以遗传潜力推算最佳生长及经济效益的生猪饲料配方及自动化饲喂计划

J.van Milgen， J.Noblet， J.Y.Dourmad，E.Labussière， F.Garcia-Launay， L.Brossard，

（1.INRA，UMR1348 PEGASE，F-35590 圣吉尔，法国；2.Agrocampus Ouest，UMR1348 PEGASE，F-35000 雷恩，法国）

由于人口的增长和收入的增加，FAO（2011）预测2050年人类对动物蛋白的消耗量将在目前的基础上增加2/3，如果要生产如此之多的动物食品，除集约化生产外没有其他技术上和经济上切实可行的替代方案，满足未来人类对动物蛋白需要的唯一途径就是提高动物生产效率。与此同时，动物健康、食品品质和安全、环境、动物福利和消费者的期望等对于确保集约化动物生产系统的可持续性相当重要。

饲料和饲喂方式可以影响生产成本、动物生长和胴体品质。在相对短的时间内对其进行调整，可产生明显效果，并且此效果是可逆的。饲料是猪肉生产过程中成本最高的环节，通常占到生产成本的60%～70%。多数摄入的营养物质转化为动物产品的效率相对较低。比如，蛋白质的转化效率基本上很少超过50%，至于磷和能量的转化效率就更低。

个体差异是自然生物固有的属性。在自然界，变异对于物种适应环境变化并生存下来是很重要的。在农业领域，个体变异被用来筛选具有期望特征的动物品种。尽管如此，在筛选的同一个品系或品种内，个体间的差异也是存在的。因为许多生产方案都是面向群体应用的，动物个体并不一定可以精确的吸收营养来满足自身的需要。因此，资源利用的效率低于最大预期效率。本文就动物间的变异如何用于家畜的精准饲喂系统以此来提高猪肉生产系统的效率进行了综述。

1　家畜精准饲喂的原则

家畜精准饲喂是一项用于控制动物生产系统和管理动物间差异的技术。Wathes等（2008）定义家畜精准饲养为用过程工程学的原则与技术来管理家畜生产系统。他们确认了家畜精准饲养涉及的四个方面：一是生产过程或结果的持续监控；二是预测投入产出的数学模型；三是满意的输出结果（或输出曲线）；四是控制投入的机制。

这就表明应该持续监测猪的重量使其在达到目标体重时进行屠宰，这个过程中饲料（如饲喂量和营养成分）是达到目标体重的一个工具。如果把饲料当作动物生长的控制途径，那么必须可预测不同饲喂水平下猪的生长性能。养殖厂调整饲养策略以求在合适的上市体重卖出，但不依赖额外投入（如称体重）或数学预测模型，而是依靠他们的专业技能和经验。在精准家畜饲养中，会做明确的监测和预测。不同的动物个体间都有差异，在此基础上能够多大程度的精确预测动物的生长性能，而且如何通过我们能从动物上收集的信息准确预测动物的生长性能有待进一步研究。

2　预测猪对营养供应的反应

由于生命系统的复杂性，数学模型已日益成为一个用来理解、整合知识和预测动物对不同的应激（包括饲养环节）如何做出反应的重要途径。其是一个并不依靠（或有限程度的依靠）分析生物机理的模型结构便将投入和产出联系起来，所以经验模型经常被定义为“黑箱”模型。比如，通过一个二次或三次方程将日粮中的脂肪酸含量和背膘中的脂肪酸含量联系起来，而不是依靠脂肪代谢和沉积机制。尽管如此，其能提供一个非常精确的关于背膘中脂肪酸情况的预测。理论模型某种程度上依赖投入转化为产出过程中蕴含的生物机理。这个过程通常用到大量（几十上百个）方程和参数。

