Vasco Cadavez

Avaliação da Condição Corporal de Ovinos

Sun, 12 Dec 2021 00:00:00 +0000

Introdução

As ovelhas dispõem de um reservatório de nutrientes nos seus tecidos corporais (músculo, gordura e osso), que podem mobilizar em períodos de deficiência alimentar ou em períodos de elevadas exigências. Uma técnica simples, para estimar as reservas corporais das ovelhas, dá ao produtor a informação necessária para ajustar a alimentação do rebanho em função das necessidades (manutenção e produção), da disponibilidade de alimento e das suas reservas corporais (Bibe et al., 1987).

O nível de reservas corporais, em especial nos períodos chave do ciclo de produção (gestação, cobrição e lactação), condiciona a capacidade reprodutiva e produtiva das fêmeas, bem como o crescimento dos cordeiros como mostrou Atti et al. (1995) num trabalho com ovelhas de raça Barbarine.

A Condição Corporal (CC) é avaliada atráves da palpação da região lombar, apreciando o desenvolvimento do músculo e da gordura subcutânea, bem como através da proeminência das apófises espinhosas e transversas das vértebras lombares (Jefferies, 1961; Russel et al., 1969). A técnica de avaliação da CC foi desenvolvida por Jefferies (1961) como uma escala de avaliação de 0 a 5, com intervalos de 1 ponto. Alguns anos depois, Russel et al. (1969) modificaram a escala de Jefferies (1961), extendendo-a para intervalos de 0,5 e 0,25 pontos. A técnica de avaliação da CC é um método expedito - barato e fácil de aprender - para estimar o estado nutricional das ovelhas, nomeadamente sobre as reservas de energia dos animais, tal como mostraram Teixeira et al. (1989) num trabalho com ovelhas de raça Aragonsesa.

A avaliação da CC nos pontos chave do ciclo de produção fornece aos produtores informação determinante para a tomada de decisões de maneio do rebanho. Tratando-se de um procedimento fácil e rápido, pelo que cerca de 30 minutos são suficientes para obter uma média da CC do rebanho.

Condição corporal e desempenho das ovelhas

As ovelhas muito magras ou muito gordas, por motivos diferentes, vêm a sua capacidade reproductiva afectada negativamente, como mostraram Torre et al. (1992) num trabalho com a raça Ripollesa. Por outro lado, a baixa ingestão alimentar reduz a taxa de ovulação (Smith, 1980) e a suplementação com alimentos concentrados (energéticos e proteicos) aumenta a taxa de ovulação (Torre et al., 1992), mesmo em ovelhas com CC baixa (OCallaghan et al., 2000). Assim, a divisão em lotes, de acordo com o estádio fisiológico e com a CC das ovelhas, permite a adequação do maneio alimentar às necessidades dos grupos de ovelhas.

Condição Corporal	Fertilidade (%)	Prolificidade (%)
Inferior a 2,75	92,0	155
2,75-3,00	93,0	264
3,25-3,50	95,0	182
Superior a 3,50	95,1	159

Antes da época de cobrição, a suplementação energética das ovelhas com CC entre \(2,0\) e \(2,5\), técnica de maneio designada por flushing, melhora a fertilidade e a taxa de ovulação. As ovelhas respondem melhor ao flushing quando se encontram com CC entre \(2,5\) e \(3,5\) (Henderson and Robinson, 1988). O flushing deve ter início quatro semanas antes da cobrição e deve estender-se até três semanas após a cobrição, desta forma será possível minimizar a mortalidade embrionária, maximizando as taxas de fertilidade e de prolificidade do rebanho. Já nas ovelhas consideradas gordas, com nota de \(CC \geq 4,0\), a restrição alimentar é a ferramenta necessária para que as ovelhas percam CC.

Efeito da CC ao parto na produção de leite.
Condição corporal	Produção de leite (ml/dia)
3,17	Inferior a 200
3,00	Entre 200 e 250
2,78	Superior a 250

Procedimento de avaliação

A avaliação da CC é efectuda pela palpação da região lombar, avaliando o revestimento de gordura subcutânea e o desenvolvimento (preenchimento) do tecido muscular entre as apófises espinhosas e transversas desta região. A pontuação das ovelhas é efectuada em em dois passos. No primeiro, efectuamos uma avaliação geral do animal por apreciação visual. No segundo, efectua-se a palpação da região lombar da ovelha, tendo especial atenção às apófises transversas e espinhosas das vértebras lombares. Com a palpação devemos avaliar o desenvolvimento da gordura subcutânea e do tecido múscular da região lombar. A nota de CC é atribuída numa escala de 1 (muito magra) a 5 (muito gorda) pontos, devendo obedecer aos passos descritos na Figura abaixo.

Figura 1: Passos para a atribuição da nota de CC.

Passo	Descrição	Ilustração
\(1\)	Avaliação da proeminência das apófises espinhosas: Com a ponta dos dedos, apreciar o grau de proeminência das apófises espinhosas.
\(2\)	Avaliação da proeminência das apófises transversas: Com a mão estendida e pressionando com os dedos, apreciar a proeminência das apófises transversas e o grau de cobertura das mesmas, pela facilidade com a qual os dedos podem penetrar debaixo das apófises transversas Avaliar o desenvolvimento do músculo e da gordura subcutânea sobre as apófises transversas.
\(3\)	Avaliação do desenvolvimento do músculo e da gordura subcutânea Com a mão em forma de pinça, apreciar o desenvolvimento do músculo e da gordura subcutânea: côncavo, plano ou convexo.

