饲料资源短缺是制约我国畜牧业可持续发展的瓶颈。2019年我国进口大豆8 851.1万t，玉米479.3万t，小麦348.8万t，分别同比增长0.6%、36.0%和12.5%，其中大豆进口量创历史第2高峰。上述进口的70%以上用作饲料，因此，准确评估饲料原料的营养价值和动物的营养需要量，实现精准营养配方，是缓解以上问题的重要手段。然而，一方面，我国饲料资源品种繁多, 同一原料又因品种、产地、加工等因素的不同而导致营养价值变异巨大，加之近年来飞速发展的农作物育种与不断变化的气候条件，使饲料原料的营养价值较以往产生了很大变化。另一方面，随着猪遗传选育的进展、养殖水平的提高以及养殖环境和设施的全面升级，猪的主要生长性能指标如出栏体重、饲料利用效率、生长曲线等也在逐年变化，其营养需要量较过去有着显著差别。因此，对于猪饲料原料营养价值和营养需要量的精准把握，一直以来都是动物营养学者工作的重点内容。本文将主要围绕国内近5~6年来猪饲料原料营养价值评定以及动态需要量模型化方面的研究进展进行综述，并对这2方面在未来的研究重点和前景进行展望，以期推动猪精准营养配方的发展，使我国饲料资源短缺的现状得到有效缓解。

1 猪饲料原料营养价值评定的研究进展 1.1 猪饲料原料有效能评定的研究进展

饲料中的能量成本占饲料总成本的60%~70%，也是饲料配方中首先要考虑的因素。国际上现行的猪饲料有效能评价体系包括消化能(DE)、代谢能(ME)和净能(NE)体系。其中DE和ME的评价可以通过给动物饲喂特定的饲粮处理进行消化代谢试验直接测定得到。由于其评价仅需要消化代谢笼，操作较为简单，在国外的数据库如法国INRA(2004)、美国NRC(2012)和荷兰CVB(2018)中有大量原料DE和ME数据的积累，因此这2种能量体系在猪的饲料配方中较常使用。

近年来，国内以国家饲料工程技术研究中心为主，按照统一的操作规程进行原料样品采集、动物试验和样品分析，对我国养猪生产中常用的饲料原料进行了系统的评价工作，得到了各常用饲料原料在生长猪上的DE和ME值及其变异范围，挖掘了影响各原料有效能值变异的关键理化因素，并且建立了相应原料基于化学组分的DE和ME预测模型(表 1)。以上建立的DE和ME预测模型以多元线性方程为主，其中的主要预测因子包括总能(GE)、粗蛋白质(CP)、粗脂肪(EE)、淀粉(starch)、粗灰分(ash)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)和粗纤维(CF)等常规概率养分指标，且模型的拟合度[决定系数(R²)]随方程中预测因子数量的增加而提高。胡杰等^[1]基于对各原料DE和ME预测模型中预测因子的分析，归纳得到了影响不同种以及不同大类(能量饲料原料、蛋白质饲料原料、纤维饲料原料)猪饲料原料DE与ME的关键化学成分及其影响规律。该研究结果为基于原料分类实现新原料DE和ME的快速预测提供了可行性方案。

非常规饲料原料有效能值的评定近年来也受到了关注，这些研究为新型饲料资源的开发奠定了理论基础。例如，王芨^[21]评价了5个不同产地木薯粉的DE和ME值，在干物质基础上其变异范围分别为15.68~16.12 MJ/kg以及15.26~15.70 MJ/kg。范元芳^[22]分别评价了辣椒粕和番茄皮粕在生长猪上的有效能值，在干物质基础上2种原料的DE和ME值分别为10.48和9.79 MJ/kg以及7.94和7.46 MJ/kg。董文轩等^[23]评价了青稞、荞麦、黍子、糜子和莜麦等5种非常规谷物原料在生长猪上的有效能值，在干物质基础上5种原料的DE和ME值分别为15.97和15.38 MJ/kg、16.90和15.76 MJ/kg、17.65和16.86 MJ/kg、17.87和17.34 MJ/kg以及17.57和16.85 MJ/kg。以上均是近年来应用较多的非常规饲料原料，这些原料有效能值的评定工作为其在生产中的进一步推广应用起到了良好的指导作用。此外，魔芋粉残渣、苎麻、棉籽脱酚蛋白、蒸汽压片玉米、金针菇菇脚等新型饲料原料在生长猪上的有效能值也在近年来得到了评价^[24-27]。

