数字化模型化助力猪精准营养和豆粕减量研究进展及未来展望

周宇君，曾正程，张姝雅，李 哲，高文君，罗翔诗，王 璐，张 帅

中国农业大学动物科学技术学院，畜禽营养与饲养全国重点实验室，农业农村部饲料工业中心，北京100193

随着全球城镇化的加速，居民对肉蛋奶等畜产品的需求将在未来呈持续增长趋势，这也预示着畜牧业在未来将需要更高的生产效率和更大的生产规模。同时，从可持续发展的角度来看，未来畜牧业必须要朝着环境友好型的方向发展，需要把养殖过程产生的环境压力（包括温室气体、氮、磷等的排放，水资源消耗，土地利用等）减小到可控范围内。要满足以上这些要求，就需要从养殖业整体进行把控，从系统工程的角度进行研究。数字化和模型化恰恰是针对系统工程进行研究和优化的有利工具。

养殖业中数学模型的建立是针对复杂的动物生产系统，将其中可以进行科学评估和方便测定的指标作为参数，对特定的过程或目标进行模拟和预测，从而实现具体管理措施的推荐及决策，主要包括但不限于优化饲喂程序、减少环境压力和生产定制化的畜产品等（Tedeschi，2019）。当前国外研究较多的动物营养数学模型包括营养素消化过程的模型、营养素及能量沉积和分配的模型、动物生长性能及采食量的预测模型，以及以上营养消化代谢过程和遗传、管理、环境、动物健康之间交互作用的模型等（Leishman 等，2023）。尤其是近年来各畜种最新版饲养标准中所纳入的机理模型（Mechanistic models, MMs），可以实现动物体内各生理过程的数学描述，通常被用来解释生理过程的因果变化，并作为企业养殖过程中的决策支持（decision support）和机会分析（opportunity analysis）的重要工具（Ellis 等，2020）。

本文将主要对猪精准营养数学模型、有豆粕替代潜力的原料有效养分动态预测模型和猪精准营养配方系统三方面的研究进展进行综述，并对数字化模型化助力猪精准营养和豆粕减量的未来前景进行展望，以期为未来新业态下饲料原料的高效利用、现代化养殖业产业链供应链水平的提升以及我国畜牧业的可持续发展提供理论和工具参考。

1 猪精准营养数学模型的研究进展和未来展望

猪营养数学模型是实现精准营养和精准饲喂的基础。精准营养或精准饲喂是指“在恰当的时间向特定的动物个体提供含有合适营养素的合适数量的饲料”（Zuidhof，2020）。为了实现这一目标，整个精准饲喂系统需要包含以下部分：（1）特定动物个体信息的准确识别（包括实时的个体身份信息、体重信息等）；（2）下一阶段（如下次饲喂或次日）生产性能的预测模型（如采食量、日增重等）；（3）饲料中的有效养分实时预测模型；（4）基于生产性能预测模型和饲料中的有效养分预测模型提供给个体精确饲料的综合决策算法。其中的信息识别环节中，机器学习（Machine learning, ML）算法模型是当前研究的主流方法。生产性能预测、原料有效养分预测和综合决策算法中，除了传统的线性回归经验模型（Empirical model）外，基于机理模型或机理模型与机器学习模型的混合模型是近年来研究者关注的热点，该类模型不仅可以作为决策工具以确定动物的最佳营养需要量，同时还能把生产效率、生产成本和环境影响等因素纳入在内统筹考虑。例如，Parsons 等（2007）报道了一种基于模型的实时系统，可以控制猪的生长以及氮和氨的排放，该系统的核心是基于猪生长的机理模型以及用于调整饲料配方以优化生长的优化器，模型中使用了养殖现场的实时体重和采食量数据以输入机理模型。Pomar 等（2015）描述了一个类似的模型，该模型遵循“灰盒模型（grey box model）”方法，包括经验模型[“黑箱模型（black box model）”]和基于知识的机理模型两部分。此外，在法国农业科学院（INRA）牵头的Feed–a–Gene 项目中（Brossard 等，2017），同样开发了一种精准饲喂管理系统，以提高猪和家禽对波动环境条件的适应能力并提高饲料效率，与前述两个模型系统相似，该系统包括了养殖现场动物实时个体数据的收集（如体重、采食量、活动等）和环境数据的收集（如温度、湿度等），并将这些信息输入到动物营养经验模型和机理模型中，以基于预期达到的生长性能计算动物的营养需要量，并相应地实施饲喂决策。

