以遺傳潛力推算最佳生長及經濟效益的生豬飼料配方及自動化飼喂計劃

J.van Milgen， J.Noblet， J.Y.Dourmad，E.Labussière， F.Garcia-Launay， L.Brossard，

（1.INRA，UMR1348 PEGASE，F-35590 圣吉爾，法國；2.Agrocampus Ouest，UMR1348 PEGASE，F-35000 雷恩，法國）

由于人口的增長和收入的增加，FAO（2011）預測2050年人類對動物蛋白的消耗量將在目前的基礎上增加2/3，如果要生產如此之多的動物食品，除集約化生產外沒有其他技術上和經濟上切實可行的替代方案，滿足未來人類對動物蛋白需要的唯一途徑就是提高動物生產效率。與此同時，動物健康、食品品質和安全、環境、動物福利和消費者的期望等對于確保集約化動物生產系統的可持續性相當重要。

飼料和飼喂方式可以影響生產成本、動物生長和胴體品質。在相對短的時間內對其進行調整，可產生明顯效果，并且此效果是可逆的。飼料是豬肉生產過程中成本最高的環節，通常占到生產成本的60%～70%。多數攝入的營養物質轉化為動物產品的效率相對較低。比如，蛋白質的轉化效率基本上很少超過50%，至于磷和能量的轉化效率就更低。

個體差異是自然生物固有的屬性。在自然界，變異對于物種適應環境變化并生存下來是很重要的。在農業領域，個體變異被用來篩選具有期望特征的動物品種。盡管如此，在篩選的同一個品系或品種內，個體間的差異也是存在的。因為許多生產方案都是面向群體應用的，動物個體并不一定可以精確的吸收營養來滿足自身的需要。因此，資源利用的效率低于最大預期效率。本文就動物間的變異如何用于家畜的精準飼喂系統以此來提高豬肉生產系統的效率進行了綜述。

1　家畜精準飼喂的原則

家畜精準飼喂是一項用于控制動物生產系統和管理動物間差異的技術。Wathes等（2008）定義家畜精準飼養為用過程工程學的原則與技術來管理家畜生產系統。他們確認了家畜精準飼養涉及的四個方面：一是生產過程或結果的持續監控；二是預測投入產出的數學模型；三是滿意的輸出結果（或輸出曲線）；四是控制投入的機制。

這就表明應該持續監測豬的重量使其在達到目標體重時進行屠宰，這個過程中飼料（如飼喂量和營養成分）是達到目標體重的一個工具。如果把飼料當作動物生長的控制途徑，那么必須可預測不同飼喂水平下豬的生長性能。養殖廠調整飼養策略以求在合適的上市體重賣出，但不依賴額外投入（如稱體重）或數學預測模型，而是依靠他們的專業技能和經驗。在精準家畜飼養中，會做明確的監測和預測。不同的動物個體間都有差異，在此基礎上能夠多大程度的精確預測動物的生長性能，而且如何通過我們能從動物上收集的信息準確預測動物的生長性能有待進一步研究。

2　預測豬對營養供應的反應

由于生命系統的復雜性，數學模型已日益成為一個用來理解、整合知識和預測動物對不同的應激（包括飼養環節）如何做出反應的重要途徑。其是一個并不依靠（或有限程度的依靠）分析生物機理的模型結構便將投入和產出聯系起來，所以經驗模型經常被定義為“黑箱”模型。比如，通過一個二次或三次方程將日糧中的脂肪酸含量和背膘中的脂肪酸含量聯系起來，而不是依靠脂肪代謝和沉積機制。盡管如此，其能提供一個非常精確的關于背膘中脂肪酸情況的預測。理論模型某種程度上依賴投入轉化為產出過程中蘊含的生物機理。這個過程通常用到大量（幾十上百個）方程和參數。

