1～21日龄黄羽肉鸡棉籽粕傅里叶近红外及化学成分净能预测模型研究

陈玉娟 贾 刚 吴秀群 王康宁

(四川农业大学动物营养研究所，雅安 625014)

1～21日龄黄羽肉鸡棉籽粕傅里叶近红外及化学成分净能预测模型研究

陈玉娟 贾 刚 吴秀群 王康宁*

(四川农业大学动物营养研究所，雅安 625014)

本试验在用比较屠宰法实测25个棉籽粕样品净能(NE)值的基础上，旨在研究用傅里叶近红外(NIRS)和化学成分2种方法建立的NE预测模型的可行性，并比较2种预测模型的预测效果。1)棉籽粕NE值的测定采用维持NE(NEm)+沉积NE(NEp)的方法。其中NEm用回归法测定，设自由采食及限饲20%、40%、60%和80%5个采食梯度，NEp采用套算法测定;每个梯度和棉籽粕样品均设6个重复，每个重复2只鸡。试验动物为382只平均体重为(62.20±0.64)g的7日龄末空腹康达尔黄羽肉公鸡，试验期为7 d。2)分别建立自然状态和扩大水分背景的NIRS预测模型M1和M2。3)将25个棉籽粕样品的表观代谢能(AME)、粗蛋白质、粗脂肪、粗纤维、中性洗涤纤维、酸性洗涤纤维和灰分7种成分值与NE值进行一元和多元线性回归分析。结果如下:1)M1、M2的校正决定系数(R2cal)分别为 0.999、0.985，校正标准差(RMSEE)分别为0.033、0.084 MJ/kg DM，交叉验证决定系数(R2cv)分别为 0.966、0.967，交叉验证标准差(RMSECV)分别为 0.120、0.117 M J/kg DM，预测决定系数(R2val)分别为 0.843、0.957，预测标准差(RMSEP)分别为0.260、0.136 M J/kg DM，2个模型预测值与实测值配对t检验结果均不显著(P＞0.05)。2)用化学成分结合AME建立的最佳预测方程的R2和RSD分别为0.985和0.093 M J/kg DM。结果表明:1)应用NIRS和AME结合化学成分均能建立预测效果可靠的棉籽粕NE预测模型;2)NIRS所建M2模型的预测效果与AME结合化学成分所建模型相当。

黄羽肉鸡;NE;预测;近红外;水分校正

在杂粕型饲粮中采用净能(NE)体系评价能量比采用代谢能(ME)体系更加准确。但实测NE非常困难，限制了NE体系的推广和应用，在实际生产中可以使用可靠的预测模型对原料NE值进行估计。目前，采用比较屠宰试验结合回归法和套算法实测黄羽肉鸡饲料原料NE值的方法已比较成熟，Huan 等［1］、张正帆等［2］应用该方法分别测得了较为准确的玉米和豆粕的NE值，并在此基础上用化学成分并结合表观代谢能(AME)建立了黄羽肉鸡玉米和豆粕的NE预测模型，发现AME结合化学成分所建模型优于只用化学成分所建立的模型。张正帆等［2］通过扩大背景水分区间以较少样品建立了较理想的傅里叶近红外(NIRS)模型，且与AME结合化学成分所建模型效果相当。在1～21日龄的黄羽肉鸡上已先后建立了玉米和豆粕的NE预测模型，针对这一生长阶段的黄羽肉鸡的NE预测研究正逐渐形成一个完整可用的数据体系。但目前关于棉籽粕NE值的报道还较少，有待验证，且黄羽肉鸡棉籽粕的NE预测模型也还未见报道。本试验以1～21日龄康达尔黄羽肉鸡为动物模型，在实测25个棉籽粕样品NE值的基础上，分别研究了通过扩大背景水分区间以较少样品数建立效果较好的NIRS NE预测模型的可行性，以及用化学成分并结合AME建立棉籽粕NE预测模型的可行性，并对2种预测模型的预测效果进行比较。