在动物生产中常用的数学模型根据其不同特点，通常可以分为静态模型（static model）或 动 态 模 型（dynamic model）、确 定 性 模 型（deterministic model）或随 机 模型（stochastic model）、经验模型（empirical model）或机理模型（mechanistic model）（Thornley 和France，2007）。在猪营养研究上，最早的数学模型出现在20 世纪50～60 年代，主要依赖于经验公式和统计方法，根据猪的体重、品种和生长阶段等因素来估计其营养需求。在20 世纪70～80 年代，随着计算机技术的发展，猪营养与饲料配方上开始采用线性规划模型，通过最小化饲料成本或最大化生产效率来进行饲料配方优化。20 世纪90年代以后，随着对动物生理学和代谢过程的理解加深，猪营养模型逐渐发展为动态机理模型，可以模拟猪的生长、代谢和营养利用过程。现代研究中的猪营养模型越来越精细，可以考虑更多因素，如环境温度、湿度、饮水情况等，以提供更精确的饲养建议。部分研究也开始考虑个体差异，根据不同猪的生长特性、品种、健康状态等因素，提供个性化的营养建议。近年来，随着学科交叉融合的深入，一些研究开始利用机器学习技术，通过对安装在养殖场一线的新型传感器所收集的大量数据进行学习，建立更复杂的猪营养模型，以实现更准确的饲料配方和营养供给，机器学习也使动物营养数学模型研究以前所未有的速度向着人类未知的方向发展。

机器学习是人工智能（AI）的一个分支，涉及到计算机科学、统计学、概率论和信息论等多个领域的技术，用于识别、理解和解释大数据中的模式。虽然在动物科学研究中我们仍旧把机器学习作为一个全新的概念来讨论，但这个术语早在20 世纪50 年代就已经存在了，甚至早于现代互联网发明之前（Samuel，1959）。通常来讲，机器学习可以被认为是一种能够改进数学模型性能并根据经验做出准确预测的计算方法，可以根据其学习类型（有监督模型、无监督模型、半监督模型、强化学习模型）和输出数据类型（连续数据模型、离散数据模型）来分类（Greener 等，2022）。从这一角度出发，当前动物营养研究中建立的数学模型基本都可以被归类为利用连续数据的有监督学习模型。从具体机器学习算法来讲，人工神经网络（ANN）模型已经在动物营养领域的预测任务中有了应用，如我们课题组前期利用ANN 模型建立了基于饲料净能和氨基酸摄入的猪生长性能预测模型（Wang 等，2022），以及基于体重和采食量的猪净能需要量预测模型（Wang 等，2023）。此外，当变量数量大于要预测的目标性状的数量时，通常可以使用支持向量机（SVM）模型进行分类和回归；决策树是另一种流行的机器学习技术，可以用于连续数据（回归任务）和离散数据（分类任务）建模（Leishman 等，2023）。机器学习模型应用的主要困难在于并非所有生产场都有条件安装能记录足量数据的传感器，因此也就无法生成训练机器学习模型所需的大数据。因此，传统的经验模型仍旧会是未来一段时间生产一线中应用的主要模型类型。

在机器学习领域中，另一个正在兴起的研究热点是基于机器学习模型对文献资料的自动搜集、整理和合成。目前被大家熟知的例子便是Chat–GPT 和其他类似的大语言模型工具。这些公共工具可以满足各种各样的基于文本的请求，例如在提供关键字或主题时总结相关文献，根据目标从数据库中发掘和推荐相关论文，以及有可能实现的基于文献数据或合成的数据而不是养殖生产数据来训练数学模型，类似方法已经出现在化学等研究领域（Leishman 等，2023）。虽然该方法在动物营养研究领域的应用情况还有很大的未知性，但我们相信，大语言模型技术在未来必定会对学科发展起到积极的推动作用。

