Live animal predictions of carcass components and marble score in beef cattle: model development and evaluation

Abstract

Until recently, beef carcass payment grids were predominantly based on weight and fatness categories with some adjustment for age, defined as number of adult teeth, to determine the price received by Australian beef producers for slaughter cattle. With the introduction of the Meat Standards Australia (MSA) grading system, the beef industry has moved towards payments that account for intramuscular fat (IMF) content (marble score (MarbSc)) and MSA grades. The possibility of a payment system based on lean meat yield (LMY, %) has also been raised. The BeefSpecs suite of tools has been developed to assist producers to meet current market specifications, specifically P8-rump fat and hot standard carcass weight (HCW). A series of equations have now been developed to partition empty body fat and fat-free weight into carcass fat-free mass (FFM) and fat mass (FM) and then into flesh FFM (FleshFFM) and flesh FM (FleshFM) to predict carcass components from live cattle assessments. These components then predict denuded lean (kg) and finally LMY (%) that contribute to emerging market specifications. The equations, along with the MarbSc equation, are described and then evaluated using two independent datasets. The decomposition of evaluation datasets demonstrates that error in prediction of HCW (kg), bone weight (BoneWt, kg), FleshFFM (kg), FleshFM (kg), MarbSc and chemical IMF percentage (ChemIMF%) is shown to be largely random error (%) in evaluation dataset 1, though error for ChemIMF% was primarily slope bias (%) in evaluation dataset 1, and BoneWt had substantial mean bias (%) in evaluation dataset 2. High modelling efficiencies of 0.97 and 0.95 for predicting HCW for evaluation datasets 1 and 2, respectively, suggest a high level of accuracy and precision in the prediction of HCW. The new outputs of the model are then described as to their role in estimating MSA index scores. The modelling system to partition chemical components of the empty body into carcass components is not dependent on the base modelling system used to derive empty body FFM and FM. This can be considered a general process that could be used with any appropriate model of body composition.

Abstracts from the Proceedings of the 33rd Biennial Conference of the Australian Association of Animal Sciences

“…The BeefSpecs drafting tool (Walmsley et al 2014; http://beefspecs.agriculture.nsw.gov.au/drafting) has been developed to assist producers manage cumulative risks associated with meeting market specifications [final P8 fat (mm) and hot standard carcass weight (kg)]. The enhanced BeefSpecs tool predicts lean meat yield, Meat Standards Australia (MSA) marbling and MSA index to assist producers make informed marketing decisions for emerging markets on live cattle before slaughter (McPhee et al 2020). The critical inputs are frame score, P8 fat and muscle score (MS).…”

Comparative Assessment of Meat Qualities of Purebred and Crossbred Kalmyk Bulls

“…The data of the lifetime evaluation of cattle will allow calculating the genetic parameters of the correlation and breeders will be able to choose animals that produce carcasses with a greater proportion of weight in more valuable carcass areas (Moore et al, 2017). The use of lifetime evaluation of animals to predict the future composition of carcasses allows producers to make informed management decisions before slaughter to increase profitability (McPhee et al, 2020).…”

Avaliação da precisão e acurácia de equações lineares e não lineares para predição do peso de carcaça quente de bovinos

“…Ainda é escassa a quantidade de pesquisas que desenvolveram equações para predição do PCar de bovinos. Dentre as equações encontradas durante a revisão da literatura, algumas apresentam limitações quanto a praticidade para utilização (Bozkurt et al, 2007;McPhee et al, 2020), enquanto que outras, utilizaram bancos de dados que não representam as características genéticas, sistema produtivo, e critérios de avaliação da carcaça de bovinos criados e abatidos no Brasil (Tatum et al, 2012;McPhee et al, 2020).…”

“…Porém, utilizar o GPD como único indicador de desempenho pode induzir a conclusões com alto potencial de serem equivocadas, afirmação que pode ser justificada pela diferença na composição corporal dos animais de acordo com o frame size, sexo, grupo genético e programa nutricional prévio ao confinamento (Fox e Black 1984;Owens et al 1993, Owens et al 1995, que por sua vez influencia a energia líquida de mantença dos animais e o GPD, como também, devido ao GPD ser composto por ganho de carcaça somado a órgãos e ao conteúdo ruminal (Tolley et al, 1988;Moreira, 2018). O empenho em pesquisas nesta última década demonstrou interesse no desenvolvimento de equações para predizer o PCar de bovinos de corte (Bozkurt et al 2007;Tatum et al, 2012;McPhee et al, 2020;Benedeti et al, 2021;Assis et al, 2022), porém, a maior parte destas equações não são adequadas para predizer PCar…”

“…de bovinos terminados em condições brasileiras, seja por efeito do grupo genético(Tatum et al, 2012;McPhee et al, 2020) ou complexidade para aplicação das equações(Bozkurt et al, 2007;McPhee et al, 2020).Benedeti et al (2021) e Assis et al (2022) desenvolveram equações para predizer o PCar de bovinos de corte a partir de um banco de dados experimentais e comerciais, composto por bovinos dos grupos genéticos Bos indicus e Bos indicus ˣ Bos taurus, e em condições experimentais brasileiras. Sendo assim, é inevitável que estas equações apresentem maior potencial para serem utilizadas como ferramentas no dia a dia quando comparadas a equações desenvolvidas nos trabalhos citados anteriormente, porém, para garantir que os resultados gerados por esses modelos sejam adequados, estas equações devem ser submetidas a análises que quantifiquem sua qualidade e precisão.…”