2.1一个模拟猪生长的机制方法 首批描述猪生长的营养模型之一是Whittemore和Fawcett（1974）提出的。这个模型可以计算决定机体增重的蛋白质和脂肪沉积。蛋白质沉积取决于日粮中蛋白供应是否充足。当蛋白质供应有限的话，蛋白质的沉积就简单是饲料摄入和蛋白利用总效率的结果。假设蛋白质的沉积是稳定的，脂肪沉积是通过从摄入能量中扣除维持需要的能量和蛋白沉积消耗的能量之后根据能量守恒计算得出的。脂肪沉积因此被认为是一种能量积累可用作计算相对瘦肉和肥肉的增长。这些组织的增长再结合体灰分的增长和胃肠内容物决定了总体重的增长。

Whittemore 和 Fawcett（1976）将这个模型进一步发展提出了不仅脂肪沉积，蛋白质的沉积也决定于能量摄入。这个假设在一定程度上改变了脂肪是唯一能量积累的观点。当能量摄入减少，蛋白质和脂肪的沉积都会受到影响。Whittemore和Fawcett（1976）发现了蛋白质沉积和能量摄入之间的关系，也就是线性-平稳关系。这个关系中的线性部分由脂肪蛋白沉积的最低比率决定，他们假定该比率最低为1。因此，猪在沉积每克蛋白质的时候总是最低沉积一克脂肪。Fowler（1974）提出虽然超量的能量摄入会带来“额外脂肪”，但“基础脂肪”的沉积与瘦肉增长相关。平台阶段显示了现在广泛应用于猪生长营养模型的另一个重要概念。这个概念表明蛋白沉积有一个上限（常称作PDmax），这个上限因品种或性别的不同而有差异。如果能量的供应超过了上限将不会产生额外的蛋白沉积。额外的能量供应将只会有助于脂肪沉积。首个猪生长营养模型（Whittemore和 Fawcett，1976、1974） 的关键概念可总结如下：一是猪的生长取决于蛋白和脂肪沉积；二是生长猪的蛋白沉积有一个上限，该上限在生长过程中是稳定的；三是脂肪蛋白沉积比率有个最小值；四是饲料摄入是一个输入指标，所有未用于维持生命或蛋白沉积的能量都用于脂肪沉积；体重、瘦肉和脂肪组织重量是由体内蛋白和脂肪的重量决定的。

这些基本原则在其他模型中已有进一步发展（Milgen 等，2008；Moughan 等，1987）。 例如，蛋白质沉积有稳定上限已有不同观点，当动物生长被认为达到了成熟，模型中应该包含一些机制来确保当动物趋于成熟时蛋白沉积（以及生长速度）减缓到零。

2.2从营养到组织 第一代营养模型或多或少将动物比作“一袋子营养物质”，更精确来说比作“一袋子蛋白质和脂肪”。因为体内水分和灰分（如矿物质）的重量与体内蛋白质的重量有紧密的联系，总体重从本质上来说是蛋白质和脂肪的重量的作用。相似的，体内瘦肉和脂肪重量分别是蛋白质和脂肪的作用 (Quiniou和Noblet，1995）。这些研究者开发出一系列方程来根据化学组成来估计结构组成。这些信息将动物营养与胴体品质某些方面联系起来。在Halas等（2004）的模型中分别显示了肌肉、器官、骨骼、背膘和皮肤。这就使得在计算组织间差异时可以不是只考虑化学组分并且还考虑到代谢。例如，器官中蛋白比肌肉中蛋白有更高的蛋白周转率这与其有更强的能量消耗有关。

