动物营养学报 >

2024 , Vol. 36 >Issue 5: 3296 - 3305

DOI: https://doi.org/10.12418/CJAN2024.282

研究论文

基于体外仿生消化法构建不同来源玉米、高粱原料的鸡有效能预测模型

  • 白国松 , 1 ,
  • 李凯 1 ,
  • 严鸿林 2 ,
  • 周建川 3 ,
  • 马腾 1 ,
  • 钟儒清 , 1, * ,
  • 陈亮 1
展开
  • 1 中国农业科学院北京畜牧兽医研究所,畜禽营养与饲养全国重点实验室,北京 100193
  • 2 西南科技大学生命科学与工程学院,绵阳 621010
  • 3 铁骑力士食品有限责任公司,绵阳 621010
* 钟儒清,助理研究员,E-mail:

白国松(1999—),男,山东德州人,硕士研究生,从事动物营养与饲料研究。E-mail:

Office editor: 陈鑫

收稿日期: 2023-10-10

  网络出版日期: 2024-05-15

基金资助

中央级公益性科研院所基本科研业务费专项(23-YWF-ZX-03)

现代农业产业技术体系专项资金(CARS-41)

收起

Predictive Models for Chicken Effective Energy Using an in Vitro Simulated Digestion Method Applied to Corn and Sorghum from Different Sources

  • BAI Guosong , 1 ,
  • LI Kai 1 ,
  • YAN Honglin 2 ,
  • ZHOU Jianchuan 3 ,
  • MA Teng 1 ,
  • ZHONG Ruqing , 1, * ,
  • CHEN Liang 1
Expand
  • 1 State Key Laboratory of Animal Nutrition and Feeding, Institute of Animal Science, Chinese Academy of Agricultural Sciences, Beijing 100193, China
  • 2 School of Life Science and Engineering, Southwest University of Science and Technology, Mianyang 621010, China
  • 3 Techlex Food Co., Ltd., Mianyang 621010, China
* assistant professor, E-mail:

Received date: 2023-10-10

  Online published: 2024-05-15

Fold

摘要

本试验旨在以不同来源的玉米、高粱原料为试验材料,利用单胃动物仿生消化系统(SDS)测定玉米和高粱原料的酶水解物能值(EHGE),并结合前期研究测定的鸡表观代谢能(AME)和真代谢能(TME),建立基于EHGE的AME及TME预测模型。本试验采用单因素完全随机设计,利用SDS分别测定5种不同来源的玉米原料和5种不同来源的高粱原料的体外干物质消化率(IVDMD)、体外总能消化率(IVGED)及EHGE。本试验参照的鸡AME和TME值为前期使用同批次原料,以健康体成熟的海兰褐公鸡通过自由采食法结合全收粪法测定所得。结果表明:1)不同来源玉米的IVDMD、IVGED和EHGE存在显著差异(P<0.05),其中2号玉米的IVDMD、IVGED和EHGE分别为75.12%、80.89%和15.19 MJ/kg DM,显著高于1号玉米(P<0.05)。2)不同来源高粱的IVDMD、IVGED和EHGE存在显著差异(P<0.05),其中5号高粱的IVDMD、IVGED和EHGE最高,分别为79.28%、85.15%和15.73 MJ/kg DM,而2号高粱的IVDMD、IVGED和EHGE最低,分别为55.93%、58.28%和10.72 MJ/kg DM。3)高粱的EHGE与AME和TME之间存在显著的正相关(P<0.05),玉米的EHGE与AME和TME之间的相关系数均为0.80。4)基于EHGE建立的玉米和高粱AME预测模型分别为:AME=7.62+0.57×EHGE[R2=0.64,相对标准偏差(RSD)=0.11,P=0.11]、AME=10.03+0.31×EHGE(R2=0.80,RSD=0.38,P=0.04);基于EHGE建立的玉米和高粱的TME预测模型分别为:TME=7.58+0.58×EHGE(R2=0.64,RSD=0.11,P=0.10)、TME=9.98+0.33×EHGE(R2=0.89,RSD=0.28,P=0.02)。由此可见,不同来源的玉米和高粱的EHGE差异明显,在本试验条件下高粱原料的EHGE与AME和TME之间存在较强的相关关系,使用SDS对高粱原料的AME和TME有更好的预测性。

关键词： 仿生消化法; 玉米; 高粱; 有效能; 鸡

本文引用格式

白国松 , 李凯 , 严鸿林 , 周建川 , 马腾 , 钟儒清 , 陈亮 . 基于体外仿生消化法构建不同来源玉米、高粱原料的鸡有效能预测模型[J]. 动物营养学报, 2024 , 36(5) : 3296 -3305 . DOI: 10.12418/CJAN2024.282