2.1一個模擬豬生長的機制方法 首批描述豬生長的營養模型之一是Whittemore和Fawcett（1974）提出的。這個模型可以計算決定機體增重的蛋白質和脂肪沉積。蛋白質沉積取決于日糧中蛋白供應是否充足。當蛋白質供應有限的話，蛋白質的沉積就簡單是飼料攝入和蛋白利用總效率的結果。假設蛋白質的沉積是穩定的，脂肪沉積是通過從攝入能量中扣除維持需要的能量和蛋白沉積消耗的能量之后根據能量守恒計算得出的。脂肪沉積因此被認為是一種能量積累可用作計算相對瘦肉和肥肉的增長。這些組織的增長再結合體灰分的增長和胃腸內容物決定了總體重的增長。

Whittemore 和 Fawcett（1976）將這個模型進一步發展提出了不僅脂肪沉積，蛋白質的沉積也決定于能量攝入。這個假設在一定程度上改變了脂肪是唯一能量積累的觀點。當能量攝入減少，蛋白質和脂肪的沉積都會受到影響。Whittemore和Fawcett（1976）發現了蛋白質沉積和能量攝入之間的關系，也就是線性-平穩關系。這個關系中的線性部分由脂肪蛋白沉積的最低比率決定，他們假定該比率最低為1。因此，豬在沉積每克蛋白質的時候總是最低沉積一克脂肪。Fowler（1974）提出雖然超量的能量攝入會帶來“額外脂肪”，但“基礎脂肪”的沉積與瘦肉增長相關。平臺階段顯示了現在廣泛應用于豬生長營養模型的另一個重要概念。這個概念表明蛋白沉積有一個上限（常稱作PDmax），這個上限因品種或性別的不同而有差異。如果能量的供應超過了上限將不會產生額外的蛋白沉積。額外的能量供應將只會有助于脂肪沉積。首個豬生長營養模型（Whittemore和 Fawcett，1976、1974） 的關鍵概念可總結如下：一是豬的生長取決于蛋白和脂肪沉積；二是生長豬的蛋白沉積有一個上限，該上限在生長過程中是穩定的；三是脂肪蛋白沉積比率有個最小值；四是飼料攝入是一個輸入指標，所有未用于維持生命或蛋白沉積的能量都用于脂肪沉積；體重、瘦肉和脂肪組織重量是由體內蛋白和脂肪的重量決定的。

這些基本原則在其他模型中已有進一步發展（Milgen 等，2008；Moughan 等，1987）。 例如，蛋白質沉積有穩定上限已有不同觀點，當動物生長被認為達到了成熟，模型中應該包含一些機制來確保當動物趨于成熟時蛋白沉積（以及生長速度）減緩到零。

2.2從營養到組織 第一代營養模型或多或少將動物比作“一袋子營養物質”，更精確來說比作“一袋子蛋白質和脂肪”。因為體內水分和灰分（如礦物質）的重量與體內蛋白質的重量有緊密的聯系，總體重從本質上來說是蛋白質和脂肪的重量的作用。相似的，體內瘦肉和脂肪重量分別是蛋白質和脂肪的作用 (Quiniou和Noblet，1995）。這些研究者開發出一系列方程來根據化學組成來估計結構組成。這些信息將動物營養與胴體品質某些方面聯系起來。在Halas等（2004）的模型中分別顯示了肌肉、器官、骨骼、背膘和皮膚。這就使得在計算組織間差異時可以不是只考慮化學組分并且還考慮到代謝。例如，器官中蛋白比肌肉中蛋白有更高的蛋白周轉率這與其有更強的能量消耗有關。

