基于内源指示剂法的牛含甘蔗副产物饲粮消化能预测模型的建立

周 波 韦家周 邵鹏程 莫瑞玻 韦志坚 张 宇 邹彩霞** 何仁春

(1.广西大学动物科技学院，南宁 530005；2.广西农垦金光乳业有限公司，南宁 530001；3.广西畜牧研究所，南宁 530002)

我国饲料资源丰富种类繁多，如何准确地评定不同饲料原料的能量，在生产实际中科学配制饲粮满足动物营养需要具有重要的意义[1-2]。消化能(DE)是饲粮可消化养分所含有的能量，其可以通过动物摄入的饲粮总能(GE)与粪能(FE)之差计算。当前国内外研究饲粮中DE的方法主要有体内法、半体内法、体外法[3-4]和预测法[5]。然而，体外法不够准确，体内法和半体内法试验虽较为准确但是操作比较繁琐，因此，基于化学成分的预测模型被视为获得饲料或饲粮DE的有效的方法[6-7]。在反刍动物饲料营养价值评定时，通过饲粮原料的化学成分建立DE的预测模型已有相关报道[8-10]，但对含甘蔗副产物饲粮的可消化养分与DE的相关研究尚未见诸报道。我国广西是甘蔗的主要产区，每年的甘蔗收获季节有大量的甘蔗尾叶和榨糖后剩余的甘蔗渣。甘蔗渣具有数量多、来源集中、质量均一、价格低等优势，但由于纤维素和木质素含量较高，不适宜于直接饲喂动物[11-12]，而70%～80%甘蔗副产物被直接用作糖厂锅炉燃料，得不到有效利用，除造成资源浪费，还对生态环境有一定的污染[13]。研究显示，甘蔗渣经化学、生物技术处理后可作为反刍动物的粗饲料[14-15]。通常甘蔗收获季节在每年12月至翌年3、4月，恰逢南方冬春季节缺草期，大宗甘蔗副产物可有效缓解南方冬春饲草料供应短缺问题。目前在我国饲养标准中还没有甘蔗副产物的营养价值评定数据，因此亟需测定营养价值相关数据，来解决甘蔗副产物实际运用的难题。本试验通过分析牛含甘蔗副产物饲粮的DE与可消化养分之间的相关关系，建立DE预测模型，从而实现对含甘蔗副产物饲粮的牛DE的预测，为甘蔗副产物饲料营养价值评定及生产运用提供参考依据。

1 材料与方法

1.1 试验材料

试验用甘蔗尾叶青贮、膨化蔗渣和碱化蔗渣均由广西农垦绿姆山牛场提供，具体制作方法如下。

甘蔗尾叶青贮制作：将新鲜的甘蔗尾叶切碎后按2 mL/kg喷洒含有植物乳杆菌(活菌数7.70×107CFU/mL)和枯草芽孢杆菌(活菌数1.20×108CFU/mL)的混合菌液后，转移至干净的青贮池后压实覆膜青贮，甘蔗尾叶青贮90 d后即为甘蔗尾叶青贮料，用于后续试验。

膨化蔗渣制作：将干物质为50%的蔗渣在膨化罐内使用温度为220～250 ℃，压力为20 kg/cm2，处理4 min，将处理后的蔗渣放置于干净的青贮池内常温储存120 d后即为膨化甘蔗渣，用于后续试验。

碱化蔗渣制作：采用干物质为50%的蔗渣按12 g/kg添加烧碱，并用混合机混匀后放置于干净的青贮池内常温保存90 d后即为碱化蔗渣，用于后续试验。

1.2 试验方法

试验配制含3种甘蔗副产物(甘蔗尾叶青贮、碱化蔗渣和膨化蔗渣)的TMR，并配制1种含象草的TMR作为对照。饲粮组成及营养成分见表1。精料补充料组成及营养水平见表2。试验选取约1周岁体重(350±10) kg左右的体况良好的西门塔尔牛36头，分为4个组，每组9头牛。4组分别为象草组(elephant grass，EG)组、甘蔗尾叶青贮(sugarcane tail silage，SS)组、碱化蔗渣(碱化蔗渣alkalized sugarcane bagasse，ASB)组和膨化蔗渣(steam explosion sugarcane bagasse，SESB)组，饲喂对应的饲粮。试验分为2期进行，每期14 d，其中预试期9 d，采样期5 d，2期中间过渡期为15 d。