Abstract

The objective of this experiment was to evaluate the enzymatic hydrolysate gross energy (EHGE) of corn and sorghum from different sources using a simulated digestion system (SDS) designed for monogastric animals. This study aimed to develop predictive models for apparent metabolizable energy (AME) and true metabolizable energy (TME) utilizing EHGE values, in conjunction with the AME and TME data obtained from chickens in prior research. The investigation employed a completely randomized design to examine five different sources of corn and sorghum. The in vitro dry matter digestibility (IVDMD), in vitro gross energy digestibility (IVGED), and EHGE for each sample were determined using the SDS. The AME and TME values from a previous study, which used the same batches of raw materials to conduct tests on healthy and mature Hy-Line brown roosters, served as reference points. The results showed as follows: 1) there were significant differences in IVDMD, IVGED, and EHGE among different sources of corn (P<0.05). Corn No. 2 exhibited significantly higher IVDMD, IVGED, and EHGE than corn No. 1 at 75.12%, 80.89%, and 15.19 MJ/kg DM, respectively. 2) Similarly, significant differences were observed in IVDMD, IVGED, and EHGE among different sources of sorghum (P<0.05). Sorghum No. 5 demonstrated the highest values for IVDMD, IVGED, and EHGE at 79.28%, 85.15%, and 15.37 MJ/kg DM, respectively, while sorghum No. 2 exhibited the lowest values at 55.93%, 58.28%, and 10.72 MJ/kg DM, respectively. 3) A significant positive correlation was observed between EHGE and AME (P<0.05), as well as between EHGE and TME for sorghum. The correlation coefficients between EHGE and AME, or between EHGE and TME, for corn were both 0.80. 4) The prediction models for corn and sorghum AME based on EHGE were as follows: AME=7.62+0.57× EHGE [R2=0.64, residual standard deviation (RSD)=0.11, P=0.11] for corn, and AME=10.03+0.31×EHGE (R2=0.80, RSD=0.38, P=0.04) for sorghum. The prediction models for corn and sorghum TME based on EHGE were as follows: TME=7.58+0.58×EHGE (R2=0.64, RSD=0.11, P=0.10) for corn, and TME=9.98+0.33×EHGE (R2=0.89, RSD=0.28, P=0.02) for sorghum. In conclusion, the evaluated values of EHGE for corn and sorghum from different sources show significant variance. There is a notable correlation between AME and EHGE, as well as between TME and EHGE for sorghum feedstocks when tested under the specific conditions of this study. Moreover, the application of the simulated digestion method in this research appears to enhance the predictability of both AME and TME for sorghum feedstocks.

Key words： simulated digestion method; corn; sorghum; effective energy; chicken

“精准营养”是畜牧业未来的发展趋势,推广“精准营养”技术可降低饲料成本,减轻养殖环保压力,提升畜产品品质,推动畜牧业、饲料工业绿色可持续发展[1]。而不同来源和品种的原料其有效能存在差异[2-3],因此要实现“精准营养”首先要准确测定各类原料的有效养分含量,实现精准配方。动物代谢试验是研究中最常用的手段,然而动物代谢试验周期长、费时费力,不能实现“先测后配”,因此有必要探索并建立快速、经济的饲料原料有效能值评定方法[4-5]。目前,常见快速预测饲料原料有效能值的方法有:基于化学成分的预测模型[6]、近红外光谱法(near infrared spectrometry, NIRS)[7]、体外酶解法等[8]。化学成分法常用的预测因子有总能(GE)、粗蛋白质(CP)、粗脂肪(EE)、粗纤维(CF)、酸性洗涤纤维(ADF)和中性洗涤纤维(NDF)等,但预测因子为绝对的养分含量而非可消化的养分含量,因此加工方式和抗营养因子对能量利用的影响未考虑在内[4]。NIRS是一种绿色、非破坏性的快速预测方法,但建立NRIS预测模型成本昂贵且需要准确持续的校准,预测质量依赖于校正值的准确性和重复性,使用时还需考虑饲料的颗粒密度等物理因素[9]。体外酶解法包括一步酶解、两步酶解和三步酶解,即分别模拟胃、胃-小肠和胃-小肠-大肠的消化,早期体外酶解多以三角瓶作为消化反应容器,并人工加酶,易造成系统误差,同时整个消化过程在三角瓶中发生,与动物消化吸收生理过程不符,消化产物可能会对酶活性产生抑制作用[10]。单胃动物仿生消化系统(simulated digestion system, SDS)由电脑程控系统模拟饲粮在单胃动物体内的消化过程,避免了三角瓶法测值的弊端,所测饲料原料生物学效价与动物试验法有较强的相关性,可用于快速评定饲料原料的养分效价[11⇓-13]。因此,本研究利用SDS测定玉米、高粱原料的酶水解物能值(enzymatic hydrolysate gross energy, EHGE),并结合前期测定的鸡玉米、高粱的表观代谢能(AME)和真代谢能(TME)建立基于EHGE的AME和TME预测模型,以期丰富快速评定玉米、高粱有效能的方法。

1 材料与方法

1.1 试验原料

本试验所用原料由四川某食品有限责任公司和天津某生物科技有限公司提供,包括5种玉米和5种高粱,采用四分法取样后用粉碎机粉碎并过60目筛,充分混合均匀,贮存于样品瓶中-20 ℃保存备用。原料来源及养分含量见表1。
表1 原料来源及养分含量

