稻谷对鹅的营养价值评定及代谢能预测

2023-12-04许丽蓉戴求仲蒋桂韬范志勇

动物营养学报 2023年11期

许丽蓉李闯刘洋黄璇张旭邓萍戴求仲夏敏蒋桂韬* 范志勇*

(1.湖南农业大学动物科学技术学院,长沙 410128;2.湖南省畜牧兽医研究所,长沙 410128;3.湘潭市农业农村局,湘潭 411100)

我国畜禽饲粮多为玉米-豆粕型饲粮。近年来,畜牧业迅速发展,饲料资源日趋紧张,我国很多地区玉米供不应求,开发利用新型饲料资源替代玉米已迫在眉睫。稻谷是我国乃至亚洲产量最大的粮食作物,据国家统计局数据显示,2020年我国稻谷产量占世界稻谷总产量的37.3%,约为2.118 6亿t,居世界之首。研究表明,稻谷可以作为能量饲料替代玉米在鹅饲粮中使用。张航[1]研究结果显示,对于1～28日龄的仔鹅可以在饲粮中加入不超过28%的稻谷替代玉米,对于29～70日龄的仔鹅可以在饲粮中加入不超过52%的稻谷替代玉米,不仅能改善仔鹅生产性能,同时还能降低其增重成本。贾代汉等[2]研究结果显示,在鹅饲粮中添加10%、20%、30%的整粒稻谷,能够提高其平均日采食量和平均日增重。

由于种植环境、气候条件、肥料、生长季节及储存条件等的不同,不同地区的稻谷营养物质存在诸多差异。陈玉洁[3]测定5种不同产地稻谷的粗蛋白质(CP)含量平均值为7.11%,变异系数(CV)为17.79%,粗脂肪(EE)含量平均值为2.65%,CV高达64.47%,直链淀粉(AM)含量平均值为6.07%,CV为18.82%。因此,需要针对性的对不同产地的稻谷进行全面的营养物质利用率测定,以确保合理准确地配制饲粮。本试验通过代谢试验的方法测定14种稻谷对武冈铜鹅公鹅的主要营养物质表观利用率及代谢能,建立稻谷的代谢能预测方程,以期为鹅实际生产中使用稻谷提供科学依据。

1 材料与方法

1.1 饲料样品及处理

从江西、广西、广东、湖南和安徽等5个省区共采集14种稻谷样品(均为籼稻),稻谷来源见表1。取样方式如下:从主产区大米加工厂的仓库采集样品,按稻谷堆形和面积大小采用分区设点的方式(每区面积不超过50 m2,设中心和四角共5个点),共取5 kg,然后再通过四分法取样200 g,并粉碎,通过20目筛后保存待测。

表1 稻谷来源Table 1 Sources of rice

1.2 试验设计及饲养管理

选用200日龄、身体健康、体重[(5.30±0.43) kg]相近的武冈铜鹅公鹅24只,随机分为4组(每组6个重复,每个重复1只),每组对应1种待测稻谷,共进行4期试验。预试期将24只鹅全部放入代谢笼中,每笼1只鹅,每天于08:00和15:00预饲基础饲粮,自然光照和通风,自由饮水,共进行20 d。

1.3 试验方法

代谢试验采用强饲法进行,参照Sibbald[4]的方法。具体方法如下:预试期最后1天预饲待测稻谷样品。正式试验开始后,第1天14:00试验鹅开始禁食,持续时间24 h,24 h之后每只鹅准确强饲稻谷样品80 g,记录强饲结束时间。每只鹅强饲结束后立即换上干净的收粪板收集24 h的粪便。收集的粪便添加10%的盐酸进行固氮,后置于60 ℃烘箱烘干,于室温下回潮24 h后称重记录,并粉碎过20目筛,后置于-20 ℃冰箱保存。按上述方法依次测定其他的稻谷样品,共进行4期试验,每期试验结束后饲喂鹅基础饲粮,7 d后再进行下一期试验。4期试验结束后测定内源组。内源组鹅在正式试验第1天14:00开始禁食,在第2天14:00换上干净的收粪板收集24 h的粪便,粪便处理方法同上。试验期间正常饮水。

1.4 指标测定与计算方法

1.4.1 指标测定

稻谷原料和粪样的总能(GE)和营养物质测定如下:GE采用全自动氧弹式测热仪(湖南开元仪器有限公司)测定,CP含量采用FOSS Kjeltec-8400全自动凯氏定氮仪测定,粗纤维(CF)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)含量采用ANKOM A-200i型半自动纤维分析仪测定,EE含量采用FoodALYT RD-40全自动索氏抽提系统测定,以上指标测定均严格按照仪器说明进行操作。钙(Ca)含量的测定参照《饲料中钙、铜、铁、镁、锰、钾、钠和锌含量的测定原子吸收光谱法》(GB/T 13885—2017)[5]的方法,总磷(TP)含量的测定参照《饲料中总磷的测定分光光度法》(GB/T 6437—2018)[6]的方法,AM和支链淀粉(AP)含量的测定参照何洁等[7]的方法,可溶性纤维(SDF)和不可溶性纤维(IDF)含量的测定参照《食品中膳食纤维的测定》(GB 5009.88—2014)[8]的方法。

