《Animal Nutriomics》:Dynamic model of energy requirements for growing-finishing pigs from meta-analysis and its validation
编辑推荐:
摘要
通过Meta分析大型数据集制定精准、动态的生长育肥猪饲粮配方,可有效减少自由采食造成的饲料浪费,并遏制粪尿中营养素排泄所致的环境污染。本研究旨在通过模型拟合获得适用于生长育肥猪的动态饲粮配方,并验证其有效性。研究人员利用来自112项研究、523个处理的数
摘要
通过Meta分析大型数据集制定精准、动态的生长育肥猪饲粮配方,可有效减少自由采食造成的饲料浪费,并遏制粪尿中营养素排泄所致的环境污染。本研究旨在通过模型拟合获得适用于生长育肥猪的动态饲粮配方,并验证其有效性。研究人员利用来自112项研究、523个处理的数据,采用线性混合效应(LME)、贝叶斯岭回归(BRR)和随机森林回归(RFR)三种拟合模型,建立了生长育肥猪日消化能(DE)摄入量与体重(BW)之间的关系。经分析,LME为优化的动态模型。为验证其有效性,研究人员选取16头健康杜洛克×长白×约克夏杂交去势公猪,平均初始体重约85 kg,随机分为两组。Con组自由采食,Meta组采用LME模型限制饲喂。42天后,两组生长性能无显著差异。Meta组料重比和平均日采食量显著降低(P < 0.05),血清低密度脂蛋白胆固醇和天冬氨酸氨基转移酶水平显著降低(P < 0.05),有益肠道微生物群落丰度增加。LME模型作为源自Meta分析的精准动态饲喂配方,可有效控制采食量,同时提高营养素利用率和饲料效率,还能减轻环境污染并正向调节肠道微生物组成。
一、研究背景与问题提出
现代养猪生产体系以营养过量供给追求最大生长性能,这一做法导致大量营养素经粪尿排泄,造成日益受到全球关注的环境污染问题。饲料支出约占养猪生产总成本的60%–70%,其中能量和蛋白质原料是配方成本的主要构成因素。为优化畜牧生产的可持续性,生产者应采用数学模型量化营养素供给与猪生长性能之间的关系,从而以数据驱动的方式调整饲粮配方,在维持生产力的同时减少营养素排泄。目前广泛应用的猪能量需要参考标准包括美国国家研究委员会NRC(2012)指南和中国《猪饲养标准》(GB/T 29235-2020),两者均源于对实证研究结果的综合归纳。然而,鉴于过去数十年育种技术和饲养管理的进步,这些标准能否准确反映当前猪种的能量需要尚不明确。
Meta分析是一种对多个独立研究结果进行定量综合的统计方法,可增大样本量、增强结论可信度、减少主观影响。尽管Meta分析在动物科学领域的应用已从遗传研究扩展到营养干预、生产参数和饲喂策略等方面,但现有文献中针对生长育肥猪能量依赖性采食量调控的Meta分析研究仍较为缺乏。据研究人员所知,利用Meta分析预测育肥猪能量摄入量,并通过实际饲喂试验验证该预测对生长性能影响的研究十分有限。因此,本研究基于现有研究,采用Meta分析统计方法构建生长育肥猪体重(BW)与日消化能(DE)摄入量关系的数学模型,筛选最优模型以预测生长育肥猪的营养需要量,并评估基于该模型的精准饲喂方案对育肥猪生长性能、血清生化、抗氧化指标及肠道微生物结构的影响。
二、研究内容与主要结论
研究人员从2002至2024年间发表的中英文文献中,经系统检索和严格筛选,最终纳入112篇文章、523个处理的数据,建立Meta分析数据库。数据库涵盖猪的遗传背景、平均DE和粗蛋白(CP)摄入量、初始和最终体重及其平均值,以及平均日增重(ADG)、平均日采食量(ADFI)、料重比(F/G)和体长(BL)等生长性能指标。基于该数据库,研究人员分别采用线性混合效应(LME)、贝叶斯岭回归(BRR)和随机森林回归(RFR)三种模型拟合DE摄入量与BW之间的关系。结果表明,LME模型的拟合优度最高(R2 = 0.959),赤池信息准则和贝叶斯信息准则值最小,且与GB/T 29235-2020相比各体重阶段的预测差异百分比最小(平均1.63%),显著优于BRR(3.76%)和RFR(6.5%)。因此,LME模型被确定为最优动态模型。