Table 1 Source and nutrient contents of ingredients

原料
Ingredients		 编号
No.		 产地
Source		 干物质
DM/%		 粗蛋
白质
CP/
% DM		 粗脂肪
EE/
% DM		 粗灰分
Ash/
% DM		 中性洗
涤纤维
NDF/
% DM		 酸性洗
涤纤维
ADF/
% DM		 总能
GE/
(MJ/kg
DM)		 单宁
Tannins/
% DM
玉米
Corn		 1 海南 87.91 11.17 4.49 1.68 14.39 3.12 18.75
2 新疆 88.36 11.18 4.59 1.61 12.69 3.03 18.75
3 河北 87.84 8.77 4.35 1.21 11.86 2.94 18.62
4 宁夏 87.08 8.73 3.59 1.49 11.53 2.63 18.48
5 新疆 87.08 8.31 4.52 1.30 11.40 2.63 18.55
平均值Mean 87.65 9.63 4.31 1.46 12.37 2.87 18.63
变异系数CV/% 0.64 14.75 9.52 13.86 9.96 7.94 0.65
高粱
Sorghum		 1 美国 87.36 10.15 3.14 1.57 18.02 5.25 18.51 0.21
2 山西 87.03 9.24 2.41 1.77 20.79 9.79 18.67 3.53
3 河北 88.03 10.37 3.82 1.99 17.33 8.01 18.64 1.36
4 河北 87.65 10.92 3.38 2.01 20.74 7.90 18.77 2.78
5 山西 88.76 10.67 3.97 1.57 14.36 4.38 18.27 0.18
平均值Mean 87.77 10.27 3.34 1.78 18.25 7.07 18.57 1.61
变异系数CV/% 0.76 6.29 18.48 12.11 14.66 31.23 1.03 93.72

1.2 试验设计

试验采用单因素完全随机设计,分别测定上述5种来源的玉米原料和5种来源的高粱原料的体外干物质消化率(in vitro dry matter digestibility, IVDMD)、体外总能消化率(in vitro gross energy digestibility, IVGED)和EHGE,每个样品处理设置5个重复,每个重复1根体外仿生消化管进行体外仿生消化操作,比较不同来源对玉米和高粱原料的IVDMD、IVGED和EHGE的影响。
本试验参考使用的鸡AME和TME值为本实验室前期使用同批次原料的检测值[14],该动物试验使用的是25周龄健康体成熟的海兰褐公鸡,采用自由采食结合全收粪法测定所得。

1.3 测定指标及方法

1.3.1 常规指标测定方法

原料及仿生消化残渣的DM、CP、EE、Ash、NDF和ADF的含量分别参照GB/T 6435—2014、GB/T 6432—1994、GB/T 6433—2006、GB/T 6438—2007、GB/T 20806—2006和NY/T 1459—2007的方法进行测定,高粱原料单宁含量参照GB/T 27985—2011的方法进行测定,原料的GE使用Parr 6400全自动氧弹量热仪测定。

1.3.2 IVDMD、IVGEDH和EHGE测定方法

5种来源玉米原料和5种来源高粱原料的IVDMD、IVGED和EHGE测定参照文献[12,15-16]关于SDS测定鸡饲料EHGE技术规程进行,仪器设置等参照《单胃动物仿生消化系统操作手册》[13],使用畜禽营养与饲养全国重点实验室研发的SDS-Ⅱ测定鸡全消化道的IVDMD、IVGED和EHGE,计算公式如下:
IVDMD(%)=[上样样品重量(kg DM)-
消化残渣重量(kg DM)]/
[上样样品重量(kg DM)×0.01];
IVGED(%)=[上样样品GE(MJ)-
消化残渣GE(MJ)]/
[上样样品GE(MJ)×0.01];
EHGE(MJ/kg DM)=[饲料GE(MJ)-
消化残渣GE(MJ)]/
上样样品重量(kg DM)。

1.4 数据统计分析

使用SAS 9.4的MEANS模块对基本统计量进行分析,ANOVA模块对数据进行方差分析,以Duncan氏法进行多重比较,使用CORR模块进行回归分析,使用REG模块进行线性回归。以P<0.05为差异显著判断标准,以P<0.01为差异极显著判断标准,结果以平均值表示。

2 结果与分析

2.1 不同来源玉米的IVDMD、IVGED和EHGE

由表2可知,5种玉米IVDMD、IVGED和EHGE的平均值分别为74.41%、79.73%和14.78 MJ/kg DM,变异系数(CV)分别为0.68%、0.99%及1.56%。5种玉米的IVDMD、IVGED和EHGE均存在显著差异(P<0.05),其中1号玉米的IVDMD、IVGED和EHGE最低,分别为73.71%、78.92%和14.66 MJ/kg DM,2号玉米的IVDMD、IVGED和EHGE最高,分别为75.12%、80.89%和15.19 MJ/kg DM。
表2 不同来源玉米的IVDMD、IVGED和EHGE (干物质基础)