胴体中的脂肪含量、脂肪在组织间的分布和脂肪中脂肪酸的含量都会影响胴体指标和营养价值。然而，模型中对脂肪沉积进行精准的预测依旧是一个重大的挑战。脂肪经常被称作能量积累，这表明消化的能量如果不用于维持生命或蛋白沉积就会用于脂肪沉积。对能量摄入或利用不精确的话将对脂肪沉积有直接影响。对机体整个脂肪重量进行定期称量或估测很难做到。这意味着“关于脂肪沉积的预估错误将会持续累积”并且我们很难弄清楚这些误差。有人已提出一些模型用来计算脂肪在胴体组织和非胴体组织间或不同脂肪储存组织间的分配问题（Halas等，2004）。在猪的研究方面，Lizardo等（2002）的模型是唯一一个考虑到体脂肪和脂肪酸在组织间分配问题的。在这个模型中体内总脂肪通过生长速度的不同分为皮下脂肪、肌间脂肪、肌内脂肪和肾周脂肪。

3　检测系统

猪群中猪的平均采食量或饲料消耗量可通过测定每栏分到的饲料量来估计。商业化的自动记录系统现在也能够估计每栏中每头猪的采食量。对个体采食量的监测可能是精准家畜饲养系统中最重要的信息来源之一。由于采食量和采食行为的敏感性，其在很大程度上可反映猪的生理状态。例如，当猪健康有问题时采食量一般会降低。

猪的生长状况可以通过猪的体重来确定，但称猪重消耗人力且操作过程对猪来说具有应激性。目前，可以使用自动称重系统，如称踩在进料器上的猪前腿重量（Williams等，1996）或使用可视化成像分析系统来估计猪的体重（White等，2004）。

在INRA设备中，我们已为生长猪和育肥猪设置了一个可以容纳大约100头猪的栏，该栏由休息区和采食区组成。猪可以通过一个称重分类系统进入采食区，在这个系统内猪被识别、称重然后训练进入三个不同的出口（如通往采食区或通往去屠宰间的待运栏）。采食区配备八个可以识别猪只并且可以分配少量饲料（猪必须按住一个按钮才可以获得饲料）的进料器。每个进料器配有四个饲料分配器，分配器可设定分发四种饲料中的任何一种或混合物。饲料和水分布于不同区域以确保猪返回到休息区而不是在采食区“闲逛”，猪只通过一个单向门返回到休息区。

在欧洲，猪肉交易关心的是肩部、腰部、大腿后部和腹部的瘦肉比例。通过测量背膘厚度和腰部肌肉厚度来估测这一比例。因为这些测量是在屠宰时进行的，其不可作为实时信息供管理使用。Kloareg等（2006）用不同体重育肥猪活着或屠宰时获得的信息对体内总脂肪重量做最佳预测的试验。结果表明，背膘重量或背膘厚度与体重结合在一起是体内总脂肪重量很好的预测指标，但其中的关系会被基因影响。表明脂肪在体内的分布受到基因的影响。平均来说，背膘脂肪代表了体内总脂肪的18%。双能量X射线吸收测定术已被用于估计生长过程中体内组成的变化（Suster等，2003）。这个技术需要将猪麻醉，因此更不适宜定期检测。可视化成像分析技术具有可在整个生长过程中使用而无需物理干预的优势。从获得的图像中我们可以获得长、宽、高和面积等数据，其可与体总脂肪、肌肉、脂肪、蛋白质重量（Doeschl等，2004）和屠体关节（Doeschl等，2005）的测量值关联起来。

4　处理动物间的变异：种群和个体动物

生长的营养需要模型很大程度上是动物生化代谢决定的。这意味着对于特定的数据，模型总会预测出同样的结果，因为其不考虑变异或不确定性。这也是我们为什么警告InraPorc确定性模型使用者的原因之一，因为当应用到动物群体时该模型对营养需要量的预测值可能会太低。比如，如果按猪的平均需要量给一群猪提供日粮，近一半的猪将按预期生长，因为其获取了最低营养需要量，然而另一半将表现的低于其的生长潜力，因为其获取的营养低于需要量。