表1 饲粮组成及营养水平

表2 精料补充料组成及营养水平(干物质基础)

1.3 样品采集及处理

于试验正式开始后进行粪样采集工作，每头牛每天分别在08:00和14:30通过直肠采集100 g新鲜粪样，每天采集200 g新鲜粪样，连续采集5 d，加入20 mL浓度为10%硫酸进行固氮后放在-20 ℃的冰箱保存，同时采集各组饲粮500 g。

1.4 常规营养成分的测定

将每头牛每天采集的粪样充分混合，然后用烘箱在65 ℃下烘干至恒重，再将5 d的粪样或饲粮样混合均匀后粉碎过40目筛后干燥保存。饲粮和粪样中的干物质(DM)含量测定方法参照GB/T 6435—2014，粗灰分(Ash)含量测定法参照GB/T 6438—2007；中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)含量采用滤袋法(ANKOM-200纤维分析仪，美国)测定；粗蛋白质(CP)含量采用凯氏定氮法(Gerhart Vap50s全自动凯氏定氮仪，德国)测定，总能(GE)采用氧弹式量热仪(Sundy SDC5015，长沙)测定。

1.5 可消化养分的测定

采用盐酸不溶灰分(AIA)法测定饲粮养分表观消化率，AIA含量测定方法参照GB/T 23742—2009。养分表观消化率计算公式如下：

某养分表观消化率(%)=100-
100×(a×B)/(A×b)。

式中：A为饲粮中该养分含量(%)；a为粪样中该养分含量(%)；B为饲粮中AIA含量(%)；b为粪样中AIA含量(%)。

根据饲粮养分含量和表观消化率计算可消化养分，计算公式如下：

饲粮中某可消化养分=饲粮中该养分的含量×该养分的表观消化率。

1.6 数据处理与分析

试验数据采用Excel 2010进行初步处理后，采用SPSS 19.0 统计软件对饲粮的DE和可消化养分进行相关分析、主成分分析及回归分析。

2 结果与分析

2.1 含甘蔗副产物饲粮可消化养分与DE的相关性

含甘蔗副产物饲粮的养分表观消化率和可消化养分见表3。由表4可知，饲粮DE与可消化有机物(DOM)、可消化中性洗涤纤维(DNDF)和可消化酸性洗涤纤维(DADF)呈极显著正相关(P<0.01)；饲粮DOM与DNDF和DADF呈极显著正相关(P<0.01)；饲粮可消化干物质(DDM)与可消化粗蛋白质(DCP)呈极显著负相关(P<0.01)，与DADF呈显著正相关(P<0.05)；饲粮DCP与DADF呈极显著负相关(P<0.01)；饲粮DNDF与DADF呈极显著正相关(P<0.01)。

2.2 含甘蔗副产物饲粮可消化养分对DE影响的主成分分析

碎石图是按照特征根大小排列的主要成分散点图，利用碎石图的直观效果能够确立最优的因子数量。碎石图中各成分点间连线坡度的陡缓程度可以比较清楚的看出成分的重要程度。由图1可知，前3个点之间的连线较陡，与表5中前3个主成分累积贡献率达86.165%一致。

表3 养分表观消化率和可消化养分(干物质基础)

表4 可消化养分与DE的相关性

图1 含甘蔗副产物饲粮主成分碎石图

由表5可知，按照累积贡献率达到70%以上的要求选取第1主成分、第2主成分，二者累积为75.706%的总贡献率能反映大部分信息。第1主成分的特征根为2.189，贡献率为43.773%。根据计算出的特征向量(表6)，第1主成分关系式为：DE=0.220DDM+0.488DOM-0.327DCP+0.564DNDF+0.537DADF。第2主成分的特征根1.597，贡献率为31.933%，根据计算出的特征向量(表6)，第2主成分关系式为：DE=-0.626DDM+0.431DOM+0.561DCP+0.307DNDF-0.116DADF。