Table 2 IVDMD, IVGED and EHGE of corn from different sources (DM basis)

项目
Items		 体外干物质消化率
IVDMD/%		 体外总能消化率
IVGED/%		 酶水解物能值
EHGE/(MJ/kg DM)		 表观代谢能
AME/(MJ/kg)		 真代谢能
TME/(MJ/kg)
编号No.
1 73.71b 78.92c 14.66b 15.96bc 16.08bc
2 75.12a 80.89a 15.19a 16.23a 16.36a
3 74.29ab 79.19c 14.68b 15.82c 15.95c
4 74.37ab 80.11ab 14.66b 15.91bc 16.03bc
5 74.54a 79.55bc 14.71b 16.11ab 16.24ab
平均值Mean 74.41 79.73 14.78 16.01 16.13
最小值Minimum 73.71 78.92 14.66 15.82 15.95
最大值Maximum 75.12 80.89 15.19 16.23 16.36
变异系数CV/% 0.68 0.99 1.56 1.02 1.03
P值P-value 0.025 0.001 <0.001 0.009 0.004

AME和TME数据引自李凯等[14]。同列数据肩标不同字母表示差异显著(P<0.05)。表3同。

AME and TME data are quoted from Li et al.[14]. Values with different letter superscripts in the same column differ significantly (P<0.05). The same as Table 3.

2.2 不同来源高粱的IVDMD、IVGED和EHGE

由表3可知,5种高粱IVDMD、IVGED和EHGE的平均值分别为68.60%、72.40%和13.40 MJ/kg DM,CV分别为14.17%、15.64%及15.71%。5种高粱的IVDMD、IVGED和EHGE均存在显著差异(P<0.05),其中2号高粱的IVDMD、IVGED和EHGE最低,分别为55.93%、58.28%和10.72 MJ/kg DM,5号高粱的IVDMD、IVGED和EHGE最高,分别为79.28%、85.15%和15.73 MJ/kg DM。
表3 不同来源高粱的IVDMD、IVGED和EHGE (干物质基础)

Table 3 IVDMD, IVGED and EHGE of sorghum from different sources (DM basis)

项目
Items		 体外干物质消化率
IVDMD/%		 体外总能消化率
IVGED/%		 酶水解物能值
EHGE/(MJ/kg DM)		 表观代谢能
AME/(MJ/kg)		 真代谢能
TME/(MJ/kg)
编号No.
1 75.51b 81.07b 15.04b 14.27 14.69
2 55.93e 58.28e 10.72e 13.43 13.59
3 70.81c 73.71c 13.64c 14.10 14.22
4 61.49d 63.81d 11.86d 13.79 13.94
5 79.28a 85.15a 15.73a 15.37 15.48
平均值Mean 68.60 72.40 13.40 14.19 14.38
最小值Minimum 55.93 58.28 10.72 13.43 13.59
最大值Maximum 79.28 85.15 15.73 15.37 15.48
变异系数CV/% 14.17 15.64 15.71 5.16 5.10
P值P-value <0.001 <0.001 <0.001 0.481 0.636

2.3 5种不同来源玉米营养成分含量、体外消化指标与有效能的相关性分析

由表4可知,玉米的AME和TME与EHGE之间的相关系数均为0.80;DM含量与ADF含量和GE之间存在显著正相关(P<0.05),与IVGED之间存在极显著正相关(P<0.01);GE与CP、ADF含量和IVGED之间存在显著正相关(P<0.05);ADF含量与IVGED之间存在显著正相关(P<0.05)。
表4 玉米原料营养成分含量、IVDMD、IVGED、EHGE、AME与TME相关性分析

Table 4 Correlation analysis between nutrient contents, IVDMD, IVGED, EHGE, AME and TME of corn

项目
Items		 干物质
DM		 粗蛋
白质
CP		 粗脂肪
EE		 粗灰分
Ash		 中性洗
涤纤维
NDF		 酸性洗
涤纤维
ADF		 总能
GE		 体外
干物质
消化率
IVDMD		 体外
总能
消化率
IVGED		 酶水解
物能值
EHGE		 表观
代谢能
AME
干物质DM
粗蛋白质CP 0.82
粗脂肪EE 0.59 0.45
粗灰分Ash 0.42 0.85 0.05
中性洗涤纤维NDF 0.61 0.87 0.41 0.76
酸性洗涤纤维ADF 0.91* 0.85 0.57 0.51 0.85
总能GE 0.91* 0.91* 0.74 0.57 0.83 0.95*
体外干物质消化率
IVDMD		 0.22 0.00 0.15 -0.10 -0.49 -0.20 -0.01
体外总能消化率
IVGED		 0.99** 0.76 0.60 0.33 0.59 0.92* 0.89* 0.16
酶水解物能值
EHGE		 0.68 0.56 0.43 0.37 0.10 0.35 0.54 0.82 0.60
表观代谢能AME 0.29 0.42 0.51 0.39 0.07 0.06 0.37 0.70 0.19 0.80
真代谢能TME 0.30 0.40 0.53 0.36 0.05 0.06 0.37 0.71 0.20 0.80 1.00

*表示显著相关(P<0.05),**表示极显著相关(P<0.01)。表5同。

*represented significant correlation (P<0.05),**represented extremely significant correlation (P<0.01). The same as Table 5.

