應用MIR預測牛健康狀況的研究進展

陳焱森，上官愛哨，陳明新，馬亞賓，李春芳，徐為民，程春寶，熊琪，張淑君

（1.華中農(nóng)業(yè)大學、動物遺傳育種與繁殖教育部實驗室，武漢 430070; 2.湖北省農(nóng)業(yè)科學院畜牧獸醫(yī)研究所、動物胚胎工程及分子育種湖北省重點實驗室，武漢 430064; 3.河北省畜牧良種工作站、河北省牛種質(zhì)資源技術(shù)創(chuàng)新中心，石家莊 050061；4.湖北省畜禽育種中心DHI測定實驗室，武漢 430070）

抗病育種為牛抵抗疾病提供了一種新途徑，但疾病性狀數(shù)據(jù)收集需要花費巨大的人力與資金，導致很難得到大規(guī)模的相關(guān)數(shù)據(jù)進行遺傳評估，并且人工記錄數(shù)據(jù)存在不準確問題，會影響遺傳評估的準確性?？蒲腥藛T一般通過檢查牛血液或牛奶中生物標記物來確定牛的亞臨床疾病。在國外（如比利時、荷蘭和美國等）研究人員基于中紅外光譜（MIR）開發(fā)了便于大規(guī)模檢測的預測模型。目前，先使用MIR預測與疾病相關(guān)的生物標記物，再對牛健康狀況進行判斷是主要方法[1,2]，另外也可以直接使用MIR對牛健康狀況進行判別[3]。此外，最近還有研究將兩者相結(jié)合進行判別[4,5]。

酮病主要是因為牛在產(chǎn)后能量攝入不足，造成體內(nèi)能量負平衡，導致牛的脂肪與蛋白被動員，使體內(nèi)酮體累加[6]。其會對牛的產(chǎn)奶量和繁殖性能產(chǎn)生負面影響[7]，還會增加后續(xù)疾病的風險，例如皺胃偏移[8]。研究證實的酮病與亞臨床酮病生物標記物有：丙酮（Acetone, Ac）、β-羥丁酸（β-hydroxybutyrate, BHBA）[9,10]，并且有研究表明亞臨床酮病患牛產(chǎn)后幾周血液中的非酯化脂肪酸（NEDA）、葡萄糖和鈣的濃度都與健康牛差異顯著[11～13]。自2012年以來，奶牛酮病已經(jīng)成為荷蘭牛奶記錄計劃中常規(guī)檢查項目之一[14]。

機體能量平衡被打破時，會增加牛發(fā)生生產(chǎn)疾?。ㄅR床或亞臨床）、減少生產(chǎn)量和降低繁殖率的風險[15]。然而，由于缺乏快速、簡便和廉價的能量平衡測量方式，阻礙了其被納入日常管理決策或育種計劃[16]。哺乳期奶牛身體能量狀態(tài)特征包括能量平衡和能量值，并且還包括能量攝入的相關(guān)特征[17]。能量平衡（Energy balance, EB）計算可為牛奶中的能量攝入和輸出差以及維持（使用體重預測維持）提供參考[18]，并且有研究表明，檸檬酸在牛能量負平衡期間的變化最大[19]。

鑒于國外已經(jīng)在相關(guān)領(lǐng)域進行了一些研究，并且部分國家已經(jīng)應用到奶牛遺傳育種中，本文現(xiàn)對其進行總結(jié)，以期為我國科研工作者開展相關(guān)工作提供借鑒。

1 MIR預測奶牛酮病的研究

Hansen首次報道了基于MIR檢測奶牛酮病的方法，該方法使用多元校正法建立了預測牛奶中Ac的模型，其在預測集中的決定系數(shù)（Coefficient of determination, R2）與均方根誤差（RMSE）分別為0.81和0.27mmol/L，可將奶牛分為健康和可能患酮病牛（牛奶丙酮閾值為0.9mmol/L），但模型只能基于牛奶中自然含有的丙酮進行模型建立，人為添加的不行[20]。

Heuer等采用偏最小二乘回歸法（Partial least square regression, PLS）建立了基于MIR的預測牛奶中Ac濃度的模型，首先選出MIR的1450cm-1～1200cm-1波段并進行二階導數(shù)預測處理，交叉驗證誤差為0.21mmol/L；當亞臨床酮病的閾值為0.4～1.0mmol/L時，通過預測丙酮濃度來判斷奶牛是否患有亞臨床酮病，其靈敏度為95%～100%，特異性為96%～100%；假設亞臨床酮病患病率范圍為10%～30%，相應的陽性預測值≥76%，陰性預測值＞ 98%[21]。

