動物采食過程中頓間間隔的定量化

張德祥，徐振強，季從亮，張　燕，彭志軍，張細權

(1.華南農業大學動物科學學院，廣州 510642； 2.廣東溫氏南方家禽育種有限公司，云浮 527400)

?

動物采食過程中頓間間隔的定量化

張德祥1，2，徐振強2，季從亮2，張燕2，彭志軍2，張細權1*

(1.華南農業大學動物科學學院，廣州 510642； 2.廣東溫氏南方家禽育種有限公司，云浮 527400)

動物的采食量同時受到短期和長期調控，這些調控對采食量起到平衡作用，防止個體產生絕食或暴食的情況。個體在一次采食中可能吃不飽，一頓中可能包含多次采食，在頓內或頓間都會形成一定的采食間隔。本文綜述了采食間隔的分類、不同動物采食間隔的特性、通過擬合采食間隔有效估計頓間跨度的方法，以及數據結構對采食間隔分布的影響，旨在為采食性狀的進一步分析和研究奠定基礎，為動物的采食行為調控提供參考。

頓；頓內間隔；頓間間隔；采食性狀

近年來，結合物聯網技術的發展，國外的一些大型育種公司已經開發出一種在地面平養的模式下全自動記錄采食量的方法，即通過RFID卡的識別結合計算機技術記錄畜禽個體的實時采食量。其中有些畜種的測定設備已經實現商業化生產，比如奧斯本的種豬測定系統、肉牛的GrowSafe系統等。家禽方面相應的系統尚未見有商業化的產品，但是，國外大型的家禽育種公司(比如Cobb、Avigen、Grimaud等)已經自行開發出相應的產品并在育種實踐中廣泛應用，對其品種競爭力的提高提供了很大的支持[1-3]。這些測定設備并不會改變動物生存和競爭的環境，通過把電子芯片嵌入到動物體內追蹤和識別動物。測定設備包含測定站和電腦傳輸系統。測定站的重要組成元件是體稱和料稱，測定站可單次記錄測定站編號、電子芯片號、進入時間、退出時間、進入料重、退出料重、采食量和體重，并可自動連續采集、記錄相關生長數據，得出的數據可通過自編軟件導出到一般的文本文檔格式，較為常見的為excel格式。然而，設備的研發在針對大規模地面平養的自動化記錄時需考慮一系列的技術問題，例如：多個體同時采食會令個體信息捕捉錯誤，造成個體采食量較真實值偏低；電子芯片佩戴的部位應落在有效感應范圍內，且便于回收再用；設備記錄采食量與人工加料量之間的偏差最好控制在1%以下。針對上述問題，研究人員在對科研數據進行分析時需要進行質量控制和篩選匯總，對該類數據的積累和理解是成功分析采食性狀的前提。

1　采食間隔

單胃動物前后兩次采食的時間間隔為采食間隔，根據間隔的時長，它又可以分為短、中、長間隔。動物每天采食的次數不等同于頓數。“頓(meal)”是指動物吃飽后，食物填充消化道的一種狀態；“一頓”可以由兩次或者多次采食完成[4]。動物在一次采食中可能吃不飽，因此不應當簡單地把“次數”和“頓數”混為一談。一頓內可能存在諸多短暫的間隔(頓內間隔)，頓與頓之間可能存在較長的間隔(頓間間隔)。動物每天的飼料攝入量由每頓的攝入量和頓數發生的次數決定。但是，如何區分前后兩次采食的時間間隔是頓間間隔還是頓內間隔，來判斷動物是否完成了“一頓”？

頓間間隔對應的合理的時間跨度可以用“meal criterion(MC)”來表示，對它進行正確的估算是成功分析采食行為的前提之一。如果所記錄的采食間隔短于MC，則前后兩次采食可以被看作為頓內間隔；如果等于或者長于MC，兩頓之間就能被區分開。在研究大鼠采食行為時發現，利用存活曲線去擬合對數轉換后的采食間隔數據，再推算出MC，得出的頓數會很多，而且每頓的飼料攝入量不改變，用其他方法進行估算時，結果會相反；用不同的模型和方法對大鼠的MC進行估算，得出大鼠MC的取值為2～40 min[5]。有些統計學模型是隨意的，并不建立在任何生物學概念的基礎上，如模型1(表1)。在20世紀90年代，模型1是被廣泛接納的擬合時間間隔的模型。但是，由于指數分布具有“失憶”的特性，因而限制了它在動物采食行為分析中的應用。所謂“失憶”，是指單位動物進行下一次采食的概率與上一次采食的時間間隔t完全無關，忽視了時間間隔t與動物消化食物所需過程的聯系。該模型得出的結果是頓間間隔大多數是由短間隔形成的，與“飽”的概念所對應的頓間間隔應該由眾多長間隔形成相互背離[6-7]。