2 有豆粕替代潜力的原料有效养分评价及动态预测模型研究进展和未来展望

2021 年4 月，全国动物营养指导委员会发布了《饲料玉米豆粕减量替代技术方案》；2023年4 月，农业农村部发布了《饲用豆粕减量替代三年行动方案》。其中的重要技术环节是对有玉米豆粕替代潜力的蛋白质饲料原料有效养分的精准把握，当前的关键技术是建立其中有效养分（净能、标准回肠末端可消化氨基酸等）的实时预测模型。结合农业农村部饲料工业中心前期在生长猪上关于原料评价的工作和部分行业参考文献，现将有豆粕替代潜力的主要原料有效养分评价及动态预测模型研究进展总结如下。

2.1 菜籽饼粕

菜籽饼粕是油菜籽加工制油后的副产物，粗蛋白质含量为34%～38%，含有丰富的含硫氨基酸，赖氨酸和精氨酸含量略低。普通菜籽饼粕含以硫甙为主的抗营养因子，适口性差，消化率低于豆粕，可替代40%～50% 的豆粕，而双低菜籽粕可替代60%～80% 的豆粕。菜籽粕有效能值偏低，替代豆粕时需要适量添加油脂；现实中通过培育双低或三低油菜品种或是进行微生物发酵来降低菜籽粕中抗营养因子的含量、提高消化率及其在饲料配方中用量（郄彦昭，2010）。双低菜籽饼的消化能（DE）、代谢能（ME）和标准回肠末端可消化赖氨酸及蛋氨酸（SID Lys、SID Met）可用以下动态模型进行快速预测：DE=1.47 GE–0.21 ADF+0.53 ash–14.72 (R2=0.93) ；ME=9.33–0.09 NDF–0.25 CF+0.59 GE (R2=0.93) ；SID Lys=0.33 PS+56.89 (R2= 0.78)，其中PS 为蛋白质溶解度；SID Met=1.65 Lys–2.40 CF+22.07 Met+111.04(R2=0.91)（李 培 丽，2018）。普 通 菜 籽 饼 粕 的DE 和ME 可用以下动态模型进行快速预测：DE=7.65+0.22 CP+0.24 EE–0.27 ADF+0.15 CF(R2=0.75) ； ME=14.92+0.16 EE–0.26 ADF+0.17 CF (R2=0.69)（张泽宇，2019）。以上模型中DE和ME 的单位为MJ/kg（干物质基础，下同，除特殊说明外）；SID 氨基酸的单位为%（下同）。

2.2 棉籽饼粕

棉籽饼粕是一种从棉籽中提取的农业副产品，粗蛋白质含量高达40%～50%，略高于豆粕，氨基酸组成平衡，精氨酸含量高于豆粕，赖氨酸含量低于豆粕。棉籽饼粕本身或加工过程中产生的小肽和棉子糖具有抗氧化、抗癌和免疫调节等功能（赵金标等，2023）。普通棉籽饼粕可替代30%～40% 的豆粕，脱酚棉籽蛋白可替代60%～80%的豆粕。棉籽粕中常见的抗营养因子是游离棉酚，过度食用会引起畜禽中毒，实际生产中，常使用物理法、化学法和生物发酵法进行脱毒（叶盛，2015）。棉籽粕的DE、ME 和部分SID氨基酸可用以下动态模型进行快速预测：DE=–32.67+3.00 GE–0.21 CP+1.20 EE–0.46 cellulose(R2=0.95)； ME=21.33–1.19 GE+1.15 DE–0.92 EE(R2=0.96)；SID Lys=–25.68+5.01 cellulose–1.84 ADF+95.30 Met (R2=0.85)；SID Trp=83.29–0.52 CP+14.32 AEE (R2=0.70)（马晓康，2015）。