胴體中的脂肪含量、脂肪在組織間的分布和脂肪中脂肪酸的含量都會影響胴體指標和營養價值。然而，模型中對脂肪沉積進行精準的預測依舊是一個重大的挑戰。脂肪經常被稱作能量積累，這表明消化的能量如果不用于維持生命或蛋白沉積就會用于脂肪沉積。對能量攝入或利用不精確的話將對脂肪沉積有直接影響。對機體整個脂肪重量進行定期稱量或估測很難做到。這意味著“關于脂肪沉積的預估錯誤將會持續累積”并且我們很難弄清楚這些誤差。有人已提出一些模型用來計算脂肪在胴體組織和非胴體組織間或不同脂肪儲存組織間的分配問題（Halas等，2004）。在豬的研究方面，Lizardo等（2002）的模型是唯一一個考慮到體脂肪和脂肪酸在組織間分配問題的。在這個模型中體內總脂肪通過生長速度的不同分為皮下脂肪、肌間脂肪、肌內脂肪和腎周脂肪。

3　檢測系統

豬群中豬的平均采食量或飼料消耗量可通過測定每欄分到的飼料量來估計。商業化的自動記錄系統現在也能夠估計每欄中每頭豬的采食量。對個體采食量的監測可能是精準家畜飼養系統中最重要的信息來源之一。由于采食量和采食行為的敏感性，其在很大程度上可反映豬的生理狀態。例如，當豬健康有問題時采食量一般會降低。

豬的生長狀況可以通過豬的體重來確定，但稱豬重消耗人力且操作過程對豬來說具有應激性。目前，可以使用自動稱重系統，如稱踩在進料器上的豬前腿重量（Williams等，1996）或使用可視化成像分析系統來估計豬的體重（White等，2004）。

在INRA設備中，我們已為生長豬和育肥豬設置了一個可以容納大約100頭豬的欄，該欄由休息區和采食區組成。豬可以通過一個稱重分類系統進入采食區，在這個系統內豬被識別、稱重然后訓練進入三個不同的出口（如通往采食區或通往去屠宰間的待運欄）。采食區配備八個可以識別豬只并且可以分配少量飼料（豬必須按住一個按鈕才可以獲得飼料）的進料器。每個進料器配有四個飼料分配器，分配器可設定分發四種飼料中的任何一種或混合物。飼料和水分布于不同區域以確保豬返回到休息區而不是在采食區“閑逛”，豬只通過一個單向門返回到休息區。

在歐洲，豬肉交易關心的是肩部、腰部、大腿后部和腹部的瘦肉比例。通過測量背膘厚度和腰部肌肉厚度來估測這一比例。因為這些測量是在屠宰時進行的，其不可作為實時信息供管理使用。Kloareg等（2006）用不同體重育肥豬活著或屠宰時獲得的信息對體內總脂肪重量做最佳預測的試驗。結果表明，背膘重量或背膘厚度與體重結合在一起是體內總脂肪重量很好的預測指標，但其中的關系會被基因影響。表明脂肪在體內的分布受到基因的影響。平均來說，背膘脂肪代表了體內總脂肪的18%。雙能量X射線吸收測定術已被用于估計生長過程中體內組成的變化（Suster等，2003）。這個技術需要將豬麻醉，因此更不適宜定期檢測?？梢暬上穹治黾夹g具有可在整個生長過程中使用而無需物理干預的優勢。從獲得的圖像中我們可以獲得長、寬、高和面積等數據，其可與體總脂肪、肌肉、脂肪、蛋白質重量（Doeschl等，2004）和屠體關節（Doeschl等，2005）的測量值關聯起來。

4　處理動物間的變異：種群和個體動物

生長的營養需要模型很大程度上是動物生化代謝決定的。這意味著對于特定的數據，模型總會預測出同樣的結果，因為其不考慮變異或不確定性。這也是我們為什么警告InraPorc確定性模型使用者的原因之一，因為當應用到動物群體時該模型對營養需要量的預測值可能會太低。比如，如果按豬的平均需要量給一群豬提供日糧，近一半的豬將按預期生長，因為其獲取了最低營養需要量，然而另一半將表現的低于其的生長潛力，因為其獲取的營養低于需要量。