1 材料与方法

1.1 棉籽粕NE值的测定

棉籽粕NE值的测定采用维持NE(NEm)+沉积NE(NEp)的方法。其中NEm的测定采用回归法，设自由采食、限饲20%、40%、60% 和80%5个采食梯度，NEp的测定采用套算法。每个采食梯度和棉籽粕样品均设6个重复，每个重复2只鸡。试鸡均为饥饿36 h后空腹、平均体重为(62.20±0.64)g的7日龄末黄羽肉公鸡，共382只，试验期为7 d。测定NEm的试验饲粮赖氨酸(Lys)水平参照于叶娜等［3］提出的真可消化赖氨酸(TDLys)含量为0.99%，氨基酸平衡模式参照NRC(1994)和 Baker［4］，其余各养分水平参照中国黄羽肉鸡饲养标准(NY/T 33—2004)配制。测定NEp的基础饲粮粗蛋白质(CP)水平作适当下调，使顶替15%棉籽粕后的测试饲粮的CP水平与按NRC(1994)标准配制的玉米－豆粕型饲粮相近［2］。数据采用EXCEL软件进行统计分析，试验结果用平均值±标准差表示。

1.2 近红外NE预测模型的建立

按照水分和NE分布从25个棉籽粕样品中选择8个自然状态的样品作为外部验证集，其余17个样品作为校正集 1;将校正集1各样品分为5份，并将5份样品水分含量分别调整到9%～10%、10% ～11%、11% ～12%、12% ～13%、13% ～14%5个区间，作为校正集 2;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，筛选棉籽粕样品建模的最佳预处理方法，分别以校正集1和2建立NIRS预测模型M1和M2，并对2个模型进行外部检验，考察2个模型的预测决定系数(R2val)和预测标准差(RMSEP)，对NE的实测值和NIRS预测值进行配对t检验。各项指标计算公式如下:

式中，n为样品数;为第i个样品的预测值;yi为第i个样品的实测值;ym为样本实测值的平均值。R2接近100%表示预测值接近实测值。

预测标准差越小，表示近红外预测值与实测值越接近。

预测相对标准差RSD(%)=(RMSEP/ymp)×100。

式中，ymp表示验证集实测值的平均值;RSD反映模型对总体的预测效果，值越小越好。

1.3 化学成分和AME预测棉籽粕NE模型的建立

测定25个棉籽粕样品的 AME、CP、粗脂肪(EE)、粗纤维(CF)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、灰分(Ash)，用 SPSS 17.0统计软件对以上指标与实测NE值进行回归分析，建立一元和多元棉籽粕NE预测模型。选择拟合效果较优的预测方程对1.2中的8个外部验证集棉籽粕样品进行预测，将实测值和预测值进行配对t检验，筛选最佳预测方程。

2 结果与分析

2.1 棉籽粕的化学成分含量和AM E、NE值

表 1列出了各棉籽粕样品的 CP、EE、CF、NDF、ADF和Ash的含量及AME、NE和NE/AME值的范围和均值。

2.2 棉籽粕NE的NIRS预测模型

校正集和验证集的NE值和水分含量见表2，棉籽粕NE的NIRS建模条件见表3，所建模型的校正、交叉验证、外部验证参数及实测值与预测值的配对t检验结果见表4。

由表4可见，2个模型的校正决定系数()和交叉验证决定系数()均较高，都在 0.96以上;校正标准差(RMSEE)和 RMSECV均小于0.12 M J/kg DM，表明模型拟合效果较好。M1、M2对外部验证集样品的预测值与实测值配对t检验结果均未达到显著水平(P＞0.05)，即预测值与实测值之间差异不显著(P＞0.05)，2个模型对外部验证集样品的预测结果较可靠。但2个模型预测决定系数)分别为0.843和 0.957，RMSEP分别为0.260和 0.136，可见 M2的预测效果优于M1。