Escala de avaliação

Tal como dito anteriormente, a escala de avaliação da CC varia de 1 (ovelha muito magra) a 5 (ovelha muito gorda), quando os operadores são experientes e bem treinados a CC pode ser atribuída em intervalos de \(\frac{1}{4}\) de ponto (\(0,25\)). A nota de \(CC=1\) corresponde a uma ovelha extremamente magra, desprovida de qualquer deposição de gordura subcutânea; e a nota a de \(CC=5\) corresponde a uma ovelha extremamente gorda.

Figura 2: Uma seção transversal da região lombar mostrando a cobertura de gordura subcutânea e o desenvolvimento muscular para as notas de CC.

CC	Descrição	Ilustração
\(1\)	OVELHA MUITO MAGRA: As apófises espinhosas formam uma superfície rugosas e proeminente. As vértebras lombares são facilmente perceptíveis ao toque da mão. Os dedos podem alcançar e localizar facilmente as apófises transversas. O perfil das apófises transversas é fácil de percecer. É possível identificar os espaços entre as apófises transversas.
\(2\)	OVELHA MAGRA: As apófises espinhosas e transversas são salientes. Os espaços entre as apófises transversas são palpáveis sem pressão. A linha da pele entre as apófises espinhosas e transversas é côncova. O músculo está coberto com uma ligeira camada de gordura subcutânea. Com ligeira pressão os dedos penetram por baixo das apófises transversas.
\(3\)	OVELHA REGULAR: As apófises espinhosas apenas são perceptíveis exercendo pressão com os dedos. O espaço do ângulo vertebral está cheio e a pele descreve uma linha recta entre os extremos das apófises espinhosas e transversas. Nota-se a presença de gordura subcutânea sobre o músculo. O perfil das apófises transversas não é perceptível sendo necessário exercer pressão elevada para sentir as extremidades.
\(4\)	OVELHA GORDA: As apófises espinhosas são dificilmente detectáveis à passagem com a mão, sendo necessário exercer uma pressão elevada para as detectar. A pele descreve uma linha convexa entre as extremidades das apófises espinhosas e transversas e o músculo encontra-se coberto por uma camada de gordura subcutânea facilmente perceptível. Os músculos do lombo formam uma zona chata, mas ainda estreita, na superfície superior das apófises espinhosas. É impossível detectar as apófises transversas, bem como colocar os dedos debaixo das mesmas.
\(5\)	OVELHA MUITO GORDA: A espessura da massa dos tecidos (músculo e gordura) é tão grande que as marcas de referência nas apófises transversas e espinhosas não são perceptíveis. Observa-se uma depressão na camada de gordura subcutânea na linha do dorso, onde se detectariam as apófises espinhosas. Os músculos são arredondados de cada um dos lados das apófises transversas. A zona à volta das apófises espinhosas é compacta, sendo relativamente larga no dorso.

Recomendações técnicas

A avaliação da CC deve ser efectuada nos pontos chave do ciclo de produção (época de cobrição, final da gestação e final da lactação/amamentação), uma ve que habilita o produtor para fazer ajustes necessários ao maneio alimentar das ovelhas, de forma a maximizar a capacidade reprodutiva do rebanho e, desta forma, melhorar os resultados económicos da sua exploração.

A CC deve ser avaliada ao desmame dos cordeiros, no meio da gestação e imediatamente antes do parto e ajustar o maneio alimentar à nota de CC. Porém, num rebanho bem conduzido cerca de \(90\%\) das ovelhas apresentam condição corporal entre \(2,3\) e \(4,0\), pelo que é recomendável que a avaliação seja efectuada utilizando uma escala de \(0,5\) pontos ou, com avaliadores experientes, de um quarto de ponto (\(0,25\)).

É importante controlar a evolução da CC ao longo do ciclo de produção, para evitar que as ovelhas percam CC desnecessária uma vez que esta aumenta a inefieciência produtiva das ovelhas. De facto, é necessário fornecer pelo menos três vezes mais a energia perdida para que as ovelhas retornem à CC inicial. É, também, conveniente que o aumento que o ganho de CC se faça com recurso à utilização de pastagens e forragens e os alimentos concentrados, mais caros como os grãos de cereais por exemplo, devem usar-se sempre que se pretende evitar a perda de CC.

Na cobrição, as ovelhas com condição corporal inferior a \(3\) respondem melhor ao efeito do do que aquelas com CC superior. Na tabela seguinte apresentam-se as recomendações de CC para os pontos chave do ciclo de produção.

Tabela 1: Recomendações de CC para os pontos chave do ciclo de produção e maneio a adoptar um mês antes da época de cobrição em função da CC das ovelhas.

Fase do ciclo de produção	CC óptima
Época de cobrição	\(2,75-3,25\)
Início-meio gestação	\(2,50-4,00\)
Ao parto: simples	\(3,00-3,50\)
Ao parto: duplo	\(3,50-4,00\)
Ao desmame	\(\geq 2,00\)
CC da ovelha	Maneio recomendado
\(2,00-2,50\)	Flushing
\(2,75-3,25\)	Aptas para a cobrição
\(3,50-4,00\)	Restrição alimentar

Referências Bibliográficas

Atti N, Francois B and Nefzaoui A 1995. Influence de i’état corporel à la mise bas sur les performances, le bilan énergétique et i’évolution des métabolites sanguins de la brebis barbarine. In Etat corporel des brebis et chèvres: Aspects méthodologiques et application (ed. A. Purroy), Options méditerranéennes : Série a. Séminaires méditerranéens, pp. 25–33. CIHEAM, Zaragoza (Spain).

Bibe B, Bouix J, Perret G, Brelurut A, Theriez M, Tran G and Bouyssiere M 1987. Methodes d’apreciation du gras in vivo chez les ovins. In 11e journnèes rech. Ovine et caprine, pp. 146–174.

Henderson DC and Robinson JJ 1988. Diseases of sheep. In (eds. M.W. B. and A.I. D.), pp. 25–34. Blackwell Science, Oxford.