2　估算MC的方法

估算MC的方法主要有兩種。一種是根據采食間隔的發生次數繪制頻率圖，觀察圖形的特征后，用模型進行擬合。幾乎所有動物的采食間隔頻率分布都有一致的趨勢，由一開始的最高點急速下降，轉而上升，再下降到最低點(圖1A)。對采食間隔進行自然對數轉換后，不同時長間隔的頻率會有不同的分布形式，這些分布形式有物種特異性，同時在物種間存在一定的共性：轉化后的數據在長間隔區間內都會出現一個疑似正態分布或者威爾布分布的峰。用不同的模型可以擬合轉化后的數據，推算出各個峰的混合概率和MC[8]。模型的基本組成單位有負指數分布、正態分布和威爾布分布。表1列出的模型都是這些分布的組合，限于篇幅，只列出了模型5、8和9的概率密度函數。首先根據擬合的效果選擇模型，MC被定位于概率密度圖最后兩個峰的交叉點所對應的時間點(圖1B箭頭所指)。

第二種有效估算MC的方法為概率法。這種方法建立的理論依據：在饑餓的狀態下，動物越有可能在緊接下來的z時間段內進行采食，隨著時間間隔t的延長，這種可能性會不斷升高。這種可能性可以用概率來表示(P-start)，單位動物從一次采食結束，在緊接下來的z時間段(z可以為5 s、1 min、5 min或者更長)，到下次采食開始的概率應該為：(時間間隔≥t的個數-時間間隔>t+z的個數)/時間間隔≥t的個數[10-11]。例如從30 min開始，如果總共有1 000個采食間隔≥30 min，有850個時間間隔>45 min，在緊接下來的15 min內，動物采食的概率應該為(1 000-850)/1 000=0.15。把所有時間間隔對應的P-start值繪制成散點圖，MC就是該圖中P-start的值為最低時所對應的時間點(圖2A箭頭所指)。在飽的狀態下，動物結束一次采食的概率(P-end)會隨著食物攝入量的增加而升高。當單胃動物吃飽的時候，由于“飽感”的停留，動物快速進入下一頓的概率應該是很低的。隨著時間間隔t的延長，“飽感”會逐漸消失，動物采食的欲望就會逐漸增強，這種概率也會隨著t的延長而逐漸升高。大部分國外學者都重點研究P-start[9]。在正常情況下，無論在頓內還是頓間，P-start的走勢都應該隨著間隔的延長而上升。由于采食間隔數據存在著種間差異，未必一定能找出合適的模型擬合采食間隔，而P-start沒有模型依賴性，可直接通過觀察圖形粗略估算MC。

表1用于擬合動物采食間隔的模型

Table 1Models used for fitting feeding intervals in animals

模型編號Modelnumber模型縮寫①Modelabbreviation概率密度函數Probabilitydensityfunction1負指數分布2G+W+W3G+W+G4G+G+G5G+G+W6G+W7G+G8TruncatedG9TruncatedG+G10TruncatedG+W11TruncatedW模型5的概率密度函數②pdf=p1σ12π?è???÷exp-[loge(t)-μ1]22σ12{}+q1σ22π?è???÷exp-[loge(t)-μ2]22σ22{}+(1-q)c[loge(t)](c-1)ac{}exp-loge(t)a[]c{}模型8的概率密度函數③pdf=1cunormal7.5-μσ()?è????÷÷1σ2π?è???÷exp-[loge(t)-μ]22σ2{}模型9的概率密度函數④pdf=p1cunormal5-μ1σ1()?è????÷÷1σ12π?è???÷exp-[loge(t)-μ1]22σ12{}+(1-p)1σ22π?è???÷exp-[loge(t)-μ2]22σ22{}