表1 棉籽粕化学成分含量、AM E、NE和NE/AME的范围和均值(干物质基础)Table 1 The range and mean of chem ical composition and the values of AME，NE and NE/AME of cottonseed meals(DM basis)

表2 校正集和验证集的NE值(干物质基础)和水分含量Table 2 NE values(DM basis)and moisture contents in calibration and verification sets

表3 棉籽粕NE的NIRS建模条件Table 3 The NIRSmodeling conditions of NEs of cottonseed meals

表4 NIRS预测模型的校正、交叉验证、外部验证参数及配对t检验结果Table 4 Calibration，cross validation，prediction statistics and P-values of paired-sam ples t test for NIRS predictivemodels

2.3 棉籽粕NE的化学成分预测模型

通过线性回归分析得到一元及多元棉籽粕NE预测方程，含不同预测因子数的最佳预测方程列在表5中。方程1～3为仅使用化学成分作为预测因子建立的模型，方程4～10为AME结合化学成分得到的回归模型。由表5可见，随预测因子数增加，方程拟合度升高，RSD值减小。在预测因子数相同的情况下，AME结合化学成分建立的NE预测方程优于只用化学成分建立的预测方程。从R2和RSD值看，方程8、9、10的拟合效果较好。

表5 棉籽粕化学成分及AME与NE的一元及多元回归方程(干物质基础)Table 5 One-dimensional linear regression equation and multivariate linear regression equations for chem ical composition and AMEs with NEs(DM basis)

表6列出了方程8、9、10对外部验证集8个样品的预测结果，方程8和10的预测结果较好，预测值与实测值之间差异不显著(P＞0.05);方程9的预测值与实测值之间的差异达到显著水平(P＜0.05)。

表6 回归方程对外部验证集的预测结果Table 6 The predictive results of regression equations for prediction set

3 讨论

3.1 棉籽粕的净能值

本试验测得25个棉籽粕样品的NE值范围为5.00～7.48 MJ/kg DM，相对 AME 的转化率为58.38% ～ 63.51%。Fraps［5］测 定 了 48.00% 、45.00%、43.00% 、43.00%、41.12%、41.00% 和41.00%的 7 种棉粕的 NE 值分别为 7.54、6.80、6.87、6.62、6.57、6.59 和 6.24 MJ/kg DM，均在本试验测定的NE值范围以内。MacLeod［6］用Nehring［7］和 De Groote［8］提出的预测公式计算得到的NE值相对ME的转化率为63%，也在本试验测得的范围内。以上表明本试验测得的棉籽粕NE值比较准确。

3.2 棉籽粕NE的NIRS预测模型

根据Xiccato等［9］提出的理论，饲粮能值与原料中CP、EE、CF等成分在近红外谱区内的倍频及合频吸收相关，李静［10］报道，棉籽粕样品中水分在4 903－1有O—H键合频吸收峰，该峰会引起蛋白质在4 677－1处的吸收峰和纤维在4 427－1处的吸收峰向远波区偏移。因此，样品中水分的含量必然影响NE预测的准确性。本试验中所建M2模型的优化谱区范围包括了 7 502.1－1～6 098.1－1和5 450.1－1～4 246.7－12 个区段，恰好将李勇等［11］报道的表征水分特性的最佳光谱区间为7 502.2－1～6 098.2－1和 4 601.6－1～4 246.7－1包含在内。表明M2对样品所含水分进行了有效校正。从外部验证集的检验结果也看出，M2的、RMSEP和配对t检验P值均优于M1，表明扩大样品背景水分能够消除水分对预测结果准确性的影响，在较少建模样品数条件下获得更好的建模效果，与张正帆等［2］的报道一致，这可能是由于在扩大定标集水分覆盖范围的同时，增加了参与建模计算的光谱数量，从而提高了模型稳定性。M2的、RMSEE、和均略优于张正帆等［2］建立的NIRS豆粕NE水分校正模型，RMSECV和RMSEP则与其接近。M2预测值标准差占预测平均值的比例(RSD)为0.099%，相对误差小于2%，且预测值与实测值的差异，经t检验差异也不显著(P＞0.05)，表明本试验所建M2效果较理想。