Jefferies BC 1961. Body condition scoring and its use in management. Tasmanian Journal of Agriculture 32, 19–21.

OCallaghan D, Yaakub H, Hyttel P, Spicer LJ and M. B 2000. Effect of nutrition and superovulation on oocyte morphology, follicular fluid composition and systemic hormone concentration in ewes. Journal of Reproduction and Fertility 118, 303–313.

Russel AJF, Doney JM and Gunn RG 1969. Subjective assessment of body fat in live sheep. Journal of Agricultural Science (Cambridge) 72, 451–454.

Smith MC 1980. Caprine production. In (ed. D.A. Morrow), pp. 969–1004. WB Saunders, Philadelphia.

Teixeira A, Delfa R and Colomer-Rocher F 1989. Relationships between fat depots and body condition score or tail fatness in rasa aragonesa breed. Animal Production 49, 275–280.

Torre C, Casals R, Caja G, Paramio T and Ferret A 1992. The effects of body condition score and flushing on the reproductive performances of ripollesa - breed ewes mated in spring. In Etat corporel des brebis et chèvres (ed. A. Purroy), Options méditerranéennes : Série a. Séminaires méditerranéens, pp. 85–90. CIHEAM, Zaragoza (Spain).

Terminologia Zootécnica

Sun, 12 Dec 2021 00:00:00 +0000

Bovinos - Cattle

Bovinos

Touro - Macho inteiro (não castrado)
Boi - Macho castrado
Novilha - Fêmea antes do primeiro parto, geralmente com idade inferior a 18-24 meses
Vaca - Fêmea adulta que já pariu
Vitelo - animal jovem macho ou fêmea
Parto - ato ou efeito de parir

Cattle

Bull - uncastrated male
Steer - castrated male
Heifer - female that has not had a calf (with less than 18-24 months of age)
Cow - adult female that has had a calf
Calf - young aniaml either male or female
Calving - the act of parturition in cattle

Suínos - Swine

Suínos

Varrasco - Macho inteiro (não castrado)
Porco - Macho castrado
Marrã - Fêmea antes do primeiro parto
Porca - Fêmea adulta que já pariu
Leitão - animal jovem macho ou fêmea
Parto - ato ou efeito de parir

Swine

Boar - uncastrated male
Barrow - castrated male
Gilt - female that has not had a litter
Sow - adult female that has had a litter
Pig - young aniaml either male or female
Farrowing - the act of parturition in swine

Ovinos - Sheep

Ovinos

Carneiro - Macho inteiro (não castrado)
Malata - Fêmea antes do primeiro parto
Ovelha - Fêmea adulta que já pariu
Cordeiro - animal jovem macho ou fêmea
Parto - ato ou efeito de parir

Sheep

Ram - uncastrated male
Wether - castrated male
Ewe - female that has not had a a lamb
Lamb - adult female that has had a calf
Lambing - the act of parturition in sheep

Caprinos - Goats

Caprinos

Bode - Macho inteiro (não castrado)
Anaca - Fêmea antes do primeiro parto
Cabra - Fêmea adulta que já pariu
Cabrito - animal jovem macho ou fêmea
Parto - ato ou efeito de parir

Goats

Billy - uncastrated male
Wether - castrated male
Nanny - adult female that has had a calf
Kid - youg goat
Kidding - the act of parturition in goats

Cavalos - Horses

Cavalos

Garanhão - Macho inteiro (não castrado)
Égua - Fêmea antes do primeiro parto
Égua - Fêmea adulta que já pariu
Poldro/Poldra - animal jovem
Parto - ato ou efeito de parir

Horses

Stalion - uncastrated male
Gelding - castrated male
Mare - adult female over two years of age
Filly - female with less than two years of age that has not had a foal
Foal - young horse
Foaling - the act of parturition in horses

Galinhas - Chickens

Galinhas

Galo - Macho inteiro (não castrado)
Capão - Macho castrado
Galinha - Fêmea adulta
Frango(a) - animal jovem macho ou fêmea
Pintainho - animal muito jovem
Postura - Saída do ovo ou do corpo da fêmea

Chickens

Rooster - uncastrated male chicken
Capon - castrated male chicken
Hen - female chicken
Broiler - young chicken at market weight
Chick - very young chicken not yet at market weight
Laying - act of parturition in chickens

Avaliação da Condição Corporal de Caprinos

Thu, 06 Aug 2020 00:00:00 +0000

Introdução

Em determinadas fases do ciclo de produção, idependentemente do nível alimentar, é inevitável a mobilização das reservas corporais pelas fêmeas em balanço energético negativo em virtude do seu estado fisiológico (Morand-Fehr et al., 1986). Por outro lado, nos sistemas de produção tradicionais, baseados no pastoreio de percurso, as cabras estão sujeitas às variações sazonais de disponibilidade de alimento (quantidade e qualidade), pelo que ao longo do ano as cabras têm períodos nos quais perdem as reservas corporais e outros nos quais as repõem. Esta capacidade de armazenar e de mobilizar as reservas corporais é essencial para que a cabra se adapte às variações da disponibilbidade de alimentos e às exigências de determindados pontos do ciclo de produção. Ao parto, o nível de reservas corporais apresenta um grande impacto na capacidade produtiva das cabras leiteiras.