①：G.正態分布；W.兩參數威爾布分布；Truncated G.截尾正態分布。② p、σ1、μ1分別為第一個正態分布的混合概率，標準差和均值；q、σ2、μ2分別為第二個正態分布的混合概率，標準差和均值；a和c分別為威爾布分布的尺度參數和形狀參數；t為時間間隔(單位為s)。③cunormal表示累積正常化糾正因子；σ、μ分別為正態分布標準差和均值；t為時間間隔(單位為s)。④cunormal表示累積正常化糾正因子；p、σ1、μ1分別為截尾正態分布的混合概率，標準差和均值；σ2、μ2分別為第二個正態分布的標準差和均值；t為時間間隔(單位為s)

①：G.Represents Gaussian distribution；W.Represents Weibull distribution；Truncated G.Represents truancated Gaussian distribution.②p，σ1，μ1denotes the estimated mixing probability，the standard deviation and the mean of the first Gaussian distribution，respectively，while q，σ2，μ2denotes the estimated mixing probability，the standard deviation and the mean of the second Gaussian distribution，respectively，a，c denotes scale parameter and shape parameter of the Weibull distribution，respectively，and t denotes time interval (unit：second).③cunormal denotes cumulative normalization correction factor，σ，μ denotes the standard deviation and the mean of the Gaussian distribution，respectively，and t denotes time interval (unit：second).④cunormal denotes cumulative normalization correction factor，p，σ1，μ1denotes the estimated mixing probability，the standard deviation and the mean of the first truncated Gaussian distribution，respectively，while σ2，μ2denotes the standard deviation and the mean of the second Gaussian distribution，respectively，and t denotes time interval (unit：second)

圖1　北京鴨采食間隔在自然對數轉換前(A)和轉換后(B)的概率分布圖[9]Fig.1　The probability graph of feeding intervals before (A) and after (B) log transformation in Peking duck[9]

A.雞的混合數據在接下來1 min的P-start趨勢圖，引自文獻[3]；B.雞的混合數據(○)和分離數據在接下來15 min內的P-start趨勢圖。混合數據按4周齡(●).3周齡(▼)和2周齡(■)進行分類，引自文獻[9]A.Probability of chickens starting to feed within the next 1 min against time since the last visit for the pooled data，cited from reference[3]；B.Subsets of 100 broilers with average daily number of meals when they are 2(■)，3(▼)，or 4(●) week of age are shown with their data combined (○) and separated，cited from reference[9]圖2　雞在接下來Z時間段內的P-start趨勢圖Fig.2　Probability of chickens starting to feed within the next Z minutes in relation to time since the last visit

3　擬合采食間隔的軟件

GENSTAT和SAS是兩款相關的統計分析軟件。在擬合采食間隔時，GENSTAT的操作簡便，受到國外學者的認可。GENSTAT利用最大似然法擬合采食間隔，用迭代的方法進行求解MC。表1中模型8～11為截尾分布，cunormal為GENSTAT所對應的累積正常化糾正因子，利用這個因子可以推出正規化常數。截尾分布應用的關鍵在于截尾點的確定，不同的動物截尾點不同。當頓內間隔不能被確定為符合哪種分布，而頓間間隔分布清晰時，可使用截尾分布。模型9用一個截尾正態分布描述頓內間隔，在5loge(相當于>150 s)個單位處進行截尾，并用另外一個正態分布描述頓間間隔。模型10與模型9相似，但截尾點不同，頓間間隔用威爾布分布擬合，MC為兩個分布的交叉點。GENSTAT軟件及其相關的程序在中國并沒有得到授權，限制了它在中國大陸的使用。近年來，SAS針對采食間隔推出了相關的應用程序(FMM程序)，它只能在最新版本的SAS 9.3中運行[12]。本文以牛的采食間隔為例子，利用模型5對此程序的一些過程步驟進行闡述：

data cattle；

input LogInt Count @@；

datalines；

(數據行)