相比于DE和ME体系，NE体系更能真实地反映饲料的能量利用效率，而且NE体系也是唯一在相同基础上考虑饲粮能值和动物能量需要量的有效能体系。NE的测定较DE和ME更为复杂，在猪上一般采用间接测热法或比较屠宰法测定得到，前者需要借助专用的呼吸测热仓，后者需要专业的屠宰分割设备和人员，2种方法均费时、费力。国家饲料工程技术研究中心团队近年来利用自主研发的猪专用呼吸测热装置，先后测定了30余种饲料原料在生长猪上的NE值，尤其是在国际上率先评价了棕榈油、禽油、鱼油、玉米油、亚麻油等常用油脂的NE值^[28]。进一步地，以各原料的NE测定值为基础建立了各大类饲料原料(能量饲料原料、蛋白质饲料原料和纤维饲料原料)以及饲粮的NE预测模型(表 2)，为实际生产中原料及配合饲料NE值的快速估测提供了可行方案。

除此之外，对于影响猪饲料原料有效能值评定因素的研究在近年来也是该领域关注的重点，主要包括：比较不同品种、产地、加工工艺的同种饲料原料有效能值的区别，以及同种饲料原料在饲粮中按不同比例添加或有外源酶制剂添加时有效能值的区别，例如研究不同品种、种植年份和储存时间的玉米在生长猪上DE和ME值的变异规律^[34]，以及研究不同添加水平、加工工艺和储存时间的大豆油在生长猪上DE和ME值的变异规律^[35]。此外，同种饲料原料在断奶仔猪、不同体重生长育肥猪以及妊娠母猪上有效能值的比较也是近年来的研究热点。例如，谢飞^[36]比较了4种能量饲料原料(玉米、小麦、大麦和高粱)、5种蛋白质饲料原料(豆粕、棉籽粕、菜籽粕、玉米蛋白粉和玉米干酒糟及其可溶物)以及3种纤维饲料原料(大豆皮、麦麸和玉米皮)在30、60和90 kg的3个不同体重阶段生长猪上DE和ME值的差异；董文轩^[37]比较了玉米、小麦、豆粕、棉籽粕、玉米干酒糟及其可溶物、玉米胚芽粕、小麦麸皮和棕榈仁粕等8种常用饲料原料在经产母猪和生长猪上DE和ME值的差异；而王振宇^[38]则通过呼吸测热装置在国际上首次测定了小麦麸、甜菜粕、玉米皮、大豆皮和米糠粕等5种纤维饲料原料在妊娠母猪上的NE值。以上研究结果均表明大多数饲料原料在不同生长阶段猪上的有效能值是不能通用的，在配制不同生理阶段猪的饲粮时有必要使用不同的有效能值以实现精准营养配方。

近5年来，国际上关于猪饲料原料DE和ME值评价的研究主要集中在美国伊利诺伊大学的Stein教授团队。他们先后评价了菜籽粕、双低菜籽饼粕、不同产地豆粕、大米副产物(全脂米糠、米糠粕、糙米、碎米)和小麦麸等饲料原料在生长猪上的DE和ME值^[39-42]。而猪饲料原料NE的评价研究以加拿大曼尼托巴大学的Nyachoti教授团队为主，他们利用间接测热技术先后评价了干燥膨化豆粕、大麻壳及大麻壳加工副产物在生长猪上的NE值^[43-44]。