2.3 含甘蔗副产物饲粮可消化养分对DE的预测方程

由表7可知，由一种可消化养分作为预测因子的DE预测方程为DE=0.320+18.088DOM(R2=0.967,n=72,P<0.001)时R2较大，由多种可消化养分作为预测因子的DE预测方程为DE=-0.537+2.913DDM+17.260DOM+3.169DNDF-1.668DADF(R2=0.976,n=72,P<0.001)、DE=-0.502+17.239DOM+2.591DDM+2.616DNDF(R2=0.975,n=72,P<0.001)和DE=-0.753+3.337DDM+17.279DOM-0.206DCP+3.091DNDF-1.351DADF(R2=0.976,n=72,P<0.001)时R2较大。

表5 可消化养分与DE的特征根与贡献率

表6 主成分的特征根和特征向量

表7 应用饲粮可消化养分作为预测因子的DE预测方程

2.4 含甘蔗副产物饲粮DE预测值与实测值的比较

表8比较了由表7中DE预测方程推算得出DE的预测值与实测值，由表8数据可知使用预测方程DE=0.320+18.088DOM和DE=0.389-0.727DCP+18.082DOM对饲粮DE进行预测时预测值与实测值的误差较小，象草组、甘蔗尾叶青贮组、碱化蔗渣组和膨化蔗渣组使用DE=0.320+18.088DOM预测时的误差分别为0.04、-0.04、-0.02、0.03，使用DE=0.389-0.727DCP+18.082DOM预测时的误差分别为0.04、-0.03、-0.03、0.01。

3 讨 论

3.1 含甘蔗副产物饲粮可消化养分与DE的相关性

DE是饲粮可消化养分所含有的能量，其可以通过计算动物摄入饲粮GE与FE之差得出。一般情况下，FE是影响饲粮DE的最大因素，粗饲料中由于纤维含量较高，造成能量利用效率较低，代谢能(ME)和DE下降，FE上升。Hales等[16]研究发现，饲粮蛋白质水平一定时，随着粗纤维水平的提高，FE线性增加，DE线性下降。Norris等[17]的研究也发现，随着单宁提取物在饲粮中添加量的增加，动物的FE增加，DE降低。饲粮中的粗饲料是反刍动物重要的能量来源，粗饲料中的纤维经过瘤胃微生物的发酵产生挥发性脂肪酸被反刍动物利用。Stergiadis等[8]和Sung等[18]研究指出，饲粮中的ADF和NDF含量与饲粮DE和ME呈显著的负相关，同时也是预测DE的最佳预测因子。类似的，Schrama等[19]和Seo等[20]的研究也指出饲粮中的可消化养分与其ME有明显的相关性，可以使用可消化养分作为预测因子来预测饲粮的DE。Martínez Marín等[21]在马的DE预测方程研究中得出DE与饲粮中CP、粗脂肪(EE)含量呈正相关关系，但与粗纤维(CF)含量呈负相关关系，该研究还发现饲粮中的能量消化率与有机物消化率之间存在密切的线性关系。万凡等[22]的研究指出DDM、DOM、DCP与DE、ME呈显著正相关，与DNDF和DADF呈负相关。本试验中,综合DE与可消化养分的相关性、主成分分析和预测方程，DDOM、DNDF与DE均为正相关关系，这与万凡等[22]的结果不一致，可能是由于粗饲料中CP、NDF和ADF含量差异较大导致DE与可消化养分之间的相关性受到影响。