ods select DensityPlot；

proc fmm data=cattle gconv=0；

model+/dist=weibull；

freq count；

run；

前3個語句是指把自然對數轉換后采食間隔的值(logInt)以及其對應的個數(Count)輸入到數據集cattle中，在datalines語句后輸入數據行。Ods語句是指調用和顯示相應的概率密度圖譜。Proc fmm 語句是指利用最大似然率或者貝葉斯的方法把各個單變量分布進行有限的混合，為了避免在迭代過程中因各個迭代之間相關組分的變異太小而使迭代過程過早終止，收斂性判別準則可以設定為0(gconv=0)。Model語句輸入模型方程以及相關選項，等號左邊是響應(logInt)，右邊為dist語句；Dist語句可自行定義分布的類型(normal為正態分布，weibull為威爾布分布)，K可定義該分布的個數；Parms語句定義頓內間隔的兩個正態分布的起始平均值和方差。Model+語句為在原model基礎上添加額外的分布，針對于上述例子，添加的分布為威爾布分布(dist=weibull)。Freq語句指把采食間隔頻率統計個數進行降序排列以及分類。Run語句表示程序結束。此程序的結果會顯示出該模型的3個分布的具體參數和進行適合度檢驗后的結果，例如正態分布的平均值和方差，威爾布分布的形狀參數和尺度參數，以及3個概率分布所占的比例。但此程序不能直接給出MC的值，MC只能依靠SAS的求根程序進行求解。

4　混合與典型數據對采食間隔頻率和P-start的影響

如果同種動物的個體處于不同的生長發育階段，或者具有不一致的采食行為(有些動物每日出現長間隔的次數偏多，有些偏少)，那么采食間隔的頻率密度以及P-start走勢就會有所變化。混合數據是指研究群體中所有個體的采食數據的集合。個體采食量的大小受到特定因素的影響，例如日齡、光照長短、測定站的個數或相隔的距離。典型數據是指根據這些因素把研究群體分成不同的次群體，每個次群體中個體的采食數據的集合。通過分析3 470只肉雞，3 314只火雞和480只鴨的采食間隔，發現混合數據和分離數據的頻率密度或者P-start走勢圖差異甚大[13]。首先，作者分別只對3個物種光照時期的采食間隔數據進行分析。對數轉換后，肉雞和火雞都只會在長間隔處出現一個明顯的正態分布峰，該峰出現在1 800 s以后，可用公式8進行擬合；鴨的數據不僅在長間隔出現明顯的頓間間隔峰，而且在短間隔區間范圍內出現另外兩個正態分布峰，可用公式4進行擬合。與肉雞和火雞不同，鴨子消化每克食物需要更多的水分，因此會在頓內出現飲水峰。當把白天的采食間隔數據再細分為前后兩次采食發生在同一個飼料測定站或者不同的測定站兩類群體，肉雞和火雞的前后兩次采食發生在不同測定站的采食間隔數據中，在短間隔會出現另外一個正態分布峰，該峰與長間隔峰互相重疊；而鴨的兩類群體的頻率分布與混合數據的頻率分布相似，都會出現3個峰。這就說明，肉雞和火雞的采食行為極相似，一次采食并不能吃飽，而且更偏向于在一次采食完成后跑到另一個測定站進行下一次采食，可能由于不同測定站的距離較遠，個體可以在行進過程中完成對部分食物的消化。而鴨在完成一次采食后，需要飲水輔助食物的消化，然后再到另一個測定站進行下一次采食。由此可見，混合數據的頻率分布受到典型數據的影響。

另外，肉雞、火雞和鴨混合數據的P-start走勢圖十分相似(圖2A)，其頓間間隔趨勢都是先升而后降的，這與之前提及的P-start走勢會持續上升有一定的出入。但是，如果根據不同的生長階段(2～3周齡、3～4周齡和4～5周齡)把個體劃分為3個次群體的時候，P-start走勢會持續上升(圖2B)。這樣劃分等同于把個體按照每天的頓數(多、中和少)3個水平進行劃分，因為小雞每天的頓數明顯多于大雞。日齡大的個體的P-start值總體低于日齡小的個體，混合數據的P-start的前半段主要是受小雞所控制，后半段主要是受大雞所控制，長間隔出現的下降是由于3組典型數據的P-start值相互重疊而引起的。

因此，動物的P-start會沿著間隔的延長而呈現上升的趨勢，但所適用的對象必須為同一生長階段而且具備相似采食特性的群體。而典型數據的P-start的趨勢差異越大，對混合數據的P-start的影響也會越大，差異很小時，混合數據的P-start依然會呈現上升的趨勢。