2.3 花生饼粕

花生饼粕是花生仁制油后的副产物，粗蛋白质含量为47%～55%，与豆粕大致相同，氨基酸组成不平衡，矿物质中钙少磷多，且磷多属植酸磷。花生粕在使用过程中由于油脂含量过高、保存条件不当，易受黄曲霉毒素污染；实际生产中，可通过发酵花生粕的工艺促进营养物质吸收和降低抗营养因子等（王嘉豪等，2022）。花生粕的DE、ME 和部分SID 氨基酸可用以下动态模型进行快速预测：DE=0.18+0.73 GE+0.08 CP–0.14 NDF (R2=0.97)；ME=17.78–0.17 NDF (R2=0.59)；SID Lys=48.10 Lys–0.42 NDF–0.61 (R2=0.88) ；SID Met=24.31 Met+28.44 Lys–0.28 NDF+31.16 (R2=0.92)；SID Thr=36.81 Lys+9.50 (R2=0.74)（李青云，2014）。

2.4 葵花籽粕

葵花籽粕有两种常见制取方法：一是在高温下利用有机溶剂制取；二是直接冷榨获得（柴杰等，2016）。葵花籽粕的粗蛋白质含量为27%～37%，赖氨酸含量对比豆粕较低，但其他氨基酸组成较为平衡，特别是富含谷氨酸和天冬氨酸；葵花籽粕中常见的抗营养因子有植酸和绿原酸等，明显少于豆粕中的抗营养因子，并且其中含有的绿原酸对畜禽有抗氧化、抗炎抗菌和促进生长等特殊功效（杨荣等，2020）。葵花籽粕的DE、ME 和部分SID 氨基酸可用以下动态模型进行快速预测：DE=–4.90+0.14 CP–0.08 CF+0.71 GE (R2=0.89) ；ME=–4.90–0.05 NDF+0.66 GE+0.16 CP (R2=0.96) ；SID Lys=39.65+90.30 Met–84.36 Trp (R2=0.98) ；SID Met=58.02–0.49 EE+7.96 Ca+33.98 Met (R2=0.97) ；SID Thr=28.39+56.73 Met (R2=0.87)（刘君地，2014）。

2.5 玉米加工副产物

玉米加工副产物中可部分替代豆粕的有喷浆玉米皮、玉米蛋白粉和玉米胚芽粕，三者均为玉米深加工的副产物。喷浆玉米皮是在玉米湿磨过程中将玉米浸泡液均匀喷撒在玉米皮上干燥后在产物，粗蛋白质含量约为20%（李运杰等，2023）。喷浆玉米皮在使用时易感染真菌霉素；加工过程提高了其粗纤维含量，更适用于反刍动物。玉米蛋白粉是玉米籽实经过淀粉或酒精生产后提纯的副产物，粗蛋白质含量约为60%，但存在有特殊气味、适口性差、抗营养因子高和氨基酸组成不平衡等缺点，实际生产中，常利用发酵玉米蛋白粉的生产工艺改善其营养价值（李运杰等，2023）。玉米蛋白粉的DE、ME 和部分SID 氨基酸可用以下动态模型进行快速预测：DE=15.59+0.10 CP–0.66 ADF (R2=0.59)；ME=22.18–0.08 starch–0.58 ADF (R2=0.65)；SID Met=109.10–0.30 CP+1.13 CF (R2=0.72)；SID Trp=52.94+9.42 ash (R2=0.30)（纪颖，2012）。玉米胚芽粕是玉米胚芽榨油后的副产物，粗蛋白质含量为23%～25%，氨基酸组成平衡，必需氨基酸含量高，含有大量维生素，具有独特芳香气味，适口性好（李运杰等，2023）。玉米胚芽粕的DE、ME 和部分SID 氨基酸可用以下动态模型进行快速预测：DE=26.85–0.28 IDF–17.79 Ca (R2=0.92)；ME=21.05–0.43 ADF–11.40 Ca (R2=0.87)；SID Lys=130.45+9.58 EE–1.16 TDF–51.62 Lys (R2=0.91)；SID Met=184.68–4.43 CP+1.04 starch–0.80 IDF (R2=0.88)；SID Trp=28.92+9.39 AEE+72.19 Ca (R2=0.67)（刘兆宇，2014）。