2.4 5种不同来源高粱营养成分含量、体外消化指标与有效能的相关性分析

由表5可知,高粱的EHGE与AME和TME之间存在显著正相关(P<0.05);DM与EE含量和AME之间存在显著正相关(P<0.05);NDF含量与IVDMD、IVGED、EHGE、AME和TME之间均存在显著负相关(P<0.05),与GE之间存在显著正相关(P<0.05);ADF含量与IVDMD、IVGED、EHGE、AME和TME之间均存在显著负相关(P<0.05),与单宁含量之间存在显著正相关(P<0.05);单宁含量与IVDMD、IVGED和EHGE之间存在极显著负相关(P<0.01),与TME之间存在显著负相关(P<0.05);IVDMD与IVGED和EHGE之间存在极显著正相关(P<0.01),与AME和TME之间存在显著正相关(P<0.05);IVGED与EHGE之间存在极显著正相关(P<0.01),与AME和TME之间存在显著正相关(P<0.05);AME和TME与GE之间均存在显著负相关(P<0.05),与EHGE之间均存在显著正相关(P<0.05),TME与AME之间存在极显著正相关(P<0.01)。
表5 高粱原料营养成分含量、单宁含量、IVDMD、IVGED、EHGE、AME与TME相关性分析

Table 5 Correlation analysis between nutrient contents, tannins content, IVDMD, IVGED, EHGE, AME and TME of sorghum

项目
Items		 干物质
DM		 粗蛋
白质
CP		 粗脂肪
EE		 粗灰分
Ash		 中性洗
涤纤维
NDF		 酸性洗
涤纤维
ADF		 总能
GE		 单宁
Tannins		 体外
干物质
消化率
IVDMD		 体外
总能
消化率
IVGED		 酶水解
物能值
EHGE		 表观
代谢能
AME
干物质DM
粗蛋白质CP 0.67
粗脂肪EE 0.92* 0.82
粗灰分Ash -0.15 0.22 0.05
中性洗涤纤维
NDF		 -0.86 -0.38 -0.77 0.53
酸性洗涤纤维
ADF		 -0.64 -0.53 -0.62 0.69 0.80
总能GE -0.69 -0.16 -0.48 0.82 0.91* 0.83
单宁Tannins -0.61 -0.42 -0.66 0.61 0.86 0.93* 0.79
体外干物质
消化率
IVDMD		 0.72 0.48 0.74 -0.57 -0.91* -0.93* -0.82 -0.99**
体外总能
消化率
IVGED		 0.69 0.45 0.70 -0.62 -0.91* -0.94* -0.85 -0.99** 1.00**
酶水解物能值
EHGE		 0.69 0.46 0.71 -0.61 -0.90* -0.95* -0.84 -0.99** 1.00** 1.00**
表观代谢能
AME		 0.88* 0.52 0.76 -0.58 -0.95* -0.90* -0.92* -0.84 0.89* 0.90* 0.89*
真代谢能
TME		 0.80 0.48 0.70 -0.67 -0.93* -0.96* -0.93* -0.90* 0.94* 0.95* 0.94* 0.98**

2.5 基于仿生消化法构建鸡玉米、高粱原料有效能预测模型

基于EHGE预测体内法测定的玉米原料AME和TME模型见图1,在本试验条件下AME预测模型为AME=7.62+0.57×EHGE[R2=0.64,相对标准偏差(RSD)=0.11,P=0.11];TME预测模型为TME=7.58+0.58×EHGE(R2=0.64,RSD=0.11,P=0.10)。
图1 玉米代谢能预测模型

Fig.1 Metabolizable energy prediction model for corn

基于EHGE预测体内法测定的高粱原料AME和TME模型见图2, 在本试验条件下AME预测模型为 AME=10.03+0.31×EHGE(R2=0.80, RSD=0.38, P=0.04) ; TME预测模型为 TME=9.98+0.33×EHGE(R2=0.89, RSD=0.28, P=0.02)。
图2 高粱代谢能预测模型

Fig.2 Metabolizable energy prediction model for sorghum

3 讨论

3.1 玉米和高粱原料的营养成分

玉米和高粱原料的营养成分与品种、产地、季节、气候、存储等诸多因素密切相关。Yang等[17]研究中使用了10种不同来源的玉米,其DM基础下CP含量范围为8.07%~9.69%,而本研究中5种不同来源玉米的CP含量为8.31%~11.18%。本研究中5种不同来源高粱的营养成分同样存在差异,如CP和EE的含量范围分别为9.24%~10.92%和2.41%~3.97%,其与以往Nyannor等[18]、Shinda等[19]、Utama等[20]的报道结果相一致。