Jefferies (1961) propôs, pela primeira vez, o conceito de condição corporal (CC) como indicador das reservas corporais em ovinos. Mais tarde, (Russel et al., 1969) apresentou uma técnica de avaliação da CC (numa escala de \(0\) a \(5\)) baseada na palpação da região lombar. Todavia, os caprinos depositam um reduzida quantidade de gordura subcutânea, o que torna a palpação da região lombar pouco precisa. tendo em consideração esta característica dos caprinos, Santucci (1984) propôs uma escala de avaliação para a região esternal, a qual se caracteriza por ser um local de deposição de gordura (Santucci and Maestrini, 1985). Morand-Fehr and Hervieu (1999) propôs que a avaliação da CC de cabras leiteiras pela palpação das regiões lombar e esternal, atribuindo a nota final como a média das notas das duas regiões. Delfa et al. (1995), num trabalho com cabras de raça Branca Celtibérica, confirmaram a relação entre o peso dos tecidos e a nota de CC, bem como a capacidade da nota de CC da região esternal para prever o peso dos depósitos de gordura corporais, bem a composição tecidual da carcaça.

A a nota de CC representa a quantidade de reservas corporais que uma cabra possui, através da avaliação da quantidade de músculo e de gordura que cobre as regiões lombar e esternal. É, também, um excelente indicador da saúde e do bem-estar dos animais, fornecendo ao produtor informação valiosa para identificar atempadamente problemas de saúde dos animais.

Para efectuar a pontuação da CC, a cabra deve ser contida para efectuara a palpação o lombo e do esterno como se mostra a Figura 1. O treino e a prática de avaliação são essenciais para o aprimoramento da técnica e desenvolver a capacidade de pontuar as cabras com uma escala de \(\frac{1}{4}\) de ponto. Na Figura seguinte apresentamos a anatomia das regiões lombar e esternal, cujo seu conhecimento é essencial para poder aplicar a téccnica de forma eficaz.

Vértebra lombar	Esterno visão anterior	Esterno visão lateral

Figura 1: Anatomia da região lombar e da região estrenal

Vários estudos mostraram que a CC nos pontos chave do ciclo de produção condiciona o desempenho produtivo e reprodutivo das fêmeas, a saber: a prolificidade, a fertilidade, a produção de leite e, logo, o crescimento dos cordeiros. Por outro lado, a sua simplicidade, a sua relação com o estado nutricional dos aniamis e a possibilidade de se efectuar aquando da realização de outras actividades de maneio dos fatos tornou-o num método largamente aceite pelos produtores.

A avaliação da CC das cabras, por palpação das regiões lombar e esternal, dá ao protudor a capacidade de estimar as suas reservas corporais, cujo conhecimente permite ajustar a alimentação, reforçando aou restringindo-a, às necessidades das cabras. Por outro lado, esta técnica é, também, útil para monitorizar o fato nos períodos importantes do ciclo de produção (cobrição, parto, desmame, etc.) e apoiar a definição do maneio alimentar e reprodutivo do fato.

Assim, a avaliação da CC das cabras baseia-se na palpação das regiões lombar e esternal, às quais é atribuída uma nota usando uma escala de 0 (cabra extremamente magra) a 5 (cabra muito gorda) pontos, a nota de CC resulta da média das duas notas atribuídas às regiões lombar e esternal. A avaliação da CC das cabras deve efectuar-se em três passos. No primeiro, fazemos uma avaliação geral do animal por apreciação visual. No segundo, efectuamos a palpação da região lombar da cabra, tendo especial atenção às apófises transversas e espinhosas das vértebras lombares. No terceiro, efectuamos a palpação da região esternal dando especial atenção ao desenvolvimento da almofada de grodura interna e da espessura da gordura subcutânea.

Avaliação da região lombar

Tal como foi referido atrás, a nota de CC da região lombar é atribuída uma nota numa escala de \(0\) (extremamente magra) a \(5\) (muito gorda) pontos. A mão deve exercer, através de um efeito de pinça, uma pressão fixa em torno das apófises transversas, espinhosas e articulares para apreciar:

A proeminência das apófises espinhosas lombares, a partir da última costela, bem como a quantidade de músculo e de gordura subcutânea;
A largura do lombo, com a mão estendida, e tentar reconhecer as apófises transversas das vértebras lombares, pressionando com os dedos para avaliar a quantidade de músculo e de gordura subcutânea;
A forma do músculo, côncavo ou convexo, avaliando a sua espessura, bem como a espessura da gordura subcutânea;
Avaliar a espessura da pele.

Na Figura 2 apresentamos a descrição das notas de CC de 0 a 5, bem como uma ilustração de cada uma das notas de CC

CC	Descrição	Ilustração
0	CABRA EXTREMAMENTE MAGRA: A cabra encontra-se em condições esqueléticas, num estado de magreza extremo, não se observa a presença de tecido subcutâneo, a pele encontra-se em contacto directo com os ossos. Os ossos são muito perceptíveis e as articulações intervertebrais são facilmente detectáveis ao tacto.
1	CABRA MUITO MAGRA: As vértebras lombares são perceptíveis, ao toque da mão, como uma massa rugosa e proeminente. Os dedos podem alcançar e localizar facilmente as apófises transversas, das quais é fácil perceber o perfil. As apófises articulares podem ser sentidas através da acção da ponta dos dedos.
2	CABRA MAGRA: As apófises espinhosas e transversas são salientes, os espaços entre as apófises transversas são palpáveis sem pressão, a pele descreve uma linha côncava entre os extremos das apófises. As apófises espinhosas são menos proeminentes e as apófises articulares podem ser sentidas por meio de pressões leves sobre a espinha dorsal.
3	CABRA MÉDIA: O espaço do ângulo vertebral está cheio e a pele descreve uma linha recta entre os extremos das apófises. As apófises espinhosas são, ainda, bem perceptíveis, sentindo-se uma ligeira depressão quando os dedos através das mesmas. As apófises articulares e o perfil das apófises transversas não são perceptíveis.
4	CABRA GORDA: As apófises espinhosas são dificilmente detectáveis à passagem com a mão. A pele descreve uma linha convexa entre as extremidades das apófises. Os músculos do lombo formam uma zona chata, mas ainda estreita, na superfície superior das apófises espinhosas. É difícil colocar os dedos debaixo das apófises transversas.
5	CABRA MUITO GORDA: A linha do dorso é muito pronunciada e os músculos são arredondados de cada um dos lados das apófises transversas. A zona à volta das apófises espinhosas é compacta, sendo relativamente larga no dorso. A espessura das massas dos tecidos é tão grande que as marcas de referência nas apófises transversas e espinhosas não são perceptíveis. É impossível colocar os dedos debaixo das apófises transversas.