1.2 猪饲料原料氨基酸消化率评定的研究进展

随着理想蛋白质模型的提出，氨基酸在动物营养中的重要性引起了越来越多的关注，氨基酸消化率的评价体系和测定方法得到了全面且快速的发展。为了避免饲料氨基酸消化率测定中后肠道微生物发酵的影响，氨基酸消化率评定经历了从全肠道表观消化率(ATTD)到回肠末端消化率的发展过程，而根据其内源损失的校正情况又进一步分为表观回肠末端氨基酸消化率(AID)、真回肠末端氨基酸消化率(TID)和标准回肠末端氨基酸消化率(SID)。与AID相比，TID在计算时考虑了氨基酸的内源损失，更能反映饲料中氨基酸在动物体内的消化情况。例如，刘正群^[45]即利用线性回归法和差分法比较了生长猪饲喂不同类型基础饲粮和不同豆粕添加水平时氨基酸TID的区别。由于原料中氨基酸的TID不能被直接测定，实际饲粮配制中一般使用替代性的SID。SID仅考虑氨基酸的基础内源损失，通常采用回肠瘘管技术结合无氮饲粮法测定，由于其具有可加性良好、操作简单、准确性高等特点，在科学研究和生产实际中被广泛采用。近年来，以国家饲料工程技术研究中心为主的研究单位对国内常用饲料原料在生长猪上的氨基酸SID进行了系统测定，并基于测定数据以原料化学成分和氨基酸含量值为自变量，建立了常用饲料原料生长猪氨基酸SID的预测模型(表 3)。除了饲粮组成和蛋白质水平等因素，猪的氨基酸SID还会受到外源酶制剂添加的影响。例如余贵香^[46]探究了玉米-豆粕型饲粮添加蛋白酶后对断奶仔猪氨基酸SID的影响规律。

近5年来，国际上对猪饲料原料SID值的研究也主要集中在美国伊利诺伊大学的Stein教授团队，而Stein教授也是较早开展猪SID相关研究的学者。他们先后评价了高蛋白质菜籽粕和普通菜籽粕、不同产地豆粕、次粉、不同粉碎粒度的大豆浓缩蛋白、杂交黑麦以及玉米DDGS等饲料原料在生长猪上的氨基酸SID值^[47-53]。

1.3 猪饲料原料其余有效养分评定的研究进展

钙和磷是猪体内含量最多的矿物元素，其中，磷作为一种非再生资源是饲料工业中仅次于能量和蛋白质(氨基酸)以外第3昂贵的饲料原料。传统的饲料原料数据库中钙和磷分别以总钙和非植酸磷的形式表示。近年来，磷及钙的标准全肠道消化率(STTD)成为了描述饲料原料中钙和磷有效含量的主要指标。在国内，佘玥^[54]探究了豆粕和不同加工工艺的菜籽粕在生长猪上的磷STTD，以及添加植酸酶对磷STTD的影响，同时还证明了生长猪对玉米、豆粕和菜籽粕磷的STTD具有可加性。除此之外，中国农业科学院动物营养学国家重点实验室张宏福教授团队近年来开展了一系列研究，探究了影响生长育肥猪饲粮中磷STTD和磷全肠道真消化率(TTTD)的有关因素，包括饲料中的纤维素水平和磷水平等^[55-56]。

近5年来，美国伊利诺伊大学的Stein教授团队也同样开展了一系列工作评价猪饲料原料中钙和磷消化率。他们先后评价了北美菜籽粕和欧洲双低菜籽饼粕、大米副产物(全脂米糠、米糠粕、糙米、碎米)和豆粕等饲料原料在生长猪上的磷STTD和钙STTD^[57-60]。