3.2 玉米和高粱原料的IVDMD、IVGED和EHGE

本研究中5种玉米的IVDMD、IVGED和EHGE均存在显著差异,CV分别为0.68%、0.99%和1.56%,这可能是不同品种、不同产地、不同储存方式等造成了不同来源玉米出现差异[21⇓-23]。在Wang等[24]研究中,所测2种玉米的EHGE分别为14.91和14.26 MJ/kg DM,该结果与本研究所用玉米的EHGE一致。
在本研究中,高粱的IVDMD、IVGED和EHGE的CV分别为14.17%、15.64%和15.71%,均明显高于玉米的结果,除了不同品种、不同产地、不同储存方式等因素造成的差异外,该结果可能与高粱中的单宁含量密切相关。单宁含量最高的2号高粱的IVDMD、IVGED和EHGE的结果最低,分别为55.93%、58.28%和10.72 MJ/kg DM,而单宁含量最低的5号高粱其结果最高,分别为79.28%、85.15%和15.73 MJ/kg DM。在Pan等[25]的研究结果中也表明了单宁含量的升高会降低消化能,这可能与单宁会降低淀粉酶、胰蛋白酶等消化酶的活性有关[26-27]。

3.3 鸡有效能预测方程

现阶段,关于有效能的预测多是基于化学成分[28-29]。在Meloche等[28]研究中建立了肉鸡基于化学成分的代谢能预测方程为AMEn(kcal/kg)=-12 282+(2.60×GE)+(89.75×CP)+(125.80×淀粉)-(40.67×总纤维),其中R2=0.86,P<0.01。该结果中的R2与本研究结果接近,但P值达到了差异极显著的水平,这可能与饲料原料间的变异相关,该试验所使用原料的AMEn变异范围为7.82~11.82 MJ/kg,而本研究中高粱的AME和TME的变异范围分别为13.43~15.37 MJ/kg和13.59~15.48 MJ/kg。因此,原料有效能变异范围的大小可能会影响预测方程的预测效果。
通过体外手段模拟动物体内的消化过程,获得与有效能高度相关的EHGE,也是一种常见预测原料有效能值的方法[5]。相较于传统生物学方法,该方法可以减少测值速度慢、费时、费力等弊端。在早期的研究中,体外消化模拟方式使用的是三角瓶模拟动物胃、小肠、大肠的消化,但与动物消化吸收生理过程吻合度不高,消化产物可能会对酶活性产生抑制作用[10]。因此,发展出了现在的SDS,避免了三角瓶体外酶解法的弊端,可以更加真实模拟动物体内养分的消化过程。在Zhao等[30]研究中,表明SDS所测EHGE可以有效预测鸭对玉米的代谢能;在Yu等[31]研究中使用SDS所测EHGE准确预测了公鸡对玉米的代谢能,因此本研究中代谢能预测方程选择EHGE作为预测因子。本研究的相关性分析中,鸡对高粱的代谢能与EHGE、IVDMD和IVGED均具有显著相关关系;而鸡对玉米的代谢能与EHGE的相关性最高,其次是IVDMD,但能否用IVDMD作为预测因子还有待进一步研究。在Yu等[31]研究中建立的基于肉鸡饲粮的预测方程为AME=0.844 9×IVDE+451(R2=0.98,RSD=28,P<0.01),其R2优于本研究的结果,这可能与试验使用饲粮的类型及规模有关。本研究建立了以EHGE为自变量的鸡对玉米和高粱AME和TME的预测方程,其中玉米代谢能预测方程的R2均为0.64,低于高粱的结果(0.80和0.89)。预测方程R2较低可能与使用的原料来源较少有关,导致预测方程易受极值点的影响。除样品规模外,还可能与原料的抗营养成分组成有关。本试验中高粱的单宁含量差异较大,使AME、TME和EHGE的变异增大,一定程度上提高了预测方程的准确性。表6列出了已发表文献中AME和TME实测值与基于本研究中预测模型获得的预测值的对比,可以看到本研究中的预测方程可以准确预测玉米和高粱的TME,差值分别为0.32和0.24 MJ/kg,而AME的预测值差异较大,可能与使用的动物品种、样品收集、试验方法等有关。
表6 基于已有数据验证玉米和高粱的有效能预测方程(干物质基础)

Table 6 Available energy prediction equations of corn and sorghum were verified based on available data (DM basis)

原料
Ingredients		 指标
Index		 实际值
Actual
value/
(MJ/kg)		 预测值
Predicted
value/
(MJ/kg)		 差值
Difference
value/
(MJ/kg)		 饲喂方法
Test
method		 收集方法
Collecting
method		 文献来源
Literature
source
玉米Corn AME 14.74 16.65 1.91 强饲法 全收粪法 杨霞[16]
玉米Corn TME 16.45 16.77 0.32 强饲法 全收粪法 杨霞[16]
高粱Sorghum AME 12.08 14.17 2.08 强饲法 全收粪法 Zhao等[12]
高粱Sorghum TME 14.14 14.38 0.24 强饲法 全收粪法 Zhao等[12]

