《Journal of Dairy Science》:Decoding individual dairy cow behavioral profiles through electronic feeder and drinker data
编辑推荐:
个体动物在采食、饮水和资源竞争方面的行为表现可能存在显著差异,然而目前大量数据分析仍依赖于群体水平的比较,这掩盖了这些个体差异。电子采食与饮水系统使得在群体内刻画个体行为特征成为可能。研究人员利用107头泌乳荷斯坦奶牛在207天内的追踪数据,从电子采食槽和饮水
个体动物在采食、饮水和资源竞争方面的行为表现可能存在显著差异,然而目前大量数据分析仍依赖于群体水平的比较,这掩盖了这些个体差异。电子采食与饮水系统使得在群体内刻画个体行为特征成为可能。研究人员利用107头泌乳荷斯坦奶牛在207天内的追踪数据,从电子采食槽和饮水槽数据中提取了16项行为变量,涵盖了常规指标(采食量与饮水量、采食与饮水时长、采食与饮水频次)以及非营养性访问、社会竞争(替换事件)和饲料质量指标(如到达时槽内剩余新鲜饲料的比例)等测量维度。贝叶斯混合效应模型量化了可重复性(个体间平均行为表达的差异)和可预测性(个体内一致性的个体间差异)。捕捉非营养性访问、社会竞争和饮水时长的变量表现出最大且最一致的个体间差异,而每日采食量则属于区分度最低的变量之一,提示个体可能通过不同策略趋同于相似的采食量。为识别行为特征类型,研究人员对最具可重复性和个体差异性的8项行为测量指标进行方差最大旋转的主成分分析,随后对旋转后的主成分采用k-means聚类分析。该分析产生了4种不同的行为特征类型:“频繁被替换型”奶牛(牛群中的大多数,在采食槽处频繁被替换)、“竞争获胜型”奶牛(发起多次替换且采食高效不间断)、“频繁饮水访问型”奶牛(全天多次长时间饮水访问)以及“碎片化采食型”奶牛(多次短时、中断的访问伴随频繁替换事件)。这些结果说明,电子采食与饮水系统的数据流可用于构建个体行为特征,而这些特征通过常规群体水平分析是无法显现的。该分析框架有助于研究人员识别在竞争性环境中饲养时最易受到负面影响的奶牛。为促进该框架在不同物种和系统中的推广应用,研究人员开发了moo4feed(https://www.skysheng.io/moo4feed/),这是一个开源R软件包,用于从电子采食与饮水数据中提取个体行为变量。
论文解读文章
一、研究背景与问题
动物个体在行为表达上存在显著差异,这一观点已日益成为家畜研究(Finkemeier et al., 2018;Schwanke and DeVries, 2025)和动物福利科学(Richter and Hintze, 2019)领域的重要研究视角。研究重心从群体转向个体,是因为相同的环境条件可能对不同的动物产生不同的影响,而动物福利最终关注的是个体而非群体的福祉状态(Winckler, 2019)。
在加拿大大多数奶牛生产系统中,泌乳奶牛采用集约化群养方式,饲喂每日一次或两次的全混合日粮(total mixed ration, TMR)(DeVries et al., 2003)。牧场通常通过精准饲喂和优化干物质采食量(dry matter intake, DMI)来最大化产奶量,但对于群养奶牛而言,DMI在很大程度上取决于个体奶牛在采食槽处的行为表现,而这种行为又受到环境、管理、健康状态和群体内社会动态的共同塑造(Grant and Albright, 1995)。过度饲养和重新分群等集约化系统常见做法会提高竞争水平,增加奶牛在采食槽处相互替换的频率(Huzzey et al., 2006;von Keyserlingk et al., 2008),进而改变个体奶牛的采食量、采食时间和采食位置(Crossley et al., 2017)。不同个体间的采食行为存在差异(Neave et al., 2018),动物会发展出不同的应对社会和环境压力的策略(Foris et al., 2021)。例如,有些奶牛持续替换其他奶牛以获得新鲜饲料,有些则反复被替换并在安静时段采食。这些行为策略而非单纯的采食量,可能更适合用于区分群体内的个体。
在个体水平上监测行为并将其转化为有意义的行为特征类型,历来十分困难。采食槽处的替换行为通常通过现场观察或视频编码来捕捉(Phillips and Rind, 2001;F?revik et al., 2010;Huzzey et al., 2012),这种方法劳动强度大且需要培训以达到可接受的观察者内和观察者间信度(Huzzey et al., 2014)。传统的人格和行为评估方法往往依赖隔离动物个体来探究其选择和动机(Dawkins, 2021),但动物单独时的行为表现与其在群体中的行为可能大不相同。相比之下,传感器衍生的测量能够在畜舍环境中连续自动地记录行为,减少了人工观察的劳动和主观性,同时监测动物在群体同伴中的行为(Carslake et al., 2022a;Setser et al., 2024a)。
这种向连续自动化监测的转变推动了畜牧养殖中数字表型分析的发展。数字表型分析(digital phenotyping)是指利用多种传感器数据连续追踪动物可观察的行为变量,以评估个体水平的健康与福利状况。该方法起源于人类医学领域,通过手机和可穿戴技术的数据来刻画个体行为和社会互动,以监测心理健康并预警抑郁或焦虑等早期症状(Onnela and Rauch, 2016;Boer et al., 2023)。借鉴人类医学的成功经验,已有学者提出数字表型分析同样可用于评估集约化系统中个体动物的自然行为表达、身体健康和情感状态(Bresolin & Dórea, 2020;Brito et al., 2020;Pacheco et al., 2025)。