Figura 2: Descrição da escala de avaliação da condição corporal da região lombar.

Avaliação da região esternal

Nas cabras, a gordura esternal é facilmente detectada sob a forma de uma almofada adiposa (Figura 3), pelo que nesta região anatómica são avaliados o volume da gordura esternal (espessura, largura, comprimento) e a espessura dos tecidos que rodeiam e cobrem as articulações condroesternais. Para atribuir a nota de CC esternal, os dedos devem ser usados da seguinte forma:

actuar como uma pinça sobre a gordura esternal;
exercer uma pressão fixa na região condroesternal.

CC	Descrição	Ilustração
0	CABRA EXTREMAMENTE MAGRA: As articulações condroesternais são muito salientes. A superfície óssea do esterno é bem perceptível ao toque com a mão. A zona do esterno mais, calosidade esternal, não é móvel.
1	CABRA MUITO MAGRA: A calosidade esternal é flutuante. A gordura esternal é facilmente localizável por meio da acção dos dedos, apresenta um formato plano, ligeiramente dura e move-se lateralmente com os movimentos da mão. As articulações condro-esternais são mais arredondadas mas ainda bem perceptíveis. As costelas podem ser sentidas através de leves toques com os dedos.
2	CABRA MAGRA: As articulações condroesternais são pouco perceptíveis à palpação. A gordura esternal ainda pode ser localizada com os dedos mas apresenta-se mais espessa (1 a 2 cm), podendo ser destacada ao longo de todo o seu comprimento através da acção da ponta dos dedos. Uma pequena camada de gordura pode ser distinguida entre a pele e as articulações condroesternais.
3	CABRA MÉDIA: O esterno não é perceptível, mas as costelas são perceptíveis através da palpação. A gordura pode ser distinguida muito facilmente; é espessa e pouco móvel. A gordura é difícil de destacar.
4	CABRA GORDA: O esterno e as costelas não são perceptíveis e a gordura subcutânea forma uma massa adiposa pouco móvel. É difícil localizar a gordura esternal uma vez que se encontra misturada com as massas de gordura e músculo que cobrem as articulações condro-esternais e as costelas.
5	CABRA MUITO GORDA: A massa adiposa subcutânea deixa de ser móvel, os contornos do esterno são arredondados sem qualquer depressão lateral e o vazio sobre a última costela esternal está cheio. A gordura esternal não pode ser identificada nem localizada. Uma espessa massa de tecido, que cobre o esterno e as costelas, é sentida entre os dedos.

Figura 3: Descrição da nota de CC da região esternal

Recomendações técnicas

Os produtores necessitam de um método prático e simples que lhes permita avaliar as reservas corporais das cabras, a pontuação da CC é um bom indicador das reservas corporais das cabras num determinado momento. Desta forma, o produtor pode usar esta informação para actuar sobre o maneio alimentar do fato, suplementando as cabras magras e/ou restringindo as cabras gordas. Na Tabela 1, apresentamos os intervalos de CC (mínimos e máximo) recomendados para as fases do ciclo de produção.

Tabela 1: Intervalos de CC (mínimos e máximo) recomendados para as fases do ciclo de produção

Fase do ciclo de produção	CC lombar	CC esternal
No pico da lactação	2,25-3,00	2,75-3,50
Na secagem	2,50-3,00	3,00-3,50
Ao parto	2,50-3,00	2,75-3,50
Cobrição	2,25-2,75	2,75-3,25

Por fim, importa salientar que a avaliação da CC é uma operação de maneio essencial (Tabela 2), pelo que deve ser efectuada de forma regular ao longo do cilco de produção, bem como nos pontos chave do ciclo de produção, a saber:

Um mês antes da época de cobrição;
No final da gestação;
Após o pico de lactação;
Após a secagem;
Antes da colocação em pastoreio.

Tabela 2: Recomendação de maneio alimentar tem em consideração a nota de CC e o estádio fisiológico da cabra

Estádio fisiológico	CC lombar	CC esternal	Recomendações
200 dias de lactação	<2,25	<2,75	Recuperar as reservas corporais, suplementar as cabras com pelo menos 0,20 UFL/dia
	>2,75	>3,25	A dieta base deve cobrir as necessidades de manutenção, reduzir a distruibuição de alimento concentrado
Secagem	<2,50	<3,00	Reservas baixas para a próxima lactação, distribuir alimento concentrado até ao 4º mês de gestação (0,4 kg/dia)
	>3,00	>3,50	Cabras excessivamente gordas, reduzir a ingestão d alimento concentrado a 0,4 kg/dia e distribuir feno de boa qualidade
Ao parto	<2,50	>2,75	Reservas baixas, distribuir uma boa forragem como alimento base (>0,65 UFL/Kg MS) e manter o alimento concentrado abaixo de 50%
	>3,00	>3,50	Reservas importantes que podem ser mobilizadas, garantir a necessidades proteícas das cabras
Pico da lactação	<2,25	<2,5	Falta de reservas mobilizáveis, melhorar a alimentação das cabras (0,20 UFL/dia) para iniciar a recuperação das reservas corporais
	>3,00	>3,00	Reduzir a concentração energética da dieta

Referências Bibliográficas

Delfa R, Teixeira A, Gonzalez C, Gosalvez LF and Tor M 1995. Relationships between body fat depots, carcass composition, live weight and body condition scores in blanca celtibérica goats. In Etat corporel des brebis et chèvres: Aspects méthodologiques et application (ed. A. Purroy), Options méditerranéennes : Série a. Séminaires méditerranéens, pp. 25–33. CIHEAM, Zaragoza (Spain).