5　不同動物的采食間隔模型

5.1反芻動物的采食間隔模型

不同動物的采食間隔需要用不同的方法或模型擬合[14，9]。牛的采食間隔可以用模型2～7擬合，同時可以根據對比各個模型的擬合優度，確定最優的MC。有研究人員用16只奶牛的混合數據(含79 386個時間間隔記錄)，以模型對應的MFV(Minimum function value)(對應于兩倍的負對數似然值(Negative log-likelihood) )為評價標準，比較了模型2～5(這些模型都包含飲水峰)的優劣[10]。結果顯示，相比起模型3和4，如果頓間間隔用威爾布分布擬合的話(模型2和5)，得出的MFV更小，擬合效果更好，而頓內間隔出現的飲水峰對應的概率密度比例會明顯減少，說明牛在采食的時候以飲水協助消化并不常見。為了進一步比較模型2和5，又鑒于這兩個模型只有在擬合飲水峰時出現差異，作者綜合另一組包含339個飲水事件的采食間隔進行研究，發現模型5更好。用模型5擬合牛的混合數據，得出的MC為1 734 s。針對于個體數據，作者同樣用上述模型去擬合，發現只有8個個體的數據能用3峰度模型去擬合，另外的8個個體數據只能用模型6和7擬合，通過比較，模型6顯著地優于模型7[10]。另一組研究人員后來用一樣的數據集，探究模型11和P-start的適用性，發現用這兩種方法所計算得出的MC和模型5得出的MC差別很小(表2)[3]。雖然不同的MC推算出來的采食性狀在數值上相差很小，但是差異依然顯著，可能是由于樣本容量大所造成的。羊的采食間隔可用模型7進行擬合，推算的MC為2 922 s[15]。

表2用3種不同的模型/方法推出的16只牛的頓間間隔和采食性狀[3]

Table 2Means (±standard errors) of meal characteristics calculated from data obtained from cows，based on meal criteria estimated with method Yeates (based on 2 log-normals and a log-Weibull)，method 2(one truncated Weibull) and method 3 (changes in P-start)[3]

項目Item模型5Model5模型11Model11P-startP-start兩因素方差分析ANOVAanalysisMC/s173416762128每天頓數/頓Mealsperday5.99±0.206.00±0.205.90±0.19F2,13=121.33***每頓包含的采食次數/次No.ofvisitspermeal5.35±0.375.33±0.375.43±0.37F2,13=86.17***每頓的持續時間/minMealduration31.70±1.2531.60±1.2432.70±1.31F2,13=103.25***每頓攝入量/kgIntakepermeal7.40±0.287.42±0.287.54±0.28F2,13=109.68***

***.P<0.001.The same as below

5.2家禽的營養采食模型

雞、鴨和火雞的MC也可以通過模型8和基于P-start的方法進行推算，雞的MC為1 050～1 210 s、鴨的MC為1 650～1 725 s、火雞的MC為1 250～1 320 s[13]。模型9首先是在擬合雞的采食間隔數據中提出的，用這個模型擬合得出的雞的MC為1 252 s。模型9假設第一個峰里面大于150 s的頓內間隔應該包含清晰的飲水峰，這個假設在后續的研究中被否定。研究還表明，雞的飲水事件應該是發生在頓間而非頓內的[3]。有研究者還對4個生長速度不同的肉雞品種的2～5周齡的采食數據進行了深入研究(其中兩個為肉用型品系，兩個為蛋用型品系)[16-17]。4個品種分別包含3 470、4 257、4 153和4 403個個體。由模型8和P-start估算的MC在物種間并不顯著(P-start都在15 min后持續上升)，而以MC為基礎，推出的每頓攝入量、每天頓數、每頓持續時間、頓內停頓時間、采食率、每頓包含采食次數都存在顯著的差異(表3)。分析還發現，4個不同品種采食間隔的頻率分布相當類似，小于5 min的間隔都非常多，15～20 min的采食間隔頻率最低，60 min的采食間隔頻率最高，而且對數轉化后的頓間間隔都服從正態分布，P-start都隨著時間的上升而上升，說明了即使是遭受不同的選擇壓力，雞的不同品種之間都遵從“飽”和“餓”所控制的行為機制。