为验证该模型的实际应用效果,研究人员选用16头健康杜洛克×长白×约克夏杂交去势公猪(平均初始体重约85 kg),随机分为自由采食的Con组和基于LME模型限制饲喂的Meta组,每组8头,单栏饲养,试验期42天。结果显示,两组间初始体重、最终体重、ADG、背膘增长和体长均无显著差异,但Meta组的F/G显著降低(P < 0.05),ADFI极显著降低(P < 0.0001)。血清生化分析显示,Meta组血清天冬氨酸氨基转移酶(AST)和低密度脂蛋白胆固醇(LDL-C)水平显著低于Con组(P < 0.05),其余指标无显著差异。抗氧化指标方面,两组血清乳酸脱氢酶(LDH)、丙二醛(MDA)和总抗氧化能力(T-AOC)无显著差异。Meta组总有机碳(TOC)表观消化率平均为86.45%,高于Con组的84.73%;粪样CP含量呈下降趋势(P = 0.0797)。肠道微生物分析显示,Meta组α多样性指数(Shannon、Richness、Simpson、Chao1)虽有所降低但未达显著水平;基于加权UniFrac距离的主坐标分析表明两组肠道微生物群落结构存在显著差异。在属水平上,Meta组中Clostridium_sensu_stricto_1、Lachnospira和Sarcina的相对丰度显著降低(P < 0.05),而Bacteroidales_RF16_group、Clostridium_sensu_stricto_6、Colidextribacter、Olsenella和Peptococcus的相对丰度显著升高(P < 0.05)。
三、主要技术方法
本研究采用的核心技术方法包括:其一,Meta分析数据库构建,研究人员从Web of Science、PubMed、Google Scholar及中国知网、万方和维普等中英文数据库检索2002至2024年文献,经四轮筛选最终纳入112项研究、523个处理,数据涵盖中国境内杜洛克、长白、大白及其杂交猪的生长性能和日粮能量蛋白摄入信息;其二,三种模型拟合与比较,即线性混合效应模型(以研究编号为随机效应、BW的二次多项式为固定效应)、贝叶斯岭回归模型(采用rstanarm包stan_glmer函数,马尔可夫链蒙特卡洛方法拟合)和随机森林回归模型(ranger包,500棵决策树,70%训练集与30%测试集划分);其三,动物饲养验证试验,选用16头杜洛克×长白×约克夏杂交去势公猪(初始体重约85 kg),随机分为自由采食对照组和模型限饲组,单栏饲养42天;其四,样品采集与分析,包括P2位点背膘超声测定、前腔静脉采血及血清生化与抗氧化指标检测、粪样TOC表观消化率测定(盐酸不溶灰分内源指示剂法)、16S rRNA基因V3-V4区扩增子测序(Illumina MiSeq/HiSeq平台)及肠道微生物群落结构分析。
四、研究结果
数据库与模型构建。 基于112篇文献、523个处理建立Meta分析数据库,描述性统计显示平均BW为67.32 kg(范围27.01–142.74 kg),平均DE摄入量为31.27 MJ/d。初步拟合曲线显示DE与BW呈非线性关系。LME模型中,二次多项式随机斜率模型的R2最大(0.959),AIC和BIC最小;BRR模型R2为0.927;RFR模型均方误差为7.95,R2为0.86。三种模型的残差和Q-Q图均显示良好拟合。与NRC(2012)和GB/T 29235-2020比较,LME模型在各体重阶段(25–50、50–75、75–100、100–120 kg)的DE摄入量预测差异百分比分别为0.74%、1.13%、2.95%和1.69%,平均差异最小,故确定LME为最优模型。