4 结论

① 5种来源玉米和高粱的EHGE与AEM和TME间具有较强的相关性,其中高粱的相关性更强。
② 基于EHEG的AME预测模型 : 玉米AME=7.62+0.57× EHGE(R2=0.64, RSD=0.11,P=0.11), 高粱AME=10.03+0.31×EHGE(R2=0.80, RSD=0.38,P=0.04)。
③ 基于EHEG的TME预测模型 : 玉米TME=7.58+0.58×EHGE(R2=0.64, RSD=0.11, P=0.10), 高粱TME=9.98+0.33×EHGE(R2=0.89,RSD=0.28, P=0.02)。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
方热军, 胡胜军, 方成堃, 等. 浅谈精准营养下畜禽饲料配方设计的几个问题[J]. 饲料工业, 2019, 40(9):1-5.

FANG R J, HU S J, FANG C K, et al. Review of feed formulation design for livestock and poultry by precise nutrition technique[J]. Feed Industry, 2019, 40(9):1-5. (in Chinese)

[2]
LASEK O, BARTECZKO J, BARĆ J, et al. Nutrient content of different wheat and maize varieties and their impact on metabolizable energy content and nitrogen utilization by broilers[J]. Animals,2020,10(5):907.

[3]
LIU W, LIU G H, LIAO R B, et al. Apparent metabolizable and net energy values of corn and soybean meal for broiler breeding cocks[J]. Poultry Science, 2017, 96(1):135-143.

PMID

[4]
MATEOS G G, CÁMARA L, FONDEVILA G, et al. Critical review of the procedures used for estimation of the energy content of diets and ingredients in poultry[J]. Journal of Applied Poultry Research, 2019, 28(3):506-525.

[5]
ŚWIECH E. Alternative prediction methods of protein and energy evaluation of pig feeds[J]. Journal of Animal Science and Biotechnology,2017,8:39.

[6]
EBADI M R, SEDGHI M, GOLIAN A, et al. Prediction of the true digestible amino acid contents from the chemical composition of sorghum grain for poultry[J]. Poultry Science, 2011, 90(10):2397-2401.

DOI PMID

[7]
王超胜. 不同来源玉米、豆粕对蛋鸡代谢能和氨基酸可利用率的评定及近红外预测模型的构建[D].硕士学位论文. 雅安: 四川农业大学, 2014.

WANG C S. Determination and prediction of metabolizable energy value and amino acids availability of different source corn and soybean meal in laying hens[D].Master’s Thesis. Ya’an: Sichuan Agricultural University, 2014. (in Chinese)

[8]
FARRELL D J. In vivo and in vitro techniques for the assessment of the energy content of feed grains for poultry:a review[J]. Australian Journal of Agricultural Research, 1999, 50(5):881-888.

[9]
ZAEFARIAN F, COWIESON A J, PONTOPPIDAN K, et al. Trends in feed evaluation for poultry with emphasis on in vitro techniques[J]. ANIMAL NUTRITION, 2021, 7(2):268-281.

[10]
张宏福, 赵峰, 张子仪. 仿生消化法评定猪饲料生物学效价的研究进展[J]. 饲料与畜牧, 2011(3):5-9.

ZHANG H F, ZHAO F, ZHANG Z Y. Advances in bionic digestive method for evaluation of bioavailability of pig feed[J]. Animal Agriculture, 2011(3):5-9. (in Chinese)

[11]
CHEN L, GAO L X, HUANG Q H, et al. Prediction of digestible energy of feed ingredients for growing pigs using a computer-controlled simulated digestion system[J]. Journal of Animal Science, 2014, 92(9):3887-3894.

DOI PMID

[12]
ZHAO F, REN L Q, MI B M, et al. Developing a computer-controlled simulated digestion system to predict the concentration of metabolizable energy of feedstuffs for rooster[J]. Journal of Animal Science, 2014, 92(4):1537-1547.

DOI PMID

[13]
赵峰, 王钰明, 张虎, 等. 单胃动物仿生消化系统操作手册[M]. 4版, 北京: 中国农业科学院, 2021.

ZHAO F, WANG Y M, ZHANG H, et al. Manual instruction of monogastric animal bionic digestion system[M]. 4th ed. Beijing: Chinese Academy of Agricultural Sciences, 2021. (in Chinese)

[14]
李凯, 赵于庆, 钟儒清, 等. 自由采食法和排空强饲法评定鸡玉米及高粱有效能值的比较研究[J]. 畜牧兽医学报, 2022, 53(11):3907-3916.

LI K, ZHAO Y Q, ZHONG R Q, et al. Comparative study on evaluation of the available energy of corn and sorghum of chicken by free feeding method and tube feeding method[J]. Acta Veterinaria et Zootechnica Sinica, 2022, 53(11):3907-3916. (in Chinese)

[15]
WANG Y M, YIN L T, ZHANG H, et al. Accuracy of predicting metabolizable energy from in vitro digestible energy determined with a computer-controlled simulated digestion system in feed ingredients for ducks[J]. Animal Nutrition, 2022, 8(1):52-60.