电子采食系统的数据可能非常适合此类数字表型分析和自动化行为特征刻画。例如,Insentec粗饲料采食控制系统(Roughage Intake Control, RIC)已通过验证(Chapinal et al., 2007),并在全球多个研究机构使用。这些系统的主要目的是监测采食量,但每次访问都会自动记录其位置、开始时间和持续时间(Neave et al., 2018)。研究人员已从这些数据中衍生出额外行为指标,包括采食槽处的替换行为(Huzzey et al., 2014)、支配关系(Sheng et al., 2024)和同步采食(Foris et al., 2021)等。
近期研究已开始将多水平建模应用于动物数据记录器的纵向数据流(Hertel et al., 2020),以量化行为类型(个体行为的平均表达)、可重复性(一致的个体间差异)和可预测性(个体内一致性的个体间差异)(Carslake et al., 2022b;Occhiuto et al., 2022;Thomas et al., 2024)。然而,这些研究大多优先关注从颈挂式传感器获取的每日采食时长等简单指标。电子采食系统的原始数据包含更多信息,包括采食槽沿线的饲料可用性随时间的变化、奶牛相对于饲料可用性选择采食的时间和地点、奶牛是否在未消耗饲料的情况下访问采食区域(非营养性访问),以及奶牛在一餐内切换采食槽的频率。这些指标可能捕捉到每日行为摘要无法反映的个体采食和社会策略的某些方面。
迄今为止,尚不存在全面且易于使用的框架来从电子采食和饮水系统原始数据中提取这些更高分辨率的行为变量。能够自动化提取这些变量的框架将允许在群体内常规性地刻画个体动物。不同实验室之间的数据清洗方法也存在差异,且很少以可重复使用的形式共享,这限制了跨研究的可重复性和这些指标在奶牛研究中的常规应用(Wilkinson et al., 2016)。
二、研究内容与结论
本研究的主要目的是量化奶牛采食和社交行为在个体水平上的一致性和个体间差异;研究人员利用可重复性和可预测性来识别哪些行为对刻画个体差异最具信息量。次要目的是基于最一致的个体间差异识别不同的行为特征类型,并展示这些指标如何刻画牛群内存在的采食和社会策略。为促进该方法在不同技术背景研究者中的广泛应用和可重复性,研究人员开发了moo4feed,这是一个易于使用的开源R软件包,可处理电子采食和饮水系统原始数据并提取标准及更高分辨率的行为变量。
三、关键技术方法
研究数据来自先前研究(Sheng et al., 2024),使用159头泌乳荷斯坦奶牛(12头初产,147头经产;胎次=3.0±1.1),于2020年7月至2021年5月在加拿大不列颠哥伦比亚大学(University of British Columbia, UBC)Agassiz乳品教育与研究中心采集。奶牛饲养于48头动态群体中,圈舍配备48个沙床卧床、30个电子采食槽和5个电子饮水槽(Insentec系统)。研究人员开发了开源R软件包moo4feed,支持5个分析模块:(1)数据处理、配置和质量控制;(2)替换行为检测;(3)非营养性访问检测;(4)饲料可用性估计;(5)餐次聚类。主要技术方法包括:基于Huzzey et al.(2014)验证算法识别替换事件;以0.5 kg校准误差阈值判定非营养性访问;通过≥3个槽在1小时内起始重量增加≥5 kg自动识别饲喂事件;采用基于密度的聚类算法DBSCAN进行餐次聚类,通过2组分高斯混合模型(Gaussian Mixture Model, GMM)推导餐次标准(21.16 min);使用贝叶斯混合效应模型(brms R软件包)量化可重复性和可预测性;采用主成分分析(principal component analysis, PCA)结合方差最大旋转和k-means聚类识别行为特征类型。
四、研究结果
数据清洗与筛选结果: 从159头奶牛306天的14,728个奶牛-日数据出发,经过个体水平和群体水平的多层次严格排除(健康事件、跛行、发情、技术故障、重新分群等),最终107头奶牛在207天内贡献了6,226个奶牛-日数据,每头奶牛观测10至130天。
可重复性与可预测性分析结果: 对16项行为变量分别拟合贝叶斯混合效应模型,以奶牛身份为随机截距,以泌乳天数(days in milk, DIM)、胎次、日均温湿指数(temperature-humidity index, THI)和日历月二次多项式为固定效应。通过可重复性(R)和个体变异系数(CVi)两个指标量化个体间差异。结果显示,捕捉非营养性访问、社会竞争和饮水时长的变量表现出最大且最一致的个体间差异,而每日采食量属于区分度最低的变量之一,表明个体可能通过不同策略趋同于相似的采食量。
行为特征类型识别结果: 基于8个最具可重复性和个体差异性的行为测量指标,进行方差最大旋转的主成分分析,随后对旋转后的主成分采用k-means聚类,识别出4种不同的行为特征类型:(1)“频繁被替换型”奶牛——牛群中的大多数,在采食槽处频繁被替换;(2)“竞争获胜型”奶牛——发起多次替换且采食高效不间断;(3)“频繁饮水访问型”奶牛——全天多次长时间饮水访问;(4)“碎片化采食型”奶牛——多次短时、中断的访问伴随频繁替换事件。
五、讨论与结论
本研究结果表明,电子采食与饮水系统的数据流可用于构建个体行为特征类型,而这些特征通过常规群体水平分析是无法显现的。该分析框架有助于研究人员识别在竞争性环境中饲养时最易受到负面影响的奶牛。为促进该方法在不同物种和系统中的推广应用,研究人员开发了moo4feed开源R软件包,可从电子采食与饮水数据中提取个体行为变量。该框架支持在群体内常规性地刻画个体动物,为个体化行为监测提供了实用工具。