3.3 棉籽粕NE的AME及化学成分预测方程

在单因子预测方程中，AME的R2最高，RSD最低，分别为0.975和0.108，并且在预测因子数相同的情况下，AME结合化学成分建立的NE预测方程优于只用化学成分建立的预测方程，表明AME是预测棉籽粕NE的最佳单因子，与Huan等［1］、张正帆等［2］的试验结果一致。另外在全部预测方程中CP都是负效应因子，与Emmans［12］提出的2个理论模型相一致。这主要是蛋白质的ME利用效率较低，随着粗蛋白质的增加，NE势必会降低。方程8和10的R2和RSD均为0.985和0.090 MJ/kg DM，且预测值与实测值配对t检验结果也均不显著(P＞0.05)，根据预测因子数越少越好的原则，确定方程8为本试验的最佳化学预测模型。方程8的R2和 RSD与张正帆等［2］用AME结合化学成分建立的预测豆粕NE的四元方程也很接近，其R2和 RSD分别为 0.98和0.079 MJ/kg DM。方程8的预测值标准差与预测平均值的比例0.094%，标准差很小，且相对误差在2%以内，表明所建模型的预测效果好，可以应用。

方程8与NIRS所建预测模型M2相比较，RSD分别为0.099%和0.094%，表明2个模型预测稳定性相当。只是2个模型的预测值与实测值的差值经配对t检验，M2要略优于方程8。而张正帆等［2］用AME结合化学成分所建豆粕NE预测模型要略优于NIRS所建模型。这可能是由于本试验外部验证集样品数较少，代表性稍弱而引起的偏差。

4 结论

①用化学成分结合AME可建立预测效果可靠的棉籽粕NE预测模型，最佳预测公式为NE=2.655+0.530AME－ 3.366CP+9.287EE－2.715CF。

②通过扩大背景水分区间可以较少样品数建立效果较好的NIRS棉籽粕NE预测模型。

③NIRS所建M2模型的预测效果与AME结合化学成分所建最佳预测公式相当。

［1］HUAN Z J，WANG K N.Prediction of net energy value of corn and soybean meal for broiler chicken［J］.Journal of Agricultural Science and Technology，2009，6:6－11.

［2］张正帆，王康宁，贾刚，等.1～21日龄黄羽肉鸡豆粕净能预测模型［J］.动物营养学报，2011，23(2):250－257.

［3］于叶娜，贾刚，王康宁.1～21日龄黄羽肉鸡净能需要量及其真可消化赖氨酸与净能适宜比例的研究［J］.动物营养学报，2010，22(6):1536 －1543.

［4］BAKER D H.Ideal protein and am ino acid requirement of broiler chicks［C］//American Institute of Nutrition.Proceedings of the California nutrition conference.Fresno:［s.n.］，1994:21－24.

［5］FRAPSG S.Composition and productive energy of poultry feeds and rations［J］.Agricultural and Mechanical College of Texas，1946，678:6－37.

［6］MACLEOD M G.Modeling the utilization of dietary energy and am ino acids by poultry［C］//THEODOROU M K.Feeding systems and feed evaluation models. Midlothian， UK:CAB International， 2000:393－412.

［7］NEHRING K.Investigations on the scientific basis for the use of netenergy for fattening as ameasure of feed value［C］//BLAXTER K L，KIELANOWSKI J，THORBEK G.Proceeding of the 4th symposium.Energy metabolism of farm animals，Warsaw，Poland.New castle，England:Oriel Press，1969:5 －20.

［8］DE GROOTE G.A com parison of a new net energy system with themetabolisable energy system in broiler diet formulation，performance and profitability［J］.British Poultry Science，1974，15:75－95.