Jefferies BC 1961. Body condition scoring and its use in management. Tasmanian Journal of Agriculture 32, 19–21.

Morand-Fehr JP, Bas P, Sauvant D, Hervieu J and Chilliard Y 1986. Influence de la nature de l’aliment concentré sur le métabolisme des chèvres en fin de gestation et debut de lactation. Repr. Nutr. Dév. 26, 349–350.

Morand-Fehr PM and Hervieu J 1999. Apprécier l’état corporel des chèvres. Intérêt et méthode. La Chèvre 231, 22–25.

Russel AJF, Doney JM and Gunn RG 1969. Subjective assessment of body fat in live sheep. Journal of Agricultural Science (Cambridge) 72, 451–454.

Santucci PM and Maestrini O 1985. Body conditions in extensive systems of production: Method of estimation. Ann. Zootech. 34, 473–474.

Risk factors for sporadic listeriosis: A systematic review and meta-analysis

Fri, 17 Jul 2020 00:00:00 +0000

Behavior of Listeria monocytogenes in the presence or not of intentionally-added lactic acid bacteria during ripening of artisanal Minas semi-hard cheese

Fri, 10 Jul 2020 00:00:00 +0000

Topical Collection

Thu, 09 Jul 2020 00:00:00 +0000

Dear Colleagues,

Modern food science is supported by reliable research outcomes depicted or confirmed by data modelling and probability science. Although different types of models can be developed in food science, their objectives mostly revolve around explaining or representing physical, chemical, or biological phenomena in foods or food processes and/or estimating meaningful parameters that are necessary for simulation, prediction, control applications, or optimization/intervention strategies. The ever-growing computational resources available have stimulated the advances in food modelling. The modelling of food products and processes can vary in complexity, attending to factors such as the extent of knowledge on the inherent mechanisms and interactions to be described, the extent of uncertainty about food properties, and the intricacy of the dynamic processes/phenomena to be represented. In food science, models can be classified as inferential or predictive, static or dynamic, empirical or mechanistic, deterministic or stochastic, etc. This Topical Collection entitled “Food Modelling” seeks to gather work on new approaches and applications of modelling in diverse food science fields such as process development and optimization, food formulations, thermal and non-thermal processes, fermentation processes, safety and quality in the food chain, predictive microbiology and risk assessment, food control, heat and mass transfer in food engineering problems, sensory analysis, and chemometrics, among others. The Collection also welcomes submissions on the development of new meta-analysis methods and applications in food science, and the construction of open databases and/or software solutions.

Prof. Dr. Ursula Gonzales-Barron

Dr. Vasco Cadavez

Guest Editors

AgroStat2021: 16th Edition of the AgroStat Conference

Tue, 30 Jun 2020 00:00:00 +0000

Dear Colleagues,

The 16th Edition of the AgroStat Conference (AgroStat 2021) will be take place from the 8th to 11th June 2021 in the Polytechnic Institute of Bragança, and is organised by CIMO researchers, Vasco Cadavez and Ursula Gonzales-Barron, who act in the quality of Chairs of the event, alongside Pascal Schlich from the Centre des Sciences du Goût et de l’Alimentation (INRAE, France). Previous editions were held in France, Switzerland, Italy and Morocco.

AgroStat 2021 will bring together internationally recognised academic and industry representatives, to take stock of advances in data analysis for agro-sciences, including Sensometrics, Chemometrics, Experimental designs, Process control, Predictive Microbiology and Risk analysis, Meta-analysis, Big Data and Software tools. Abstracts submission is now open.

Vasco Cadavez

Ursula Gonzales-Barron

Strategy for systematic review of observational studies and meta-analysis modelling of risk factors for sporadic foodborne diseases

Thu, 25 Jul 2019 00:00:00 +0000

ArtiSaneFood

Thu, 27 Jun 2019 00:00:00 +0000

Fitting a reparameterised Gompertz growth model using R

Sun, 28 Apr 2019 21:13:14 -0500

Using the data set “gomp1.csv”, find the parameters of the reparameterised Gompertz model.

\[\begin{equation} y= y_0 + (y_{max} -y_0)*exp(-exp(k*(lag-x)/(y_{max}-y_0) + 1) ) \end{equation}\]

Import the data set.

dat <- read.csv("gomp1.csv", sep=";", header=T)
plot(dat$Time, dat$logN)

str(dat)
## 'data.frame':    13 obs. of  2 variables:
##  $ Time: int  0 2 4 6 8 10 12 14 16 18 ...
##  $ logN: num  -0.105 0.108 -0.111 0.734 2.453 ...

The next step is define the Gompertz function.

# Gompertz function
Gompertz <- function(x, y0, ymax, k, lag){
      result <- y0 + (ymax -y0)*exp(-exp(k*(lag-x)/(ymax-y0) + 1) )
      return(result)
      }

Check data by plot.

plot( logN ~ Time, data=dat, xlim=c(-1, 25), ylim=c(-1, 10))

Fit the model to data using the nls() funtion and extract the models parameters.