此外，参考氨基酸和磷SID的概念及分析方法，陈一凡^[61]采用回肠瘘管技术结合无脂饲粮法以及回归法测定了大豆油饲粮在生长猪上的内源脂肪和脂肪酸损失，并且探究了饲粮中不同纤维来源、纤维水平和猪的体重阶段对内源脂肪及脂肪酸损失的影响，以期描述不同饲料原料在生长猪上脂肪及脂肪酸SID的变异规律，建立脂肪及脂肪酸SID的评价体系。这也将会是未来猪饲料原料有效养分评定的重要研究方向之一。

1.4 猪饲料原料营养价值快速评定的研究进展

传统方法中，猪饲料原料营养价值的评定依赖于湿化学分析和动物试验的开展，往往需要专业技术人员和专业分析仪器设备以确保结果的准确性，这些方法耗时较长、成本较高，往往无法满足饲料厂日常检测的需求，尤其对于有效能、氨基酸SID等有效成分的评估，对于生产企业来讲更是很大的挑战。因此，实现猪饲料原料生物学效价的快速便捷评估是将其应用于生产实践中的关键环节。

仿生酶法是一种快速简便评估原料能量利用效率的方法，该方法根据动物体内酶的性质、种类、作用条件(包括温度和pH等)、胃肠道生理参数等设计生物反应器，从而进行饲料中营养物质的体外模拟消化吸收。国内对于仿生酶法的相关研究集中在中国农业科学院动物营养学国家重点实验室，研究人员开发了猪的全自动仿生消化系统，利用该系统体外评价了棉籽粕等原料的DE值和可消化氨基酸含量^[62]。

近红外光谱是一项兴起于20世纪70年代的现代快速分析技术，因为其具有快速、无损、成本低、多组分同时检测等优点，已被广泛地应用于饲料中化学组分的快速估测中。结合基于化学组分的饲料原料有效养分预测模型，使用近红外光谱技术即可实现对饲料原料有效能的快速预测。近年来，国家饲料工程技术研究中心依托在猪饲料原料有效养分评定工作上的数据积累，先后利用近红外光谱技术建立了包括玉米、小麦、豆粕、高粱、全脂米糠、大麦、麦麸、玉米蛋白粉、花生粕、棉籽粕、菜籽粕、次粉以及玉米胚芽粕等在内的10余种猪常用饲料原料的DE和ME近红外定标模型^[63-65]。进一步利用近红外光谱技术预测猪饲料原料的氨基酸SID、NE值以及营养物质消化率等将会是未来原料评价方面的重要研究方向之一。

2 猪动态营养需要量的模型化研究进展

动物的营养需要是配方设计中除了原料有效养分外需要考虑的另外一个重要因素。世界各国的动物营养学家与大型的营养和育种公司会通过对生产实践和研究数据的定期归纳总结，制定营养需要标准，供生产者进行参考。目前国际上常用来参考的猪饲养标准包括美国NRC(2012)、丹麦Nutrient Requirement Standards(2016)、巴西Brazilian Tables for Poultry and Swine(2017)等。我国也已经完成了对2004年版猪营养需要国家标准的修订工作，新版猪营养需要量标准已于2018年报批，预计很快就将发布。

目前的各版猪饲养标准中给出的均是特定生理阶段下群体需要量的平均值，数据呈现静态化，无法反映具体生理状态、营养条件、环境条件、管理水平和疾病等对猪营养需要量的影响。因此，猪营养需要研究发展的一个重要方向就是通过模型化实现动态营养需要。

当前，构建猪能量需要量模型的主流方法包括综合法和析因法，通过2种方法分别可以建立营养需要量的经验模型(empirical model)和机理模型(mechanistic model)。综合法会综合考虑猪的维持需要和生产需要，一般采用剂量-反应试验，通过设置不同的饲粮营养水平进行猪的生长试验，测定生长或代谢指标，进一步利用线性模型、二次曲线模型、折线模型等构建猪营养需要量与生长性能指标或繁殖性能指标之间的关系，从而建立猪营养需要量的动态经验模型。近年来国内开展的对于商品猪或者地方品种猪能量需要量和氨基酸需要量的评定工作均基于综合法(表 4)。综合法建立的经验模型可以在特定试验条件下有效预测动物群体的营养需要，但却无法揭示自变量与因变量之间内在的生理生化机制和变化规律，因此属于黑箱模型，只在特定环境条件下具有代表性，无法进行大范围的推广应用。近年来，国外以美国堪萨斯州立大学S.S.Dritz教授团队为代表的研究者也利用综合法在商品化猪场生产条件下开展了一系列的断奶仔猪、生长猪和育肥猪的SID氨基酸需要量(包括赖氨酸、缬氨酸、组氨酸等)研究试验，并建立了相应的经验模型^[66-68]。