［9］XICCATO G，TROCINO A，CARAZOLO A，et al.Nutritive evaluation and ingredient prediction of compound feeds for rabbits by near infrared reflectance spectroscopy［J］.Animal Feed Science and Technol-ogy，1999，77:201－212.

［10］李静.傅立叶近红外测定麦麸、棉粕常规化学成分及样品水分对模型预测效的影响［D］.雅安:四川农业大学，2007.

［11］李勇，魏益民，张波，等.近红外水分稳健分析模型研究［J］.光谱学与光谱分析，2005，25(12):1963 －1967.

［12］EMMANSG C.Effective energy:a concept of energy utilization applied across species［J］.British Journal of Nutrition，1994，71:801－821.

*Corresponding author，professor，E-mail:wkn@sicau.edu.cn

(编辑 何丽霞)

Prediction Models for Net Energy Value of Cottonseed Meal for Yellow-feathered Broilers Aged from 1 to 21 Days Using Fourier Near Infrared Spectroscopy and Chem ical Com position

CHEN Yujuan JIA Gang WU Xiuqun WANG Kangning*
(Animal Nutrition Institute，Sichuan Agricultural University，Ya’an625014，China)

This trialwas to study the feasibility of establishing predictionmodels for the net energy(NE)values using Fourier near infrared spectroscopy(NIRS)and chem ical composition on the basis of 25 cottonseed meal NE valuesmeasured by comparative slaughter experiment，and to compare the predictive results of them.1)NE was calculated as NE formaintenance(NEm)plus NE for deposition(NEp).The NEm wasmeasured by regression method with 5 feeding levels includingad libitumfeeding and restricted feeding by 20%，40%，60%and 80%，respectively.NEp wasmeasured by themethod of substitution.A total of 382 Kangdaer fasting yellow-feathered broilers at7 days of age with average body weight of(62.20 ±0.64)g were random ly allotted into every level of cottonseed meal sample with 6 replicates each and 2 chickens in each replicate.The experiment lasted for 7 days.2)NIRS calibrationmodels(M1and M2)of NE were established under the natural condition and a largermoisture background，respectively.3)Predictive equations for apparentmetabolizable energy(AME)，crude protein(CP)，ether extract(EE)，crude fiber(CF)，neutral detergent fiber(NDF)，acid detergent fiber(ADF)，and ash with NE were derived from themethods of one-dimensional and multivariate linear regressions.The results showed as follows:1)theR2caland rootmean square error of calibration(RMSEE)of 2 models(M1/M2)were 0.999/0.985 and 0.033/0.084 M J/kg DM，theR2cvand root mean square error of cross validation(RMSECV)were 0.966/0.967 and 0.120/0.117 M J/kg DM，theR2valand rootmean square error of prediction(RMSEP)were 0.843/0.957 and 0.260/0.136 M J/kg DM，respectively，and the results of paired-samplesttestof NIRS predictive values and determ ined valueswere not significantly different(P＞0.05).2)TheR2and the RSD of the optimum regression equations from chem ical composition combined with AME were 0.985 and 0.093 MJ/kg DM，respectively.These results indicate as follows:1)the two methods above can both establish NE predictivemodels of cottonseed meal with reliable results;2)the predictive accuracy of M2is sim ilar to the optimum equation from chem ical composition combined with AME.［Chinese Journal of Animal Nutrition，2011，23(9):1499-1504］

yellow-feathered broilers;netenergy;prediction;near infrared spectroscopy;moisture calibration

S816.4

A

1006-267X(2011)09-1499-06

10.3969/j.issn.1006-267x.2011.09.007

2011－04－11

四川农业大学双支计划

陈玉娟(1986—)，女，四川简阳人，硕士研究生，从事单胃动物的营养研究。E-mail:chenyujuan130@163.com

*通讯作者:王康宁，教授，博士生导师，E-mail:wkn@sicau.edu.cn