在模型中计算出动物间的变异是很复杂的，且从本质上来说有两种方式来处理动物间的变异。第一种方式就是当计算变异且把它用到管理策略时继续把动物当成群体来对待（如就饲养策略、运输策略而言）。然而，并不是所有的变异都是随机的（Schinckel等，2003）。例如，在日增重和采食量上都有随机因素但它们之间也有很强的相关性。如果动物的采食量比平均值低，那么它们往往也会有一个低于平均值的生长速率。Brossard等（2009）分析了InraPorc模型关键参数的变异结构，然后，构建一群虚拟的猪然后对每头猪强力运行该模型来评估群体如何对营养策略做出反应。Brossard等（2010）采用一种模拟的方式总结出了采用多阶段的饲养策略，当给猪饲喂的日粮中含有的赖氨酸占群体动物平均需要量的110%时可以实现最大的经济回报 （基于固定成本、饲料成本和屠体回报）。经过试验检测，结果表明生长反应上的变异可以通过模型来预测，限制饲喂可以作为一个降低屠宰时体重变异的方法（Brossard 等，2014）。

第二个计算变异的方法就是以个体为单位来处理动物。利用监测设备里的信息来控制进料器等设备数学模型的发展速度是很快的。传感器（如称重设备、照相机）的成本是相对适中的，最主要的挑战是以一种适当的方式来利用传感器中的信息。这牵涉到处理数据、实时监测和如何从传感器到经验模型或机理模型来做出预测的整个过程。实时监测可被用作模型中的一个驱动力（Hauschild等，2012），并实时控制自动进料器等设备。这些可能的构想在精准饲养系统中的实际应用仍然处于初级阶段，但第一批结果已被证明是很有前途的。Parsons等（2007）对猪生长的实时控制使用了一个完整的管理系统，用一个可视化分析系统对日增重和机体成分进行监测。Green和Whittemore（2003）的模型被用来预测采食量和生长，往期的数据被用来校准模型参数来计算个体间的变异，且对未来的生长做出预测。把两种原料（不同的蛋白质含量）混合以提供一种最适用于栏中动物的日粮。Pomar等（2010、2009）开发出一种可根据各自需要分配饲料给猪只的精准饲养系统，这个系统使用一个模型和往期的饲喂生长数据来给每个动物提供个性化的日粮配比。结果表明，精准饲喂系统可以降低约5%的饲料成本，而且氮和磷的排泄量可减少40%。相比有三个饲养阶段的传统饲养策略，个体化饲养已被证明可产生同样的效果，但赖氨酸的摄入量、氮和磷排泄物可降低超过20%（Andretta 等，2014）。

5　结论

用数学模型对生产成本和胴体品质的预测已有了相当大的进步。这些模型已帮助我们改善对生物的理解，并且是支持决策系统、猪精准饲喂和生产系统等自动控制系统的重要元素。尽管精准家畜生产被认为是一种具有巨大潜力的 “萌芽中的技术”（Wathes等，2008），还有许多的困难需要克服。猪生产设置中获得的信息可能就是主要限制因子中的一个。如果输入的信息很少或没有，那输出的信息也会是很少或几乎没有。然而，传感器技术是发展很快的，现在最大的挑战是如何有效的利用得到的信息。

Groot（2007）表明，到目前为止，精准家畜养殖只是 “在特定某方面优化当前系统而不反思可能的结构性缺陷的一系列尝试”。如果精准家畜饲养被视作一个过程（如饲喂过程）的优化与创新或是它带来一个能够影响猪生产链各个方面的潜在性系统创新，那么问题就出现了。例如，精准家畜饲养可能被消费者和公民视为动物生产过程的进一步工业化。在精准家畜饲养系统中，多数控制是针对农民或机器的，很少把动物作为一个控制实体来考虑。

[1]Andretta I，Pomar C，Rivest J，et al.The impact of feeding growing-finishing pigs with daily tailored diets using precision feeding techniques on animal performance，nutrient utilization，and body and carcass composition1[J].J.Anim.Sci，2014，92：3925 ～ 3936.