2.6 玉米干酒糟及其可溶物（玉米DDGS）

玉米DDGS 是采用微生物发酵法制取玉米乙醇燃料后的废渣经过加工、干燥和混合等工艺流程后的产物，粗蛋白质含量为27.5%～33.3%，氨基酸组成与豆粕相似，其中赖氨酸和色氨酸较为缺乏；由于产地和生产工艺等的不同，玉米DDGS 的营养成分价值差异较大。玉米DDGS 相较于玉米，蛋白质、氨基酸和维生素的数量与品质均有提升，并含有未探明机理的促生长因子，实际生产中，可以通过运用酶制剂、改进生产工艺和物理处理等方法提高玉米DDGS 在畜禽中的饲料转化率（扣泽华等，2023）。根据加工工艺的不同，玉米DDGS可以分为全油类和提油类两种，全油类玉米DDGS的DE 和ME 可用以下动态模型进行快速预测：DE 全 油=–643–94.52 CF+1.14 GE–22.89 NDF(R2=0.83)，ME 全 油=7898–42.08 NDF–136.17 ash+101.19 EE–103.83 CP (R2=0.90)，其 中DE 和ME 的单位为kcal/kg；提油类玉米DDGS 的DE和ME 可用以下动态模型进行快速预测：DE 提油=4338–36.75 NDF+32.99 CP–67.10 CF (R2=0.95)，ME 提 油=4066–46.03 NDF+45.80 CP–106.19 ash(R2=0.94)，其 中DE 和ME 的 单 位 为kcal/kg（李平，2014）。如果不分类，玉米DDGS 的DE、ME和部分SID 氨基酸可用以下动态模型进行快速预 测：DE =1874–21.35 NDF+0.65 GE–99.84 CF(R2=0.86)；ME=1463–32.43 NDF+0.79 GE–54.52 ash–68.82 CF (R2=0.87)；SID Lys=57.77+1.13 EE–3.19 a*+55.00 Met (R2=0.91)；SID Met=92.89–1.92 CF–2.09 a*+16.33 Met+5.46 Lys:CP (R2=0.93)；SID Thr=82.88+0.53 EE–3.22 ash (R2=0.64)；SID Trp=56.83+1.10 EE–2.27 ash+35.96 Met (R2=0.82)，其中DE 和ME 的单位为kcal/kg，a*为红度值（李平，2014）。

2.7 亚麻饼粕

亚麻籽富含蛋白质、油脂、不饱和脂肪酸等多种营养物质，亚麻饼粕是亚麻籽加工制油的主要副产物，富含蛋白质和优质脂肪酸，亚麻饼粕和胡麻饼粕的粗蛋白质含量约为32%～49%，蛋氨酸和胱氨酸的含量比豆粕较少。亚麻籽蛋白及其活性肽具有抗氧化、抗菌抗炎、降低胆固醇和降血压等功能（李赫等，2019）。亚麻饼粕中含少量氢氰酸，在实际生产中过渡饲喂会导致畜禽中毒，在猪鸡日粮中可添加5%～6%。亚麻籽饼的DE、ME 和部分SID 氨基酸可用以下动态模型进行快速预测：DE=–13.49+1.58 GE–0.11 NDF (R2=0.90)；ME=–0.31+0.95 DE (R2= 0.97)；SID Lys=45.63+49.49 Met (R2=0.47)；SID Met=107.81–0.57 NDF+0.36 ADF (R2=0.92)；SID Thr=34.66+0.99 CP+0.61 EE(R2=0.71)（陈一凡，2016）。