Gomp1 <-  nls(logN ~ Gompertz(Time, y0, ymax, k, lag),
               data = dat,
               start = list(y0=0.15, ymax=7, k=0.5, lag=3))
# ectract model parameters
coefs <- coef(Gomp1)
coefs
##          y0        ymax           k         lag 
## -0.02517334  9.60030027  2.78548012  5.88823263
y0   <- coefs[1]
y0
##          y0 
## -0.02517334
ymax <- coefs[2]
ymax
##   ymax 
## 9.6003
k   <- coefs[3]
k
##       k 
## 2.78548
lag <- coefs[4]
lag
##      lag 
## 5.888233

Now, plot the observed values against the fitted values.

time.levels <- seq(0, 24, by=0.1)
pred <- predict(Gomp1, list(x=time.levels) )
plot(logN ~ Time, data=dat, xlim=c(0,24), ylim=c(0, 10),
     main = "Fitted Gompertz model",
     sub = "Blue: fit; green: known")
lines(time.levels, Gompertz(time.levels,
                            y0 = y0, ymax = ymax, k = k, lag=lag), 
      lty = 1, col = "red")

Add the confidence interval to the line offitted values.

library(nlme)
library(twNlme)
Gomp11 <- gnls(logN ~ y0 + (ymax -y0)*exp(-exp(k*(lag-Time)/(ymax-y0) + 1) ),
              data = dat,
              start = list(y0=-0.025, ymax=9.5, k=2.7, lag=5.8))
Gomp11
## Generalized nonlinear least squares fit
##   Model: logN ~ y0 + (ymax - y0) * exp(-exp(k * (lag - Time)/(ymax - y0) +      1)) 
##   Data: dat 
##   Log-likelihood: -2.123991
## 
## Coefficients:
##          y0        ymax           k         lag 
## -0.02511771  9.60008391  2.78571200  5.88858202 
## 
## Degrees of freedom: 13 total; 9 residual
## Residual standard error: 0.3424286

# automatic derivation with accounting for residual variance model
nlmeFit <- attachVarPrep(Gomp11, fVarResidual=varResidPower)

newData <- data.frame( Time= seq(0,24,by=0.1))

resNlme <- varPredictNlmeGnls(Gomp11, newData)

# plotting prediction and standard errors
plot( logN ~ Time, dat, ylab="log CFU",
      xlim=c(0,24), ylim=c(-1, 10))
par(new=T)
plot( resNlme[,"fit"] ~ Time, newData, ylab="",
      type="l", xlim=c(0,24), ylim=c(-1, 10), lty="solid")
lines( resNlme[,"fit"]+resNlme[,"sdInd"] ~ Time, newData, 
       col="orange", lty="dashed"  )
lines( resNlme[,"fit"]-resNlme[,"sdInd"] ~ Time, newData, 
       col="orange", lty="dashed" )

EcoLamb

Sat, 27 Apr 2019 00:00:00 +0000

Fitting a first-order or loglinear growth model using R

Thu, 25 Apr 2019 21:13:14 -0500

The data set “FirstOrder.csv” contains observations of microbial concentrations (log N) measured at different times (t) at a given environmental condition. Lets fit a first-order growth kinetics model \(log N = log N_0 + k \times t\) to the experimental data.

Let’s import the “FirstOrder.csv” dataset, and observe the first five lines.

dat <- read.csv("FirstOrder.csv", sep=";", header=TRUE)
dat
##    Time        N
## 1     0   37.298
## 2     1   56.149
## 3     2   81.580
## 4     3  108.758
## 5     4  147.276
## 6     5  197.160
## 7     6  273.014
## 8     7  368.254
## 9     8  490.822
## 10    9  673.304
## 11   10  909.398
## 12   11 1204.429
## 13   12 1640.532
## 14   13 2218.299
## 15   14 2983.926
## 16   15 4033.458

Plot N against Time, and observe that the relationship between the two variables is non-linear.

plot(dat$Time, dat$N, xlab="Time (hours)", ylab="N (cells/g)")

Take the logarithm of the variable N and add the new variable logN in the data set.

dat$logN <- log10(dat$N)
dat[1:5,]
##   Time       N     logN
## 1    0  37.298 1.571686
## 2    1  56.149 1.749342
## 3    2  81.580 1.911584
## 4    3 108.758 2.036461
## 5    4 147.276 2.168132

Now plot logN against Time, and observe that they have now a linear relationship.

plot(dat$Time, dat$logN, xlab="Time (hours)", ylab="log N (cels/g)")

The first-order kinetics model is defined as Nt = N0*exp(k*t), then the log-linear model becomes ln(Nt) = ln(N0) + k*t. Fit a linear model using the lm() (linear models) function.

lm1 <- lm(logN ~ Time, data=dat)

The results can be summarised using the summary() fucntion.

summary(lm1)
## 
## Call:
## lm(formula = logN ~ Time, data = dat)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -0.052876 -0.006170  0.004664  0.011795  0.021331 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 1.6245612  0.0084968   191.2   <2e-16 ***
## Time        0.1328460  0.0009652   137.6   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.0178 on 14 degrees of freedom
## Multiple R-squared:  0.9993, Adjusted R-squared:  0.9992 
## F-statistic: 1.894e+04 on 1 and 14 DF,  p-value: < 2.2e-16

You can add fitted values to the original data set.

dat$fitted <- fitted(lm1)
dat[1:5,]
##   Time       N     logN   fitted
## 1    0  37.298 1.571686 1.624561
## 2    1  56.149 1.749342 1.757407
## 3    2  81.580 1.911584 1.890253
## 4    3 108.758 2.036461 2.023099
## 5    4 147.276 2.168132 2.155945

Plot the observations against time and superimpose a fitted line. First, extract the model’s parameters and use the model to draw a fitted line.

coefs <- coef(lm1)
coefs
## (Intercept)        Time 
##    1.624561    0.132846
logN0 <- coefs[1]
logN0
## (Intercept) 
##    1.624561
k <- coefs[2]
k
##     Time 
## 0.132846

Plot observed versus fitted values.

plot(dat$logN ~ dat$Time, data=dat,
     xlab="Time (hours)", ylab="log N (cells/g)")
time.levels <- seq(0, 20, by=1)
lines(time.levels, logN0 + k*time.levels, lty = 2, col = "blue")

A comparison of dynamic tertiary and competition models for describing the fate of Listeria monocytogenes in Minas fresh cheese during refrigerated storage

Tue, 01 Jan 2019 00:00:00 +0000

Classification of beef carcasses from Portugal using animal characteristics and pH/temperature decline descriptors

Tue, 01 Jan 2019 00:00:00 +0000

#Supplementary notes can be added here, including code and math.