[2]Brossard L，Dourmad J Y， Rivest J，et al.Modelling the variation in performance of a population of growing pigs as affected by lysine supply and feeding strategy[J].Animal，2009，3：1114 ～ 1123.

[3]Brossard L B，Vautier J，van Milgen Y，et al.Comparison of in vivo and in silico growth performance and variability in pigs when applying a feeding strategy designed by simulation to control the variability of slaughter weight[A].Animal Production Science[C].2014.

[4]Doeschl-Wilson A B， Green D M，Fisher A V，et al.The relationship between body dimensions of living pigs and their carcass composition[J].Meat Science，2005，70：229 ～ 240.

[5]Doeschl A B，Green D M， Whittemore C T，et al.The relationship between the body shape of living pigs and their carcass morphology and composition[J].Anim.Sci，2004，79：73 ～ 83.

[6]FAO.2011.World livestock Livestock in food security[S].Food and Agriculture Organization of the United Nations，Rome.2011.

[7]Fowler V R.The nutritional control of growth.D，Lister，D.N.Rhodes，V.R.Fowler，M.F.Fuller Meat animals[A].Growth and productivity[C].Plenum Press，New York，USA.1974.285 ～ 299.

[8]Green D M，Whittemore C T.Architecture of a harmonized model of the growing pig for the determination of dietary net energy and protein requirements and of excretions into the environment（ims pig）[J].Anim.Sci，2003，77：113 ～ 130.

[9]Groot Koerkamp P W G， Bos A P，Van E.Henten.Precision livestock farming：Creating order beyond control[A].S.Cox（ed.）Precision livestock farming'07[C].Wageningen Academic Publishers，Wageningen，the Netherlands，2007.17 ～ 26.

[10]Halas V，Dijkstra J，Babinszky L，et al.Modelling of nutrient partitioning in growing pigs to predict their anatomical body composition.1.Model description[J].Br.J.Nutr，2004，92：725 ～ 734.

[11]Hauschild L，Lovatto P A，Pomar J，et al.Development of sustainable precision farming systems for swine：Estimating real ～ time individual amino acid requirements in growing-finishing pigs[J].J.Anim.Sci，2012，90：2255 ～ 2263.

[12]Kloareg M，Noblet J，J.van Milgen.Estimation of whole body lipid mass in finishing pigs[J].Anim.Sci，2006，82：241 ～ 251.

[13]Lizardo R，van J.Milgen J，Mourot J，et al.A nutritional model of fatty acid composition in the growing-finishing pig[J].Livest.Prod.Sci，2002，75：167 ～ 182.

[14]Moughan P J，Smith W C，Pearson G.Description and validation of a model simulating growth in the pig （20 ～ 90 kg liveweight）[J].N.Z.J.Agric.Res，1987，30：481 ～ 489.

[15]van Milgen J，Valancogne A， Dubois S，et al.Inraporc：A model and decision support tool for the nutrition of growing pigs[J].Anim.Feed Sci.Technol，2008，143：387 ～ 405.

[16]Quiniou N，NobletJ.Prediction of tissular body composition from protein and lipid deposition in growing pigs[J].J.Anim.Sci，1995，73：1567 ～ 1575.

[17]Whittemore C T，Fawcett R H.Model responses of the growing pig to the dietary intake of energy and protein[J].Anim.Prod，1974，19：221 ～ 231.

[18]Whittemore C T，Fawcett R H.Theoretical aspects of a flexible model to simulate protein and lipid growth in pigs[J].Anim.Prod，1976，22：87 ～ 96.

[19]Williams S R O，Moore G A，Currie E.Automatic weighing of pigs fed ad libitum[J].J.Agric.Engng.Res，1996.64：1 ～ 10.

[20]Wathes C M，Kristensen H H，Aerts J M，and D.Berckmans.Is precision livestock farming an engineer's daydream or nightmare，an animal's friend or foe，and a farmer's panacea or pitfall[J].Comput.Electron.Agric，2008，64：2 ～ 10.