5.3其他動物的采食間隔

不僅僅是反芻動物和禽類，表1中的模型也可以用來擬合其他動物的采食間隔[9]。海豚的采食間隔可以分別用模型6和7去擬合，模型7的擬合效果要好，推算的MC為161 s。豬的采食間隔數據可以分為白天和晝夜兩類。通常豬的飼料測定站密度很大(8～12個個體共用1個測定站)，白天時常會出現排隊的現象，這樣并不能體現它們自由采食的本能，造成頓間間隔完全隨機或服從指數分布；若只取晚上的數據，可用模型10進行擬合，如果對10 s后的數據進行截尾(時間記錄的最小單位為10 s)，得出的MC為1 068 s。大鼠的采食間隔也可以分為白天和晝夜兩類，大鼠在晝夜時采食行為會明顯弱化，去除晝夜(01：00-09：00)后的數據可用模型5進行擬合，如果對0.6 s后的數據進行截尾(時間記錄的最小單位為0.6 s)，得出的MC為647 s。由此可知，動物MC的長短與體型沒有必然的聯系，體型小的動物(如家禽)的MC在數值上可能低于體型大的動物(如牛)，也可能高于這類動物(如海豚)。

6　小　結

綜上所述，不同屬性的數據集MC不同，理論上應該由含同種屬性數據的數據集估算的MC來推出采食行為性狀，但如果經比較后發現，與混合數據一致的MC推算的采食行為性狀與各典型數據集一致的MC推算的無差異，為了避免運算上的復雜性，可用與混合數據一致的MC來計算本群體的采食行為性狀[16-17]。模型擬合和概率計算是估算MC的主要方法。模型的適用范圍很廣，可由鳥類、哺乳動物延伸至其他物種，模型的適用性源于數據結構的相似性，這種相似性體現在個體進食時，頓與頓之間的食欲隨時間的延長不斷上升，在頓內的食欲則會不斷下降，伴隨著P-start的相應變化。模型具有數據結構依賴性，但可以精準定位MC。在選擇模型時，可根據赤池信息標準、貝葉斯信息標準、對數似然率、皮爾斯統計量等比較模型優劣[12]，MC為最后兩個分布的交叉點所對應的時間點，這個選擇點可確保錯誤歸屬的間隔數量最小化[8]。同時，模型的使用需要對原始數據進行轉換，自然對數轉換會改善原始采食間隔的偏態性，但該轉換方式會使轉換后的標準統計量發生偏移，在后續的研究中可用與數據分布獨立的方法如廣義估計方程進行改善[18]。而概率計算相對簡便和直觀，可通過觀察圖形拐點粗略估算MC。

表34個不同雞品系采食性狀的估計值[16]

Table 3Mean (±SE) of meal characteristics estimated for each of the 4 lines[16]

性狀CharacterA品系LineA(n=3470)B品系LineB(n=4257)C品系LineC(n=4153)D品系LineD(n=4403)方差分析ANOVAMC/s1200±40.41050±54.11050±35.91210±78.8F=0.82每頓攝入量/gIntakepermeal12.20±0.0513.30±0.057.83±0.037.27±0.03F=5407.6***每天頓數/頓Mealsperday12.20±0.059.83±0.0415.30±0.0514.70±0.05F=2808.6***每頓持續時間/minMealduration7.38±0.057.20±0.055.68±0.036.18±0.05F=303.4***頓內停頓時間/minPausewithinmeal2.17±0.021.31±0.021.95±0.012.37±0.02F=688.9***采食率/(g·min-1)Feedingrate2.55±0.012.50±0.012.35±0.012.28±0.01F=105.2***每頓包含采食次數No.ofvisitspermeal2.43±0.023.00±0.022.49±0.012.16±0.01F=509.0***每日采食量/gAveragedailyfeedintake140±0.26124±0.23115±0.17101±0.19F=5522.9***