在模型中計算出動物間的變異是很復雜的，且從本質上來說有兩種方式來處理動物間的變異。第一種方式就是當計算變異且把它用到管理策略時繼續把動物當成群體來對待（如就飼養策略、運輸策略而言）。然而，并不是所有的變異都是隨機的（Schinckel等，2003）。例如，在日增重和采食量上都有隨機因素但它們之間也有很強的相關性。如果動物的采食量比平均值低，那么它們往往也會有一個低于平均值的生長速率。Brossard等（2009）分析了InraPorc模型關鍵參數的變異結構，然后，構建一群虛擬的豬然后對每頭豬強力運行該模型來評估群體如何對營養策略做出反應。Brossard等（2010）采用一種模擬的方式總結出了采用多階段的飼養策略，當給豬飼喂的日糧中含有的賴氨酸占群體動物平均需要量的110%時可以實現最大的經濟回報 （基于固定成本、飼料成本和屠體回報）。經過試驗檢測，結果表明生長反應上的變異可以通過模型來預測，限制飼喂可以作為一個降低屠宰時體重變異的方法（Brossard 等，2014）。

第二個計算變異的方法就是以個體為單位來處理動物。利用監測設備里的信息來控制進料器等設備數學模型的發展速度是很快的。傳感器（如稱重設備、照相機）的成本是相對適中的，最主要的挑戰是以一種適當的方式來利用傳感器中的信息。這牽涉到處理數據、實時監測和如何從傳感器到經驗模型或機理模型來做出預測的整個過程。實時監測可被用作模型中的一個驅動力（Hauschild等，2012），并實時控制自動進料器等設備。這些可能的構想在精準飼養系統中的實際應用仍然處于初級階段，但第一批結果已被證明是很有前途的。Parsons等（2007）對豬生長的實時控制使用了一個完整的管理系統，用一個可視化分析系統對日增重和機體成分進行監測。Green和Whittemore（2003）的模型被用來預測采食量和生長，往期的數據被用來校準模型參數來計算個體間的變異，且對未來的生長做出預測。把兩種原料（不同的蛋白質含量）混合以提供一種最適用于欄中動物的日糧。Pomar等（2010、2009）開發出一種可根據各自需要分配飼料給豬只的精準飼養系統，這個系統使用一個模型和往期的飼喂生長數據來給每個動物提供個性化的日糧配比。結果表明，精準飼喂系統可以降低約5%的飼料成本，而且氮和磷的排泄量可減少40%。相比有三個飼養階段的傳統飼養策略，個體化飼養已被證明可產生同樣的效果，但賴氨酸的攝入量、氮和磷排泄物可降低超過20%（Andretta 等，2014）。

5　結論

用數學模型對生產成本和胴體品質的預測已有了相當大的進步。這些模型已幫助我們改善對生物的理解，并且是支持決策系統、豬精準飼喂和生產系統等自動控制系統的重要元素。盡管精準家畜生產被認為是一種具有巨大潛力的 “萌芽中的技術”（Wathes等，2008），還有許多的困難需要克服。豬生產設置中獲得的信息可能就是主要限制因子中的一個。如果輸入的信息很少或沒有，那輸出的信息也會是很少或幾乎沒有。然而，傳感器技術是發展很快的，現在最大的挑戰是如何有效的利用得到的信息。

Groot（2007）表明，到目前為止，精準家畜養殖只是 “在特定某方面優化當前系統而不反思可能的結構性缺陷的一系列嘗試”。如果精準家畜飼養被視作一個過程（如飼喂過程）的優化與創新或是它帶來一個能夠影響豬生產鏈各個方面的潛在性系統創新，那么問題就出現了。例如，精準家畜飼養可能被消費者和公民視為動物生產過程的進一步工業化。在精準家畜飼養系統中，多數控制是針對農民或機器的，很少把動物作為一個控制實體來考慮。

[1]Andretta I，Pomar C，Rivest J，et al.The impact of feeding growing-finishing pigs with daily tailored diets using precision feeding techniques on animal performance，nutrient utilization，and body and carcass composition1[J].J.Anim.Sci，2014，92：3925 ～ 3936.