1.4.2 计算方法

表观代谢能(AME)、真代谢能(TME)和营养物质表观利用率计算公式如下:

AME(MJ/kg)=(强饲稻谷重量×
稻谷GE-粪便量×粪样GE)/强饲稻谷重量;
TME(MJ/kg)=AME+(内源组
粪便量×粪样GE);
营养物质表观利用率(%)=[(稻谷营养物质
含量×强饲稻谷重量-粪样营养物质含量×
粪便量)/(稻谷营养物质含量×
强饲稻谷重量)]×100。

1.5 数据统计与分析

使用Excel 2016进行数据整理,之后使用SPSS 22.0软件的单因素方差分析程序进行分析,并采用Duncan氏法进行显著性检验;采用SPSS 22.0软件对稻谷各指标之间的相关性进行分析,采用回归法建立稻谷AME和TME的预测方程。以P<0.05和P<0.01分别作为检验各项数据差异显著和极显著的依据,结果用平均值和标准差表示。

2 结果与分析

2.1 稻谷GE及主要营养物质含量

如表2所示,本试验测定的14种稻谷的GE分别为15.75、15.94、16.08、15.60、16.07、15.92、16.00、16.60、16.02、15.91、16.47、16.09、16.06和15.53 MJ/kg,平均值为16.00 MJ/kg。CP、EE、CF、NDF、ADF、Ash、Ca、TP、AP、AM、SDF、IDF含量的平均值分别为7.19%、2.70%、6.77%、19.01%、7.39%、3.76%、0.07%、0.25%、41.40%、18.73%、5.51%和14.15%。

表2 稻谷GE及主要营养物质含量(风干基础)Table 2 GE and main nutrient contents of rice (air-dry basis)

2.2 鹅对稻谷的能量利用率

由表3可知,鹅对14种稻谷的GE利用率为75.19%～83.82%,平均值为79.47%;AME为11.84～13.65 MJ/kg,平均值为12.71 MJ/kg;TME为12.63～14.24 MJ/kg,平均值为13.34 MJ/kg。

表3 鹅对稻谷的代谢能及总能利用率Table 3 Metabolizable energy and GE utilization rate of rice in geese

2.3 鹅对稻谷主要营养物质表观利用率

如表4可知,鹅对稻谷CP、CF、EE、SDF和IDF表观利用率平均值分别为60.58%、11.91%、60.54%、61.69%和27.91%。

表4 鹅对稻谷主要营养物质表观利用率Table 4 Main nutrient apparent utilization rates of rice in geese %

2.4 稻谷主要营养物质与AME、TME的相关性分析及AME、TME回归预测方程的建立

由表5可知,CP含量与GE表现为极显著正相关(P<0.01);NDF含量与AM、IDF含量表现为极显著正相关(P<0.01);TP含量与DM含量表现为极显著负相关(P<0.01);IDF含量与AM含量表现为极显著正相关(P<0.01);SDF含量与Ca含量表现为极显著正相关(P<0.01),与DM、Ash、IDF含量表现为极显著负相关(P<0.01)。

表5 稻谷GE和营养物质含量之间相关系数Table 5 Correlation coefficients of GE and nutrient contents in rice

由表6可知,AME、TME与GE、CP含量表现为极显著正相关(P<0.01),与NDF含量表现为极显著负相关(P<0.01),与EE、CF、Ca含量表现为显著负相关(P<0.05)。

表6 稻谷营养物质含量与AME、TME的相关系数Table 6 Correlation coefficients of nutrient contents with AME,TME in rice

由表7可知,GE对AME、TME的一元线性回归方程达到显著水平(P<0.05),决定系数(R2)分别为0.258和0.263,CP、NDF、EE、CF含量对AME、TME的一元线性回归方程R2均低于GE。因此,本试验最佳预测一元线性回归方程建立在GE上,但该方法的R2均不理想,因此需要进行多元回归方程的预测。

表7 AME和TME与各营养物质含量的一元线性回归方程Table 7 Simple linear regression equations between AME, TME and nutrient contents

根据相关关系分析结果,选择与AME、TME有显著相关关系的营养物质含量为预测因子,利用回归法剔除不显著相关指标,求导出多元回归方程,在P<0.05水平下,建立代谢能的预测回归方程如下:

AME=1.605GE-4.202NDF-
13.293(R2=0.341,P=0.039);
TME=1.626GE-4.400NDF-12.259
(R2=0.385,P=0.028)。

3 讨论

3.1 稻谷GE和主要营养物质含量

淀粉由AM和AP两大主要成分组成,两者的比例因原料品种和来源有所差异[9-10]。AM和AP的比例和结构决定了淀粉的黏性和消化率等功能特性[11-12],是原料的重要营养指标[13]。本试验对来自5个省区的14种籼稻样品进行营养物质分析,结果显示,AP和AM平均值均略高于陈玉洁[3]的测定结果(20.11%～25.94%、4.69%～7.49%),GE及CP、EE含量平均值均与陈玉洁[3]的测定结果一致(15.31%～16.52%、5.80%～8.78%、0.90%～5.18%),TP含量平均值略高于Sittiya等[14]测定的结果,CF含量平均值与《中国饲料成分与营养价值表》(2019年第30版)中营养物质含量接近。其原因可能是稻谷来源和种植环境不同所致。