随着现代养猪业生产规模的不断扩大以及愈加精细的分阶段饲养管理模式的出现，能够准确解析不同阶段和不同生产目标下猪营养需要量的析因法受到了越来越多的关注。利用析因法构建的机制模型可以准确描述营养素在动物体内的流动与转化效率，赋予了数学模型以生物学意义，从而可以更有效地指导生产实践^[75]。机制模型建立在对代表性猪只生理规律的描述和数学表示之上，往往需要更多的参数来对生物反应做出有效预测，因此代表性动物的选择、大量数据的积累和生物学规律的分析是成功建模的关键。Whittemore等^[76]于1976年提出了最早的生长猪机制模型，对生长猪蛋白质沉积和脂肪沉积的能量需要量进行了动态描述。此后，法国国家农业科学研究院(INRA)的科学家基于消化代谢、间接测热和比较屠宰等一系列试验的数据积累，利用析因法建立了生长猪的ME和NE需要量模型和母猪的ME和NE需要量模型，并于2008年发布^{[75, 77]}。该模型在世界各地的商品猪生产中均展现了强大的普适性，因此被众多国家的猪饲养标准如美国NRC(2012)等采用并沿用至今。在国内，唐倩^[78]通过饲养试验、消化代谢试验和比较屠宰试验相结合的方法，系统分析了圩猪(阉公猪)生长期(35~60 kg)的能量和蛋白质的代谢规律及需要量，并通过线性方程和异速生长方程拟合出ME、NE和蛋白质需要量的析因模型。此外，山东农业大学杨在宾教授团队近年来通过饲养试验、消化代谢试验和屠宰试验的方法先后分析了莱芜猪、沂蒙黑猪和江泉白猪等我国地方特色猪种在生长期(15~90 kg)的DE、ME与蛋白质的代谢规律，并由此构建了这些猪种在生长期的DE、ME和蛋白质需要量的析因模型^[79-83]。以上是近年来国内为数不多公开报道的关于猪营养需要量模型的相关研究。除此之外，由于缺乏对猪的NE和SID氨基酸等有效养分基础数据的积累，至今少有关于析因法建立的猪NE和SID氨基酸需要量，尤其是母猪NE和SID氨基酸需要量机制模型的报道。这在今后相当长的时间内都将是一个严峻的研究任务和挑战。

3 小结和展望

随着智能设备及智能养殖技术解决方案的应用与发展，我国畜牧业进入了产业转型升级的关键时期，一批新型物联网传感器设备正逐渐部署在传统养殖场，在改善管理流程的同时也使得畜牧生产过程中多维度数据的采集逐渐成为现实。因此，基于大数据分析的饲料原料营养价值评定与猪动态营养需要量估测将会是未来研究的大趋势，在此基础上诸如人工神经网络、支持向量机乃至深度学习算法都将会发挥用武之地，帮助动物营养学家更好地分析养殖供给端与需求端的情况，从而做出实时的智能决策。此外，新型传感器以及精准检测技术的开发与应用将会进一步丰富基础数据的采集，同时也会对模型的交叉验证起到关键作用。传统的饲料营养价值评定和动物营养需要量研究手段与现代信息技术以及算法模型的有机结合，将真正实现通过营养手段调控动物的生长健康，促进安全优质乃至定制化动物产品的生产，从而推动我国畜牧业的高效、优质和可持续发展。