3.2 基于含甘蔗副产物饲粮可消化养分的DE预测方程

精确估计DE对于准确设计饲粮配方和降低饲料成本至关重要。然而，通过传统的体内代谢试验来测量DE会消耗大量的时间和金钱，而通过建立预测方程来估测DE已经证明是一种极具潜力的饲料营养价值评定方法。目前已有用于粗饲料[3]、能量饲料、饲粮[9,22]及精料[4]的DE预测方程，上述研究中预测方程的R2在0.748～0.972，与本试验中预测值与实测值误差较小的预测方程DE=0.320+18.088DOM(R2=0.967)和DE=0.389-0.727DCP+18.082DOM(R2=0.967)相比，大部分预测方程的R2小于本试验的2个预测方程。本试验中用饲粮可消化养分对DE进行预测，发现预测方程DE=3.495+26.833DNDF(R2=0.586)，由于R2较小，并不能作为单一可消化养分对DE进行预测，但在使用DOM作为主要预测因子参与DE预测时R2均较高，这可能由于EE属于有机物，使用DOM作为主要预测因子参与DE预测弥补了EE含量对回归方程的影响。刘洁[23]在研究不同精粗比饲粮对DE的影响时指出，随着饲粮精粗比的增加，DE显著增加，精粗比在40∶60～56∶44时对DE没有显著影响。Dong等[24]给小母牛饲喂不同精粗比的饲粮，结果表明，随着精料比例增加，饲粮的DE也随之增加。Fuller等[25]也报道，随着饲粮精粗比的增加，ME增加，而ME是由DE计算而来。本试验中各组饲粮的精粗比在44∶56～50∶50，表明在各组饲粮总能相似情况下DE类似。本试验中使用DE预测方程对预测值与实测值进行比较时发现，使用DE=0.320+18.088DOM和DE=0.389-0.727DCP+18.082DOM对DE进行预测时误差较小，预测结果更为准确。

3.3 消化能预测关键指标

能量评定是评定饲粮营养价值的重要指标，必须估计饲粮的精确能量值，以便最大限度地降低投入成本或使饲粮供应适应动物的能量需求。杨刚等[26]通过相关性分析发现GE、CP、Ash含量与DE有显著相关性，并建立了以GE及CP、Ash含量作为预测因子的生长育肥猪木薯DE的预测方程；Guo等[27]研究发现，结合使用牧草的化学成分和养分消化率参数可以提高新鲜牧草中DE预测的准确性，EE、Ash、NDF含量是关键预测因子。

Huang等[28]运用化学成分分析的方法建立了玉米DDGS的DE预测方程，发现NDF、DM和EE含量是猪玉米DDGS中DE的最佳预测因子。赵明明[3]利用OM、CP、GE、NDF含量对营养物质消化率进行估测，建立了肉用绵羊常用粗饲料的DE预测方程；袁翠林等[29]研究肉羊精饲料的CP、NDF含量是DE的关键预测因子。本研究中以DOM作为预测因子所得DE预测方程的R2较赵明明[3]得到的结果高，说明本试验所建DE预测方程准确性较好。已有研究发现饲料能值与CF、ADF、NDF、Ash含量呈显著相关，可通过回归方程利用饲料养分含量来预测其DE。但本研究在常规养分含量基础上以可消化养分作为预测因子，避免了一些抗营养物质的干扰，提高了DE预测的准确性。以上学者基于饲料养分含量预测得到的预测方程中预测因子各有不同，可能是饲料种类和试验动物的因素造成的，本研究的预测因子采用了DOM、DCP等与DE相关性高，并且得到的预测方程R2高。饲粮有效能值可通过常规养分含量建立相关预测模型进行估测，但并不是所有养分都与有效能值有相关性，采用相关性较强的指标有利于建立简便准确的预测模型。

4 结 论

① 含甘蔗副产物饲粮DOM、DNDF与DE具有极显著正相关关系。

② 含甘蔗副产物饲粮中DOM是影响DE的主要因子。

③ 使用预测方程DE=0.320+18.088DOM和DE=0.389-0.727DCP+18.082DOM对牛含甘蔗副产物饲粮的DE进行预测准确性较高。