Beef quality management based on the continuum data from farmgate-to-meat: which statistical strategies for meat science metadata analyses?

dénommons ici métadonnées. Ces dernières n’ont pas fait l’objet d’exploitations approfondies en sciences animales, y compris dans la filière viande, en comparaison à d’autres disciplines. Nos travaux qui ont pour objectif le pilotage conjoint des propriétés des carcasses et des viandes bovines par les pratiques d’élevage, s’appuient sur les métadonnées du continuum allant de la phase d’élevage, d’abattage jusqu’aux qualités sensorielles de la viande bovine. Pour répondre à cet objectif nous avons mis en oeuvre plusieurs stratégies statistiques pour l’analyse de métadonnées issues d’expérimentations INRA caractérisant ce continuum de la ferme à la viande. Deux démarches ont été appliquées. La première a porté sur la prédiction des qualités des carcasses et de la viande à partir des pratiques d’élevage. La seconde a consisté en l’atteinte d’objectifs prédéfinis en termes de qualité sensorielle, en particulier la tendreté, à partir des pratiques d’élevage afin d’identifier des leviers d’action. Dans cette communication, nous illustrerons ces stratégies au travers de 2 exemples de résultats. Dans le premier exemple, nous avons créé des groupes de pratiques d’élevage, et observé en quoi ces groupes différaient en termes de qualités carcasse et viande. Pour cela nous avons appliqué une approche statistique se basant sur l’analyse en composantes principales (ACP) couplée à la classification k-means. Cette méthode a donné de meilleurs résultats en comparaison à l’ACP couplée à l’analyse de classification hiérarchique (CAH) ou partitionnement autours des médoïdes (PAM). A partir de 16 facteurs de pratiques d’élevage liés à la vie de l’animal dont la période de finition nous avons distingué grâce à l’ACP-k-means 3 groupes de typologie de pratiques d’élevage. Le deuxième exemple, utilisant le même jeu de données, a consisté à étudier l’apport de la régression PLS (ou analyse des moindres carrées partiels) combinée aux arbres de décision (méthode d’apprentissage supervisée) pour l’identification de variables importantes du continuum, afin de proposer une prédiction de classes de tendreté. Ainsi, l’ensemble de ces méthodes d’analyses de métadonnées permet de proposer aux différents acteurs de la filière des recommandations pour une gestion conjointe des propriétés des carcasses et des viandes recherchées.
Animal production experiments generate large numbers of individual data called metadata. However, these have not been extensively used in animal sciences including meat science compared to other disciplines. Therefore, our project intend to use meat science metadata that spread over the continuum, from farmgate-to-meat, to identify how can we jointly manage carcass and beef qualities using rearing practices applied during the whole life of the animals. To achieve this challenging objective, we implemented several statistical strategies to analyze the metadata of the continuum from farmgate-to-meat. In this paper, we will present two examples of our current results obtained using two different statistical approaches to analyze individual datasets from several INRA experiments. We implemented two strategies to analyze the continuum metadata. The first one consisted on beef qualities prediction using rearing practices. The second one consisted in achieving predefined objectives in terms of sensory quality, namely tenderness, using rearing practices in order to identify optimal management decisions for beef sector. The first example concerns an interesting statistical approach based on Principal Component Analysis (PCA) combined with the k-means clustering method after data standardization to create 3 groups of rearing practices. A dataset of 110 Rouge des Prés cows from different farms was used. For this, 16 rearing factors related to the animal's life and the finishing period were used to implement the ACP-k-means approach, which showed better results compared to PCA combined with hierarchical clustering analysis (HCA) and partitioning around medoids (PAM) to identify distinct groups of rearing practices. The second example explored the potential of chemometrics, based on partial least squares (PLS) combined with supervised learning methods (decision trees) for the identification of important variables from the continuum, using the first dataset of 110 Rouge des Prés cows to propose a prediction tool of tenderness. Overall, these statistical approaches showed the possibility to propose recommendations to take decision about the joint management of carcass and beef qualities to reach the targeted market specifications for both stakeholders and consumers.