[16]
杨霞. 采用酶水解物能值估测玉米、玉米DDGS及木薯鸡代谢能的研究[D].硕士学位论文. 北京: 中国农业科学院, 2016.

YANG X. Using Enzymatic hydrolyzate gross energy to predict the metabolizable energy of corn,corn DDGS and cassava in roosters[D].Master’s Thesis. Beijing: Chinese Academy of Agricultural Sciences, 2016. (in Chinese)

[17]
YANG P, NI J J, ZHAO J B, et al. Regression equations of energy values of corn,soybean meal,and wheat bran developed by chemical composition for growing pigs[J]. Animals, 2020, 10(9):1490.

[18]
NYANNOR E K D, ADEDOKUN S A, HAMAKER B R, et al. Nutritional evaluation of high-digestible sorghum for pigs and broiler chicks[J]. Journal of Animal Science, 2007, 85(1):196-203.

PMID

[19]
SHINDA C A, NTHAKANIO P N, GITARI J N, et al. Nutrient content of sorghum hybrid lines between Gadam and hard coat tannin sorghum cultivars[J]. Food Science & Nutrition, 2022, 10(7):2202-2212.

[20]
UTAMA C S, SULISTIYANTO B, HAIDAR M F. The feasibility of sorghum (Sorghum vulgare) fodder as poultry feed ingredients seen from growth performance,nutrient content and fiber profile of sorghum fodder[J]. Journal of Advanced Veterinary and Animal Research, 2023, 10(2):222-227.

[21]
张锋, 牟韶阳. 使用仿生消化系统快速测定玉米消化能的可行性研究[J]. 饲料博览, 2023(2):36-41.

ZHANG F, MU S Y. Feasibility study of using biomimetic digestion system for rapid determination of corn digestible energy[J]. Feed Review, 2023(2):36-41. (in Chinese)

[22]
MASEY O’NEILL H V, LIU N, WANG J P, et al. Effect of xylanase on performance and apparent metabolisable energy in starter broilers fed diets containing one maize variety harvested in different regions of China[J]. Asian-Australasian Journal of Animal Sciences, 2012, 25(4):515-523.

DOI PMID

[23]
YEGANI M, KORVER D R. Effects of corn source and exogenous enzymes on growth performance and nutrient digestibility in broiler chickens[J]. Poultry Science, 2013, 92(5):1208-1220.

DOI PMID

[24]
WANG H, WANG X Y, ZHAN Y C, et al. Predicting the metabolizable energy and metabolizability of gross energy of conventional feedstuffs for muscovy duck using in vitro digestion method[J]. Journal of Animal Science, 2023, 101:skad018.

[25]
PAN L, LI P, MA X K, et al. Tannin is a key factor in the determination and prediction of energy content in sorghum grains fed to growing pigs[J]. Journal of Animal Science, 2016, 94(7):2879-2889.

DOI PMID

[26]
LOU W J, CHEN Y S, MA H J, et al. Antioxidant and α-amylase inhibitory activities of tannic acid[J]. Journal of Food Science and Technology, 2018, 55(9):3640-3646.

DOI PMID

[27]
XIAO H Z, LIU B G, MO H Z, et al. Comparative evaluation of tannic acid inhibiting α-glucosidase and trypsin[J]. Food Research International, 2015, 76(Pt 3):605-610.

DOI PMID

[28]
MELOCHE K J, KERR B J, SHURSON G C, et al. Apparent metabolizable energy and prediction equations for reduced-oil corn distillers dried grains with solubles in broiler chicks from 10 to 18 days of age[J]. Poultry Science, 2013, 92(12):3176-3183.

DOI PMID

[29]
LATIFI M, MORAVEJ H, GHAZIANI F, et al. Determination of prediction equations for apparent metabolizable energy corrected for nitrogen of corn gluten meal and canola meal in broilers[J]. Poultry Science, 2023, 102(5):102587.

[30]
ZHAO F, ZHANG L, MI B M, et al. Using a computer-controlled simulated digestion system to predict the energetic value of corn for ducks[J]. Poultry Science, 2014, 93(6):1410-1420.

DOI PMID

[31]
YU Y, ZHAO F, CHEN J, et al. Sensitivity of in vitro digestible energy determined with computer-controlled simulated digestion system and its accuracy to predict dietary metabolizable energy for roosters[J]. Poultry Science, 2021, 100(1):206-214.

Options
文章导航

/

〈 〉

    联系我们

  • 地址：北京市海淀区圆明园西路2号
    　　　中国农业大学动科动医大楼153室
  • 邮编：100193
  • 电话：010－62817823
  • 网址：http://www.chinajan.com
  • E-mail：cjan@chinajan.com
京公网安备 11010802041926号    京ICP备17050989号-2