[2]Brossard L，Dourmad J Y， Rivest J，et al.Modelling the variation in performance of a population of growing pigs as affected by lysine supply and feeding strategy[J].Animal，2009，3：1114 ～ 1123.

[3]Brossard L B，Vautier J，van Milgen Y，et al.Comparison of in vivo and in silico growth performance and variability in pigs when applying a feeding strategy designed by simulation to control the variability of slaughter weight[A].Animal Production Science[C].2014.

[4]Doeschl-Wilson A B， Green D M，Fisher A V，et al.The relationship between body dimensions of living pigs and their carcass composition[J].Meat Science，2005，70：229 ～ 240.

[5]Doeschl A B，Green D M， Whittemore C T，et al.The relationship between the body shape of living pigs and their carcass morphology and composition[J].Anim.Sci，2004，79：73 ～ 83.

[6]FAO.2011.World livestock Livestock in food security[S].Food and Agriculture Organization of the United Nations，Rome.2011.

[7]Fowler V R.The nutritional control of growth.D，Lister，D.N.Rhodes，V.R.Fowler，M.F.Fuller Meat animals[A].Growth and productivity[C].Plenum Press，New York，USA.1974.285 ～ 299.

[8]Green D M，Whittemore C T.Architecture of a harmonized model of the growing pig for the determination of dietary net energy and protein requirements and of excretions into the environment（ims pig）[J].Anim.Sci，2003，77：113 ～ 130.

[9]Groot Koerkamp P W G， Bos A P，Van E.Henten.Precision livestock farming：Creating order beyond control[A].S.Cox（ed.）Precision livestock farming'07[C].Wageningen Academic Publishers，Wageningen，the Netherlands，2007.17 ～ 26.

[10]Halas V，Dijkstra J，Babinszky L，et al.Modelling of nutrient partitioning in growing pigs to predict their anatomical body composition.1.Model description[J].Br.J.Nutr，2004，92：725 ～ 734.

[11]Hauschild L，Lovatto P A，Pomar J，et al.Development of sustainable precision farming systems for swine：Estimating real ～ time individual amino acid requirements in growing-finishing pigs[J].J.Anim.Sci，2012，90：2255 ～ 2263.

[12]Kloareg M，Noblet J，J.van Milgen.Estimation of whole body lipid mass in finishing pigs[J].Anim.Sci，2006，82：241 ～ 251.

[13]Lizardo R，van J.Milgen J，Mourot J，et al.A nutritional model of fatty acid composition in the growing-finishing pig[J].Livest.Prod.Sci，2002，75：167 ～ 182.

[14]Moughan P J，Smith W C，Pearson G.Description and validation of a model simulating growth in the pig （20 ～ 90 kg liveweight）[J].N.Z.J.Agric.Res，1987，30：481 ～ 489.

[15]van Milgen J，Valancogne A， Dubois S，et al.Inraporc：A model and decision support tool for the nutrition of growing pigs[J].Anim.Feed Sci.Technol，2008，143：387 ～ 405.

[16]Quiniou N，NobletJ.Prediction of tissular body composition from protein and lipid deposition in growing pigs[J].J.Anim.Sci，1995，73：1567 ～ 1575.

[17]Whittemore C T，Fawcett R H.Model responses of the growing pig to the dietary intake of energy and protein[J].Anim.Prod，1974，19：221 ～ 231.

[18]Whittemore C T，Fawcett R H.Theoretical aspects of a flexible model to simulate protein and lipid growth in pigs[J].Anim.Prod，1976，22：87 ～ 96.

[19]Williams S R O，Moore G A，Currie E.Automatic weighing of pigs fed ad libitum[J].J.Agric.Engng.Res，1996.64：1 ～ 10.

[20]Wathes C M，Kristensen H H，Aerts J M，and D.Berckmans.Is precision livestock farming an engineer's daydream or nightmare，an animal's friend or foe，and a farmer's panacea or pitfall[J].Comput.Electron.Agric，2008，64：2 ～ 10.