评定蛋鸡豆粕代谢能和氨基酸可利用率的研究

王超胜 贾 刚 张克英 丁雪梅 吴秀群 赵 华陈小玲 吴彩梅 刘光芒

(四川农业大学动物营养研究所，农业部动物抗病营养与饲料重点实验室，雅安 625014)

以代谢能(ME)和氨基酸可利用率(AAA)为基础，配制家禽饲粮备受关注，但原料间由于产地、品种、加工方式等的不同会导致其生物效价具有较大的差异。因此准确、快速评定饲料原料的ME和AAA是进行精准配制饲料的关键之一。近红外光谱(near infrared spectroscopy，NIRS)分析技术能够为饲料工业提供一种简单、快速、准确的评定饲料原料生物效价的方法［1］。Losada等［2］在预测家禽6种蛋白饲料的氮校正表观代谢能(AMEn)，以 AMEn与总能(GE)之比指标为依据，发现NIRS法优于化学成分预测法和酶解法;Liu等［3］采用NIRS在肉鸡上对豆粕的表观代谢能(AME)和可消化氨基酸进行实时分析，可使不同品质的豆粕得到高效利用，达到最大的生产效益。而迄今为止未见有关产蛋鸡对豆粕的ME、AAA以及采用NIRS进行预测的报道，因此本研究将以罗曼产蛋鸡为研究对象，在实测30个不同来源豆粕AME和AAA的基础上，采用NIRS分析技术来探讨建立其预测模型的可行性。

1 材料和方法

1.1 试验样品

收集30种豆粕样品，分布于我国豆粕的主产区，包括内蒙古、黑龙江、吉林、辽宁、河北、山东、河南、安徽、江苏、浙江、广东和广西等12省和自 治区。其常规养分含量见表1。

表1 豆粕的常规养分含量(干物质基础)Table 1 Proximate nutrients contents of soybean meal(DM basis) %

1.2 罗曼蛋鸡豆粕AME和AAA的评定

AME和AAA的评定采用“训饲+全收粪法”。选用 248 只体重(1.60±0.10)kg、36 周龄、产蛋率85%，经过7 d采食训练的罗曼粉壳蛋鸡，随机分为31组，每组8个重复，每个重复1只鸡，置于代谢笼中单笼饲养。31种饲粮(1个玉米淀粉基础饲粮，30个豆粕试验饲粮)参考赵峰等［4］配制(表2);采食训练在参考 Hoai等［5］的基础上，根据产蛋鸡的消化生理特点，进行部分修改:采食训练期7 d，每天饲喂蛋鸡商品饲粮2次(每次1.5 h);试验期7 d，每天饲喂试验饲粮3次(每次1.5 h)，用于补偿适口性的改变而引起采食速度的降低［6］，其中预试期3 d，正试期4 d。饲粮、粪样的能量采用氧弹式热量计(Parr1281，美国)测定。饲粮、粪样的氨基酸含量参考GB/T 18246—2000方法，采用氨基酸分析仪(日立L-8900)测定。

AME计算公式如下:

式中:AMEsoy为待测豆粕的AME;AMEdiet为试验饲粮的AME;AMEBD为淀粉基础饲粮的AME;C1为试验饲粮中淀粉的含量;C2为试验饲粮中待测豆粕的含量。

AAA计算公式:

AAA(%)=100×［氨基酸摄入量(AAI，mg)-氨基酸排泄量(AAO，mg)］/AAI。

式中:AAO根据代谢试验中所收蛋鸡的排泄物测定。

1.3 豆粕NIRS预测模型的建立

选用BRUKER公司生产的MPA型傅立叶变换近红外光谱仪扫描豆粕样品。豆粕粉碎过40目，在风干条件下，扫描得到豆粕的光谱。谱区范围4 000～12 000 cm-1，扫描次数 64次，分辨率8 cm-1。仪器扫描样品前，室内(25℃)预热30 min，以仪器内置参比做背景校正。

按照AME和AAA分布从30个样品中选择5个作为外部验证集，其余25个样品作为校正集。用OPUS/QUENT 5.5光谱定量分析软件，以最小交叉验证标准差(RMSECV)为指标，筛选豆粕样品建模的最佳预处理方法，以校正集建立预测模型，并对模型进行外部检验，考察模型的外部验证系数(Rval2)和外部验证标准差(RMSEP)。

表2 饲粮组成及营养水平(饲喂基础)Table 2 Composition and nutrient levels of diets(as-fed basis) %

