213 progenies of L1 and 220 progenies of L2. The animals were split in two groups according to the slaughter age: group 1 from 145 to 170 days and group 2 from 185 to 191 days. Thus, four groups were considered in the analysis, which correspond to the combination of male line (L1 and L2) and slaughter age. The variables measured were backfat thickness (ET), muscle depth (EM), percentage of lean meat (CM), automatic carcass weight (PCQAut), hot carcass weight (PCQ), chilled carcass weight (PCResf), pork leg weight for ham (PerPresunto), pork rump cap weight (PerPicanha), pork rump steak (PerAlcatra), pork leg weight for bacon (PerBacon), pork leg weight (Pernil), shoulder weight for ham (PaPresunto), shoulder weight for bacon (PaBacon), shoulder weight (Paleta), loin weight (Lombo), loin backfat weight (toucinho), pork rib chop weight (Carre), belly weight (barriga), rib and belly weight (BarCost), rib weight (costela), pork flank steak (fraldinha), pork boston butt weight (sobrepaleta), tenderloin weight without fat (FileLimpo), tenderloin weight (File) and jowl weight (Papada). All analysis was done using R software. The first and second principal components explained 67,28% of the total data variability, being necessary at least nine components to explain more than 90% of the variability. Only five principal components presented eigenvalues higher than 0.7, thus variables with the highest absolute coefficients on these components were identified as the most important for this dataset (PCResf, CM, PaPresunto, EM e Papada). Visual inspection of the first and second principal components score plot did not allows the identification of clusters. Therefore, using these components is not possible to separate individuals from the four groups evaluated (combination of line and age). Discriminant analysis was done using only the five most important variables identified in the principal components analysis. Using training and validation populations it was verified that the classification hits were higher for the young slaughter age group (145-170 days) than for the age group two. Thus, highest misclassification was observed for older animals, which have higher slaughter weight. The slaughterhouse should register the variables PCResf, CM, PaPresunto, EM e Papada. Although those variables did not allow group identification they will optimize the phenotyping. High error rate was observed in sample classification according to line and slaughter age group, being more difficult classify older animals. Keywords: Pigs – Carcasses. Multivariate analysis. Principal component analysis. Linear models (Statistics).