2.8 其他非常规蛋白原料

我国地大物博，不同地区存在着不同的地源性蛋白饲料原料资源，在实际生产中可以起到豆粕替代的作用。如其他非常规植物饼粕类原料棕榈粕，非常规动物蛋白质饲料昆虫蛋白和牧业林业副产品桑叶等。棕榈粕是棕榈果制油后的副产物，粗蛋白质含量为14.1%～24.8%，仅约为豆粕粗蛋白质含量的一半，但由于其来源广泛、价格低廉，可用于部分代替豆粕；棕榈粕富含氨基酸和矿物质，缺乏赖氨酸、蛋氨酸和色氨酸，纤维含量较高，在饲料中使用需要注意能氮平衡（李国祥等，2023）。昆虫蛋白如黑水虻多为腐生性昆虫，常用于处理有机垃圾，其将生活有机废弃物最大效率的转换成自身生长发育所需的能量，并且转化后的废弃物是一种效价很高的有机肥料，虫粉干的粗蛋白质含量为35%～45%，某些必需氨基酸含量高于豆粕，世代周期短、易于大量养殖（张慧杰等，2023）。桑叶在我国种植历史悠久且抗逆性强，粗蛋白质含量为23%～30%，其中丰富的活性物质可以降血压、降血糖和抗菌抗炎等（姜贝贝等，2017）。但是关于以上原料有效养分的动态预测模型还鲜见报道，需要进行相关的系统评价工作以实现其有效养分的快速便捷预测。

此外，近年来对于猪蛋白饲料原料有效养分的评价工作主要以生长猪为靶动物，为了实现猪精准营养配方的配制，需要知道不同原料在不同生长阶段猪上的有效养分是存在差异的。因此，下一步同样需要聚焦豆粕替代原料在仔猪和母猪上的有效养分研究，或建立基于同种原料的生长猪有效养分数据库推演至仔猪和母猪上的数学模型，从而为实现不同阶段猪的精准营养配制奠定基础。

3 猪精准营养配方系统的研究进展和未来展望

饲料配方软件系统是实现畜禽精准营养的重要工具。最初的饲料配方兴起于20 世纪初，主要依赖于手工计算和经验公式，养殖业者根据动物的基本营养需求和可用原料的营养成分进行手动配比。20 世纪60～70 年代，随着计算机技术的发展，出现了第一代计算机辅助的饲料配方软件，这些软件能够更快速地处理大量数据，提供更准确的饲料配方。20 世纪90 年代，随着养殖业的发展，出现了专门针对特定动物种类（如奶牛、猪等）的饲料配方软件，这些软件提供了更多的定制功能和专业化的营养指导。进入21 世纪，随着互联网的普及，饲料配方软件开始利用云计算和在线数据库，使得用户可以随时随地访问和更新配方数据。

在算法方面，最早的饲料配方软件主要依赖于线性规划算法，通过最小化或最大化特定的目标函数（如成本最小化或营养需求最大化）来求解配方问题。随着算法和计算能力的提升，新一代的饲料配方软件开始采用更复杂的优化算法，包括非线性规划、遗传算法等，以解决更复杂的配方问题。近年来，一些先进的饲料配方软件开始集成机器学习和人工智能技术，通过对大量数据进行学习，实现更精确的配方优化和预测。

在未来，饲料配方软件将朝着更加智能化的方向发展，有望根据动物的生长阶段、健康状态和环境条件等因素自动调整配方，从而实现个性化的营养供给。随着传感器技术在一线养殖场和饲料厂的安装，现场的数据采集能力得到了很大提升，饲料配方软件将有望利用实时的动物健康和生产数据，实现实时监控和调整配方，以提高养殖效率和动物福利。此外，未来的饲料配方软件还将更加关注可持续性和环保因素，通过优化配方，减少资源消耗和排放，以满足日益增长的环保要求。总的来说，饲料配方软件系统的发展将会朝着智能化、数据驱动、可持续性和环保等方向发展，从而为养殖业提供更科学、高效、可持续的解决方案。

4 小结与展望

随着农业4.0 时代的到来，农业生产由机械化全面拥抱信息化甚至智能化，以数字化模型化为代表的精准营养技术在畜牧养殖业中的研究和应用注定会越来越广泛。但由于该研究方向需要掌握畜牧学、数学、信息科学等交叉学科领域的知识，当前国内的研究尚处于起步阶段，距离国外上世纪80～90 年代即开始的研究尚有一定差距。因此，该方面还需要更多感兴趣的研究者持续贡献智慧和力量，尤其是需要抓住大语言模型等新兴技术的窗口期，争取加快补足短板，实现弯道超车，为早日把我国建成畜牧业强国提供强有力的科技支撑。