1.4 数据统计

试验数据采用SPSS 17.0描述性统计分析(descriptive statistic)模块对各指标进行描述性统计，利用其one-way ANONA对AME和AAA数据进行方差分析，其平均值再用LSD法进行多重比较，以P＜0.05为差异显著水平，试验结果用平均值±标准差表示。

2 结果与分析

2.1 豆粕的光谱、常规养分、AME和AAA

30种豆粕的NIRS如图1所示，其吸光谱图基本相同，均在 8 500～8 000 cm-1、7 000～6 500 cm-1、6 000～5 500 cm-1、5 000～4 500 cm-1等位置具有明显的吸收峰，但峰高不同，表明样品的特征性官能团基本相同而含量存在差异，这提示我们原料的构成基本相同相同而含量存在差异。

罗曼蛋鸡对30个不同来源豆粕AME的范围在 11.95～ 14.87 MJ/kg 之间，平均值为(13.24±0.67)MJ/kg，不同来源豆粕间差异极显著(P＜0.01);豆粕总氨基酸可利用率(TAAA)的范围为89.99% ～94.96%，平均值为(93.73±1.23)%，不同来源的豆粕TAAA差异不显著(P=0.463 0);总非必需氨基酸可利用率(TNEAAA)的范围90.08% ～95.75%，平均值为(93.08±1.26)%，总体差异不显著(P=0.986 1);总必需氨基酸可利用率(TEAAA)的 范 围 91.18% ～ 96.34%，平 均 值(94.10±1.23)%，不同来源间差异极显著(P=0.006 6);必需氨基酸中的赖氨酸、精氨酸、缬氨酸的可利用率均值分别为 94.81%、98.31%、92.26%。结果表明产蛋鸡对不同来源豆粕的AME和AAA存在差异，详见表3。

2.2 豆粕AME和AAA的NIRS预测模型

豆粕AME和AAA的NIRS预测模型的建模条件见表4。不同指标选择优化的谱区范围有所不同，但大部分在 6 101.9～5 446.2 cm-1范围内。所建立豆粕AME和AAA的NIRS预测模型的参数见表5。AME的NIRS预测模型的预测值和实测值相关性如图2所示;总氨基酸和天冬氨酸的NIRS预测模型的预测值和实测值相关性如图3、图4所示。

AME的NIRS模型的校正决定系数(Rcal2)、交叉 验 证 系数(Rcv2)、Rval2分 别 为 99.24%、83.79%、80.73%;RMSEE、RMSECV、RMSEP分别为 0.05、0.18、0.22 MJ/kg;外部检验相对标准差(RSD)为 1.71%。

除丝氨酸(78.58%)外，其他氨基酸的Rcv2均在80%以上;各氨基酸的RMSECV均小于0.60%。氨基酸模型的Rcal2都在95%以上;除异亮氨酸(0.31%)外，其他氨基酸的 RMSEE 均小于0.30%。对于氨基酸模型的 Rval2，异亮氨酸(99.42%)最高，精氨酸(61.80%)最低。除酪氨酸(0.90%)外，其余氨基酸的RSD均小于0.70%。上述结果表明大部分指标的预测值与实测值比较接近，模型可用来对未知样品进行实际预测。

图1 30种不同来源豆粕样品的NIRSFig.1 The near infrared reflectance spectrum of 30 soybean meal samples

表3 30种豆粕AME和AAA(干物质基础)Table 3 AME and AAA of 30 soybean meal samples(DM basis) %

图2 豆粕AME实测值与近红外内部交叉检验预测值(a)以及校正模型预测值(b)Fig 2 True and predicted AME value of the internal validation(a)and calibration(b)data set in soybean meals

图3 豆粕总AAA实测值与近红外内部交叉检验预测值(a)以及校正模型预测值(b)Fig.3 True and predicted TAAA of the internal validation(a)and calibration(b)data set in soybean meals

图4 豆粕Asp可利用率实测值与近红外内部交叉检验预测值(a)以及校正模型预测值(b)Fig.4 True and predicted Asp of the internal validation(a)and calibration(b)data set in soybean meals

表4 豆粕AME和AAA建模条件Table 4 The modeling conditions for AME and AAA of soybean meal samples

表5 豆粕AME和AAA的NIRS预测模型参数Table 5 Statistics of NIRS prediction models of AME and AAA of soybean meals