對動物采食性狀的分析，有助于我們對動物采食行為的理解。作為影響動物生存和繁衍的重要行為之一，采食行為在動物進化過程中的作用不可替代[19]。不同的選擇壓力、飼養方式、飼料配方，都可能使動物的采食行為發生改變。研究采食行為，不僅豐富了人類對于動物行為的認識，而且對生產實際有一定的作用。當人們想通過某些采食性狀進行選擇來提高生產效益時，要理清不同采食性狀之間的聯系，也要探明這些采食性狀與生長或繁殖性狀之間的聯系。通過對4個生長速度不同的雞群的9個采食性狀進行方差組分估計，發現各個群體的所有采食性狀都為中等至偏高的遺傳力(0.24～0.57)，其中，每天頓數和每頓攝入量的遺傳力最高(大于0.5)，說明這兩個性狀受到環境的影響相對較少。所有采食性狀與體重、料肉比和全期采食量的遺傳相關為-0.20～0.18，說明對雞的生長速度進行選擇基本上不影響采食行為，反之亦然。各個采食性狀之間也存在一定的相關性，其中每天頓數和每頓攝入量之間的遺傳負相關最高(-0.96)，說明了每天頓數越少，每頓攝入量就越大。如果對每天頓數進行選擇，采食率會受到影響(遺傳相關=-0.24)，但不影響每頓持續時間[17]。在肉牛中，每天采食的時間和每天采食次數與剩余采食量(RFI)之間的遺傳相關為0.35和0.43[20]，說明每天采食次數越少的個體，能量利用效率越高。對豬的研究顯示，增長期體重越大，采食率也越高。個體吃得越快，吃得也越多(表型相關為0.29)，但與RFI(表型相關為-0.01)無關[21]。上述研究主要著眼于找準采食性狀與生長及能量利用效率的關系，后續的研究應該考慮對哪個采食性狀進行選擇作為重點。此外，采食行為的異常還與身體的健康狀況變化密切相關。患有酮障礙癥、急性移動障礙和慢性殘廢的奶牛個體，在發病前的特定時間段內，采食性狀的變化是巨大的。如酮障礙癥患病個體，在發病前3 d的平均每天采食量會急劇下降10.4 kg，采食時間會減少45.5 min，采食率會降低25.3 g·min-1[22]。因此，人們可以對采食臨床醫學診斷，對患病個體進行醫治或淘汰，減少生產上的損失[23]。

顯然，動物采食應該以“頓”為單位，而不應該以“次”為單位[24]。如果任意地用采食次數來代替頓數來推出其他采食性狀，采食性狀的遺傳力會發生偏倚，也會對采食性狀之間的遺傳相關關系造成錯判。正確定義“頓”的前提是對采食間隔進行分析，推算出合理的MC。采食事件的采集主要依靠自動化測定設備的幫助，這些設備采集的采食事件更加直觀，更加準確[25]。種畜的自動化測定系統在行業內的應用越發廣泛，而廣東省現代農業裝備研究所也在國內率先開發出具有自主知識產權的種雞測定設備，這些設備的推廣將引發學者們對采食行為的研究熱潮。

[1]TOLKAMP B J，DAY J E，KYRIAZAKIS I.Measuring food intake in farm and laboratory animals[J].ProcNutrSoc，1998，57(2)：313-319.

[2]MORGAN C A，EMMANS G C，TOLKAMP B J，et al.Analysis of the feeding behavior of pigs using different models[J].PhysiolBehav，2000，68(3)：395-403.

[3]HOWIE J A，TOLKAMP B J，AVENDANO S，et al.A novel flexible method to split feeding behaviour into bouts[J].ApplAnimBehavSci，2009，116(2)：101-109.

[4]TOLKAMP B J，ALLCROFT D J，AUSTIN E J，et al.Satiety splits feeding behaviour into bouts[J].JTheorBiol，1998，194(2)：235-250.

[5]ZORRILLA E P，INOUE K，FEKETE E M，et al.Measuring meals：structure of prandial food and water intake of rats[J].AmJPhysiolRegulIntegrCompPhysiol，2005，288(6)：1450-1467.

[6]LANGTON S D，COLLTEE D，SIBLY R M.Splitting behaviour into bouts；a maximum likelihood approach[J].Behav，1995，132(9)：781-799.

[7]SIBLY R M，NOTT H M R，FLETCHER D J.Splitting behaviour into bouts[J].AnimBehav，1990，39(1)：63-69.

[8]TOLKAMP B J，KYRIAZAKIS I.To split behaviour into bouts，log-transform the intervals[J].AnimBehav，1999，57(4)：807-817.

[9]TOLKAMP B J，ALLCROFT D J，BARRIO J P，et al.The temporal structure of feeding behavior[J].AmJPhysiolRegulIntegrCompPhysiol，2011，301(2)：378-393.

[10]YEATES M P，TOLKAMP B J，ALLCROFT D J， et al.The use of mixed distribution models to determine bout criteria for analysis of animal behaviour[J].JTheorBiol，2001，213(3)：413-425.

[11]SLATER P J，LESTER N P.Minimizing errors in splitting behavior into bouts[J].Behav，1982，79：153-161.

[12]SAS/STAT?12.1 User’s Guide[M].2012.2533-2541.