精准饲喂对生长性能的影响。 42天饲喂试验后,Meta组与Con组的初始和最终体重无显著差异,ADG、背膘增长和体长亦无显著变化,但Meta组F/G显著降低(3.36 vs. 3.90,P = 0.047),ADFI极显著降低(2.91 vs. 3.22 kg/d,P < 0.0001)。
对抗氧化能力、血清生化指标及TOC表观消化率的影响。 两组间血清LDH、MDA和T-AOC无显著差异。Meta组TOC表观消化率平均为86.45%,高于Con组的84.73%;粪样CP含量呈下降趋势(P = 0.0797)。Meta组血清AST和LDL-C水平显著低于Con组(P < 0.05),其余血清生化指标(ALT、ALP、Glu、Tcho、TP、CK、Urea、TG、HDL-C)无显著差异。
对肠道微生物的影响。 Con组和Meta组分别有2686和2685个独特ASV,共享1039个ASV(占16.2%)。Meta组α多样性指数(Shannon、Richness、Simpson、Chao1)有所降低但未达显著水平。基于加权UniFrac距离的PCoA显示两组肠道微生物群落结构显著分离。属水平上,Meta组中Clostridium_sensu_stricto_1、Lachnospira和Sarcina相对丰度显著降低(P < 0.05),Bacteroidales_RF16_group、Clostridium_sensu_stricto_6、Colidextribacter、Olsenella和Peptococcus相对丰度显著升高(P < 0.05)。
五、讨论与结论
讨论部分指出,基于Meta分析的LME模型精准饲喂实质上形成了一种限制饲喂方式,可在不显著影响育肥猪生长性能和背膘厚度的前提下降低ADFI并显著改善饲料效率,从而降低饲养成本。血清AST和LDL-C水平的降低表明精准饲喂不仅支持育肥猪正常的蛋白质和胆固醇代谢,还能改善肝脏健康,抑制过度脂肪沉积及相关代谢紊乱。肠道微生物方面,丰度显著增加的菌群大多对宿主健康有益,如Bacteroidales可调节宿主碳水化合物代谢并降低胰岛素抵抗,Colidextribacter可产生丁酸等短链脂肪酸并具有潜在益生作用;而丰度降低的菌群如Clostridium_sensu_stricto_1与肠道炎症和促炎细胞因子高表达正相关,Sarcina虽非致病菌但与胃溃疡和胃排空延迟相关。这些微生物丰度变化表明精准饲喂对维持育肥猪正常脂质和纤维代谢、保护肠道屏障完整性及缓解胃肠道炎症具有积极作用。研究人员同时指出,该模型基于85–120 kg体重范围的育肥猪数据验证,在此范围内的应用有据可依,对低于85 kg或高于120 kg的猪预测准确性尚未评估,外推使用时需谨慎;此外,由于原始研究对遗传背景和杂种优势效应报告不一致,该Meta分析未明确纳入这些因素,未来需利用详细遗传信息的研究进一步细化纯种与杂交猪营养需要量的估算。
结论。 本研究利用Meta分析拟合了生长育肥猪能量摄入需要的LME、BRR和RFR模型,其中LME模型拟合效果更佳。基于LME模型的精准饲喂与自由采食相比,可在不影响猪生长性能的前提下提高饲料效率、降低饲养成本,同时降低血清LDL-C和AST指标,并在一定程度上改善肠道微生物结构,对猪的肠道健康具有积极影响。这些发现表明该模型能够准确预测育肥猪的营养需要量,在优化饲粮配方以提高经济效益和减少养猪业环境污染方面具有潜在应用价值。