3 讨论

3.1 豆粕 AME 和 AAA

豆粕的品种、产地以及加工条件均会影响其生物效价。赵峰等［4］测定12种不同来源豆粕在肉鸭上 ME 为 11.44～13.35 MJ/kg。Baker等［7］以肉鸡为试验对象，评定普通豆粕、低聚糖豆粕和高蛋白豆粕的氮校正真代谢能(TMEn)分别为12.40、12.49、12.99 MJ/kg。本 研 究 30 种 豆 粕AME 值为 11.95～14.87 MJ/kg，表明不同来源豆粕的蛋鸡ME存在较大的差异。本研究30种豆粕AME的平均值为13.24 MJ/kg，高于《中国饲料成分及营养价值表2012年(第23版)》［8］推荐值，但和仲 菊等［9］报 道母鸡 对豆 粕的 AME值(13.72 MJ/kg)相似。由上述可知，产蛋鸡和公鸡对饲料的利用率有差异，因此实时预测蛋鸡对豆粕的有效能值对于饲料的高效利用具有重要意义。

30种豆粕TAAA 的范围为89.99%～94.96%，TAAA的最大值比最小值高 5.52%，平均值为92.63%，高 于 王 冉 等［10］的 报 道，而 与 Huang等［11］、赵峰等［4］的报道相似，这与豆粕来源/加工方式有关［12］。不同原料间同一氨基酸和同一原料间不同氨基酸的AAA都存在差异。不同原料间同一非必需氨基酸和同一原料间不同非必需氨基酸的AAA差异大，而其必需氨基酸的AAA差异小，具体原因还有待探究，可能是氨基酸之间消化吸收的具体机制不同［13］。限制性氨基酸中Lys可利用率高于Caria等［14］以及《中国饲料成分及营养价值表 2012年(第 23版)》［8］推荐值，但和赵峰等［4］的研究结果相似。因此在配制饲料时，采用豆粕AME和AAA的实时评定值进行饲料配制对于精准饲养具有关键性的意义。

3.2 豆粕AME和AAA的NIRS预测模型

NIRS分析技术是基于物质的近红外吸收特性来判定其大致成分及含量的技术。NIR是红外分子从基态向激发态跃迁或分子转动能级的变化所产生的，此光谱区与含氢基团(O-H、N-H、CH)振动的倍频和合频吸收紧密相关。物质的化学成分相同，其NIRS就会相同。我们知道由于物质在组成和结构上的特异性，从而使一种物质仅对某些特定频率的近红外光有强烈吸收，并在光谱图上表现有较高的吸收峰，形成特征光谱图。这表明样品的大致成分相同，而含量不同。本研究中30种豆粕的NIRS图相似、即吸收峰所在的波数相同，说明基本构成官能团相同;但它们峰高具有一定的差异，说明官能团的含量不同，这为我们建立预测模型进行定量预测提供了理论依据。为提高定标模型的可靠性，在对光谱进行偏最小二乘(PLS)法回归分析前，需要对光谱进行预处理。光谱预处理可净化谱图信息，消除光谱噪声及其他干扰因素，如光谱矢量归一化预处理对消除粒度、加样差异和不同次数扫描产生的差异非常有效。本研究建立不同指标的NIRS预测模型时，其共同最佳光谱区间在 6 101.9～5 446.2 cm-1和7 502.1～4 246.7 cm-1等范围。本研究氨基酸的NIRS预测模型的共同最佳优化谱范围为7 502.1～ 4 246.7 cm-1，将 4 677 cm-1处纯蛋白质吸收峰包含在内，这为我们准确预测蛋白质及氨基酸的有效性提供了保障。另外本试验在建立大部分指标定标模型时都需要对光谱进行预处理，并选择最佳光谱区间以及主成分维数，然后再进行PLS回归并建立预测模型。这样确定的NIRS校正模型，其决定系数较大、标准差较小，准确性高。

近年来国内外已有采用NIRS技术预测植物中成分含量，饲料的代谢能和可利用氨基酸含量的研究。本研究定标NIRS模型中，除总氨基酸、丝氨酸外，其他氨基酸的R2都在80%以上，R2cvcal均在90%以上，说明本试验建立的定标模型可靠。采用NIRS分析技术能够成功测定玉米秸秆的中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)的含量［15］，甜叶菊中微量物质甜菊醇糖苷的含量［16］，甚至成功地构建了预测紫花苜蓿干草多项指标指标的傅里叶 NIRS预测模型［17］。这表明NIRS分析技术能够用于预测植物单一或多种成分的含量。Liu等［3］采用NIRS对肉鸡豆粕的AME和可消化氨基酸(DAA)进行实时分析，可使不同品质的豆粕达到最大生产效益。这进一步表明NIRS分析技术能够用于预测饲料的生物效价。本研究定标NIRS模型中总氨基酸、TNEAA、TEAA的定标效果稍微差些，可能是测定每种氨基酸都存在误差，各氨基酸的数据相加之后，得到结果的误差放大;另外也可能每个氨基酸的特征吸收峰存在较大差异，NIRS分析技术未能很好地获得其共同的吸收峰，因此不能建立有效的相关性。另外精氨酸和苏氨酸的检验效果不如其他氨基酸好，其精度需进一步提高，其可能原因是样品量比较少或者模型定标时所选样品代表性不强等所致。本研究中多数氨基酸的Rcv2都在80%以上，Rcal2均在90%以上，定标模型精度高。这表明NIRS分析技术运用于蛋鸡豆粕的AME和AAA的预测是可行的。