[13]HOWIE J A，TOLKAMP B J，BLEY T，et al.Short-term feeding behaviour has a similar structure in broilers，turkeys and ducks[J].BrPoultSci，2010，51(6)：714-724.

[14]EMMANS G，KYRIAZAKIS I.Consequences of genetic change in farm animals on food intake and feeding behaviour[J].ProcNutrSoc，2001，60(1)：115-125.

[15]DAVID I，BOUVIER F，RICARD E，et al.Feeding behaviour of artificially reared Romane lambs[J].Animal，2014，8 (6)：982-990.

[16]HOWIE J A，TOLKAMP B J，AVENDANO S，et al.The structure of feeding behavior in commercial broiler lines selected for different growth rates[J].PoultSci，2009，88(6)：1143-1150.

[17]HOWIE J A，AVENDANO S，TOLKAMP B J，et al.Genetic parameters of feeding behavior traits and their relationship with live performance traits in modern broiler lines[J].PoultSci，2011，90(6)：1197-1205.

[18]FENG C，WANG H，LU N，et al.Log-transformation and its implications for data analysis[J].ShanghaiArchPsychiatry，2014，26(2)：105-109.

[19]GEARY N.A new way of looking at eating[J].AmJPhysiolRegulIntegrCompPhysiol，2005，288(6)：1444-1446.

[20]ROBINSON D L，ODDY V H.Genetic parameters for feed efficiency，fatness，muscle area and feeding behaviour of feedlot finished beef cattle[J].LivestProdSci，2004，90(2)：255-270.

[21]RAUW W M，SOLER J，TIBAU J，et al.Feeding time and feeding rate and its relationship with feed intake，feed efficiency，growth rate，and rate of fat deposition in growing Duroc barrows[J].JAnimSci，2006，84(12)：3404-3409.

[22]GONZALEZ L A，TOLKAMP B J，COFFEY M P，et al.Changes in feeding behavior as possible indicators for the automatic monitoring of health disorders in dairy cows[J].JDairySci，2008，91(3)：1017-1028.

[23]WOLFGER B，SCHWARTZKOPF-GENSWEIN K S，BARKEMA H W，et al.Feeding behavior as an early predictor of bovine respiratory disease in North American feedlot systems[J].JAnimSci，2015，93(1)：377-385.

[24]MASELYNE J，SAEYS W，VAN NUFFEL A，et al.Review：Quantifying animal feeding behaviour with a focus on pigs[J].PhysiolBehav，2015，138：37-51.

[25]BASSO B1，LAGüE M，GUY G，et al.Detailed analysis of the individual feeding behavior of male and female mule ducks[J].JAnimSci，2014，92(4)：1639-1646.

(編輯郭云雁)

Quantifying Animal’s Feeding Intervals between Meals When Eating

ZHANG De-xiang1，2，XU Zhen-qiang2，JI Cong-liang2，ZHANG Yan2，PENG Zhi-jun2，ZHANG Xi-quan1*

(1.CollegeofAnimalScience，SouthChinaAgriculturalUniversity，Guangzhou510642，China；2.WensNanFangPoultryBreedingCo.Ltd，Yunfu527400，China)

Animal’s feed intake is concurrently governed by short-term and long-term regulations，which balance the sensibilities for feed intake and prevent sinking into fasting or overeating.Animals may not get enough feed in a feeding bout，and a meal in accordance with satiety may contain many bouts.The intervals within a meal or between meals are feeding intervals.This review summarized the classification of feeding intervals，their characteristics for different animals，and introduced the valid method that estimated meal criterion by modeling feeding intervals and the impact of data structure on the distribution of feeding intervals，in order to lay the foundation for further analyzing the feeding characters and provide clues for the regulation in feeding behavior of animals.

meal；intervals within a meal；intervals between meals；feeding characters

10.11843/j.issn.0366-6964.2016.08.001

2015-11-18

國家科技支撐計劃項目(2014BAD08B08)；廣東省戰略性新興產業核心技術攻關項目(2012A020800005)；現代農業產業技術體系建設專項資金(CARS-42-Z17)

張德祥(1967-)，男，湖南懷化人，副教授，博士，主要從事畜禽現場培育、分子育種的研究，Tel：0766-2291578，E-mail：zhangdexiang0001@sina.com

張細權，教授，E-mail：1272858409@qq.com

S815

A

0366-6964(2016)08-1523-08