Foodborne pathogens in raw milk and cheese of sheep and goat origin: A meta-analysis approach

Fri, 01 Sep 2017 00:00:00 +0000

Supplementary notes can be added here, including code and math.

O benestar animal como factor económico das produciones: A calidade ética dos produtos animais

Thu, 01 Sep 2011 00:00:00 +0000

Supplementary notes can be added here, including code and math.

Incorporation of Boletus edulis extract in beef burgers patties: preliminary evaluation of the antioxidant protective effects

Wed, 23 Jun 2010 00:00:00 +0000

Supplementary notes can be added here, including code and math.

Subcutaneous fat depth magnitude influences its measurement errors: A simulation study

Wed, 23 Jun 2010 00:00:00 +0000

Supplementary notes can be added here, including code and math.

Using multiple regression, neural networks and supprot vector machines to predict lamb carcasses composition

Wed, 23 Jun 2010 00:00:00 +0000

Supplementary notes can be added here, including code and math.

Biography

Mon, 01 Jan 0001 00:00:00 +0000

I was born in a small village of Trás-os-Montes, called Vale de Salgueiro with great traditions , known for producing the best olive oil and wine in the region. Until I entered the University, I grew up and lived in this rural environment, within a family of farmers with a long tradition in animal production. In fact, my generation interrupted the family tradition: farriers! In spite of not having followed the family craft, fruit of the transformations of the rural world in which animal traction lost importance in agriculture, this cultural heritage marked my passion for animal production.

Passion for animal production

The passion for animal production, corollary of my childhood experiences, lead me to my first degree in Animal Husbandry Engineering in 1993 at the University of Trás-Os-Montes e Alto Douro (UTAD), Vila Real – Portugal. The university environment awoke in me an enormous curiosity for the knowledge of the meat-producing animals and, therefore, for the scientific investigation. So, I joined the first Master’s course implemented at UTAD, and obtained my Master’s Degree in Animal Production with specialization in Feed and Nutrition in 1998. The research experience that I gained during the accomplishment of the Master’s project showed me clearly that I needed to give continuity to my scientific research activity. In 1995, I began teaching at the Higher Agricultural School of the Polytechnic Institute of Bragança, located in a mountainous region with a great tradition in the production of sheep meat, bovine meat and pig meat.

Research

The passion for animal production, scientific research and this framework of the region of Bragança were engines that prompt me to carry out my PhD studies on sheep carcass quality. Thus, I developed research work on carcass composition and quality using ultrasound, and I obtained my PhD degree in 2004. Currently, I’m a Professor in the Animal Science Department of the Agrarian School at the Polytechnic Institute of Braganza (ESA-IPB). I recently won the competition for Coordinating Professor in the same Department, where I am responsible for the teaching of Animal Breeding and Biotechnology Applied to Genetic Improvement. I’m also an active researcher at the Socio-Ecological Systems Group of the Mountain Research Center (CIMO), based at IPB. I’m an active member of the EAAP since 2000, when I first presented my research work on the annual conference at The Hague (The Netherlands). I really enjoy the EAAP annual meetings since I believe they embody a very privileged forum for the discussion of the animal production across Europe. Currently, I’m the CIMO team Coordinator of the European project ECOLAMB - Holistic Production to Reduce the Ecological Footprint of Meat, funded by ERA-NET; the co-coordinator of the project Sources of Sporadic Foodborne Diseases by Meta-analysis of Case-control Studies, subcontracted by ANSES; and the co-coordinator of the European project ArtiSaneFood - Innovative Bio-interventions and Risk Modelling Approaches for Ensuring Microbial Safety and Quality of Mediterranean Artisanal Fermented Foods, funded by PRIMA.

Expertise

Along with my professional work, I developed expertise in a wide range of mathematical and statistical modelling techniques. Thus, I have wide experience in robust, logistic and multiple regression analyses; multivariate analysis, general linear models, count data and zero-inflated models, linear and non-linear mixed models and meta-analysis, which I have employed in the fields of animal science, agriculture and food safety. I have recently expanded my knowledge to the use of differential equations, dynamic modelling and optimization in food microbiological safety applications. I’m also very knowledgeable in computer programming. Some of my current research interests are the applications Bayesian analysis, meta-analysis, dynamic modelling applied for meat quality, food safety and predictive modelling. I have academically supervised 15 students, have published over 45 peer-reviewed articles, have authored/edited 3 books, have written 18 book chapters, have presented at over 100 international conferences, and have given a number of workshops of statistical methods using the R software in Europe, USA and Latin America.

Hobbies

My favorite hobby has always been playing football, but I also enjoy travelling to discover people and cultures of the world, their traditional gastronomy and cultural heritage. I enjoy and I get a lot of satisfaction when I have the opportunity to teach dedicated students. Animal breeding and Genetic Diversity are two subjects that I enjoy the most when teaching, although, in recent years, I’ve had the opportunity to impart meta-analysis courses to undergraduate and graduate student in Portugal and abroad. Learning and transmitting knowledge feeds me with huge personal and professional satisfaction.