4 结论

① 不同来源豆粕的罗曼蛋鸡AME、AAA存在较大的差异。

②利用NIRS分析技术可建立罗曼蛋鸡豆粕的AME、AAA预测模型，模型的 Rcal2及预测的RMSEP较好。

［1］ 王康宁，李霞.饲料养分生物效价快速评定［C］//动物营养研究进展——中国畜牧兽医学会动物营养学分会第八届全国代表大学暨第十届学术研讨会论文集.杭州:中国畜牧兽医学会动物营养学分会，2008.

［2］ LOSADA B，GARCÍA-REBOLLAR P，ÁLVAREZ C，et al.The prediction of apparent metabolisable energy content of oil seeds and oil seed by-products for poultry from its chemical components，in vitro analysis or near-infrared reflectance spectroscopy［J］.Animal Feed Science and Technology，2010，160(1/2):62-72.

［3］ LIU Y G，SWICK R A，CRESWELL D.Assessing AME and digestible amino acids of different soybean meals by NIRS and broiler performance［C］//World’s Poultry Science Association，23rd Annual Australian Poultry Science Symposium.Sydney，2012:55-58.

［4］ 赵峰，赵江涛，张宏福.12个豆粕样品鸭代谢能值及氨基酸消化率的比较研究［J］.动物营养学报，2009，21(2):165-172.

［5］ HOAI H T，KINH L V，VIET T Q，et al.Determination of the metabolizable energy content of common feedstuffs in meat-type growing ducks［J］.Animal Feed Science and Technology，2011，170(1/2):126-129.

［6］ PARSONS C M，POTTER L M，BLISS B A.A modified voluntary feed intake bioassay for determination of metabolizable energy with Leghorn roosters［J］.Poultry Science，1984，63(8):1610-1616.

［7］ BAKER K M，UTTERBACK PL，PARSONSC M，et al.Nutritional value of soybean meal produced from conventional，high-protein，or low-oligosaccharide varieties of soybeans and fed to broiler chicks［J］.Poultry Science，2011，90(2):390-395.

［8］ 中国饲料数据库.中国饲料成分及营养价值表［J］.中国饲料，2012(22):40-45.

［9］ 仲菊，杨全明，王本平，等.环境温度、饲料、性别对肉鸡氨基酸表观消化率和氮、能代谢的影响［J］.动物营养学报，2004，16(2):22-28.

［10］ 王冉，周岩民，李如治.五种蛋白质饲料的家禽氨基酸利用率测定研究［J］.中国饲料，2002(24):17-19.

［11］ HUANG K H，LI X，RAVINDRAN V，et al.Comparison of apparent ileal amino acid digestibility of feed ingredients measured with broilers，layers，and roosters［J］.Poultry Science，2006，85(4):625-634.

［12］ BAKER K M，STEIN H H.Amino acid digestibility and concentration of digestible and metabolizable energy in soybean meal produced from conventional，highprotein，or low-oligosaccharide varieties of soybeans and fed to growing pigs［J］.Journal of Animal Science，2009，87(7):2282-2290.

［13］ 呙于明.家禽营养［M］.2版.北京:中国农业大学出版社，2004:260-264.

［14］ GARCIA A R，BATAL A B，DALE N M.A Comparison of methods to determine amino acid digestibility of feed ingredients for chickens［J］.Poultry Science，2007，86(1):94-101.

［15］ 白琪林，陈绍江，董晓玲，等.近红外漫反射光谱法测定玉米秸秆NDF与ADF含量［J］.光谱学与光谱分析，2004，24(11):1345-1347.

［16］ TANG Q K，MIN D，HU T H，et al.Determination of the content of steviol glycoside in stevia rebaudiana by near infrared spectroscopy(NIRS)［J］.Medicinal Plant，2014，5(4):33-35.

［17］ 聂志东，韩建国，玉柱，等.FT-NIR光谱法测定紫花苜蓿青干草的6项品质指标［J］.光谱学与光谱分析，2007，27(7):1308-1311.