饲粮纤维指不能被哺乳动物消化酶降解的所有植物多糖和木质素[15],根据溶解性分为SDF和IDF。SDF指植物样品中除去淀粉、脂肪和蛋白质后溶于水但不溶于80%乙醇的多糖成分,主要包括阿拉伯木聚糖、瓜尔胶、β-葡聚糖及果胶类物质等[16];IDF主要是细胞壁的组成部分,包括纤维素、一部分半纤维和木质素等[17]。SDF在后肠段可被微生物迅速发酵,增加消化液黏度,降低消化液通过肠道的速率,且易吸水膨胀而增加饱腹感;IDF在未被消化时通过肠道,可增加食糜通过率和粪便体积[18]。目前关于稻谷中SDF和IDF含量测定的研究较少。我国《猪营养需要》中测定的稻谷SDF含量为5.58%,IDF含量为15.34%,均略高于本试验测定结果。综上所述,不同来源稻谷样品可能因为产地和气候条件等因素导致营养物质含量存在差异。

3.2 稻谷对鹅的代谢能

代谢能是评定饲料营养价值的重要依据。本试验用200日龄武冈铜鹅测定14种稻谷的AME为11.84～13.65 MJ/kg,TME为12.63～14.24 MJ/kg。张航[1]选用同样日龄的扬州鹅试验,结果AME为12.03 MJ/kg、TME为12.86 MJ/kg,与本试验结果一致;王庆等[19]测定的扬州鹅的TME为12.33 MJ/kg,略低于本试验结果。归其原因可能是受试动物和测定条件不同所致。

3.3 稻谷的主要营养物质表观利用率

本试验结果表明,鹅对稻谷的CP、EE和IDF表观利用率较高,对CF和SDF表观利用率相对较低,且不同来源的稻谷营养物质表观利用率存在差异,可能是由于不同来源的稻谷营养物质及各营养物质之间的含量存在差异导致的。

宿国强等[20]研究表明,鹅对3种不同来源小麦的CP表观利用率存在显著差异,平均值为67.20%。盛东峰等[21]测定的鹅对玉米的CP表观利用率为74.88%,对麦麸的CP表观利用率为52.96%,对豆粕的CP表观利用率为31.93%,对稻谷的CP表观利用率为72.52%。张航[1]测定的鹅对稻谷的CP表观利用率为56.71%。本试验测定的鹅对稻谷的CP表观利用率为47.10%～78.81%,平均值为60.58%,与张航[1]的测定结果相近,低于盛东峰等[21]的测定结果,且差异较大。综上所述,鹅对稻谷的CP表观利用率低于鹅对小麦和玉米的CP表观利用率,高于鹅对麦麸和豆粕的CP表观利用率。本研究中,鹅对稻谷的CF表观利用率为9.79%～15.46%,平均值为11.91%,高于宿国强等[20]测定的鹅对小麦的CF表观利用率。家禽对稻谷SDF和IDF表观利用率的研究未见报道。本试验中,鹅对稻谷的SDF表观利用率为8.52%,IDF表观利用率为41.85%。综上所述,稻谷对武冈铜鹅具有较高的营养价值,建议实际使用稻谷时检测其各种营养物质含量。

3.4 稻谷的代谢能最佳预测因子和预测方程的选择

常用饲料化学成分估测动物有效能是一种快速、简便、准确的方法。齐智利等[22]研究结果显示,GE是一元线性回归预测鸭饲料TME的最佳预测因子,在此基础上引入NDF,建立了最优二元预测方程:TME=1.339 88GE-0.382 08NDF-3.824 44(R2=0.940 3,相对标准偏差=0.529 54)。本研究得出的AME和TME的预测方程中,AME和TME与GE、CP含量表现为显著正相关,与NDF、EE、CF含量表现为显著负相关。一元线性回归分析中,以GE为变量的AME、TME一元线性回归方程相关系数最高,达到显著水平,之后引入NDF作为修正,得出最佳预测方程。因此,本研究认为GE对AME和TME的贡献最大,其次是NDF。这与齐智利等[22]的研究结果一致。而宋代军等[23]的研究结果显示,最佳一元回归方程建立在NDF基础上,与本试验结果不一致,但最佳多元线性回归方程仍然建立在NDF和GE上,与本试验结果一致。从前人研究结果中发现,家禽代谢能预测方程的建立大多是先引入一元预测因子建立一元线性回归预测方程,之后再引入其他变量作为修正建立二元或者多元回归预测方程,与一元预测方程相比,多元预测方程的准确度更高,与本研究结果相似。