Roos等同樣使用PLS法建立了基于MIR的牛奶中Ac和BHBA的預測模型，并評估其用于檢測亞臨床酮病的準確性。該研究使用分段流動分析法對1 080份牛奶樣的Ac和BHBA濃度進行測定，作為參照數(shù)據(jù)，傅立葉變模紅外光譜（FTIR）預測結(jié)果與Ac和BHBA參照數(shù)據(jù)之間的相關(guān)系數(shù)分別為0.72與0.64，在驗證集中的標準誤差（SE）分別為0.184和0.064mmol/L；假設Ac與BHBA的閾值分別為0.15和0.10mmol/L，檢測到Ac或BHBA高值的靈敏度為69%～70%，特異性為95%，假陽性為25%～27%，假陰性為6%～7%，該作者認為MIR預測的Ac和BHBA對于篩選亞臨床酮病的奶牛以及用于評估亞臨床酮病的畜群管理是有價值的[9]。Knegsel等使用Roos等建立的上述預測模型，用于評估奶牛是否患高酮血癥，并將該方法與乳脂肪與蛋白質(zhì)比率進行比較，其中奶?；几咄Y定義為血漿BHBA濃度≥1200μmol/L，結(jié)果預測Ac和BHBA與乳脂肪蛋白比（66%）相比，前者檢測高酮血癥的敏感性更高（80%）[22]。

Drift等通過研究認為，單一使用MIR預測牛奶Ac或BHBA濃度作為牛奶高酮血癥篩選指標精確度有限，其重新構(gòu)建了具有隨機群體效應的多變量邏輯回歸模型，使用胎次、季節(jié)、脂肪與蛋白質(zhì)比率以及MIR預測牛奶Ac和BHBA作為預測變量，該診斷模型在測試日檢測高酮血癥的最佳截止值（定義為靈敏度和特異性的最大總和）下，具有82.4%的靈敏度和83.8%的特異性，但其認為所提出的模型不適用于個體檢測，而適用于群體監(jiān)測[23]。隨后Drift等也利用Roos等建立的模型預測了1 565頭奶牛的牛奶Ac和BHBA濃度，并使用動物模型對二者進行了遺傳參數(shù)評估，結(jié)果對應的遺傳力估計值分別為0.16和0.10，該研究為減少奶牛泌乳早期高酮血癥的育種提供了借鑒[24]。

Koeck等使用MilkoScan FT+（Foss, Hiller?d, Denmark）自帶的BHBA預測模型，對加拿大荷斯坦牛初乳期BHBA進行了預測，并使用單變量動物模型對其進行了遺傳分析，使用雙變量動物模型對其與脂肪蛋白比、體況評分、臨床酮病和移位皺胃的遺傳相關(guān)性進行了分析，結(jié)果發(fā)現(xiàn)在泌乳不同階段，牛奶BHBA遺傳力估計值為0.14～0.29，第一個測試日牛奶BHBA、脂肪蛋白比、身體狀況評分與臨床酮病的遺傳相關(guān)分別為0.49、-0.35與0.48（均為中度遺傳相關(guān)），而與皺胃移位的遺傳相關(guān)性接近于零（0.07）[25]。隨后Koeck等又定義了不同的BHBA，并研究不同BHBA與酮病的表型和遺傳相關(guān)，定義的BHBA有：牛奶第一個測試日BHBA（5-40 DIM, BHBAFirst）、最大牛奶BHBA（5-100 DIM, BHBAMax）、標準偏差牛奶BHBA（5-100 DIM, BHBASD），三者的遺傳力分別為0.13、0.12與0.02，酮病和牛奶BHBA性狀之間的表型相關(guān)性低（0.14～0.19），但遺傳相關(guān)較高，分別為0.70、0.64和0.82[26]。

Vosman等使用Drift等建立的酮病預測模型，對來自125萬頭奶牛的250萬個MIR數(shù)據(jù)進行酮病預測，并用多性狀公畜模型估算酮病遺傳參數(shù)，結(jié)果發(fā)現(xiàn)，第一、二、三胎次的酮病遺傳力分別為0.16、0.13與0.18，所有胎次酮病遺傳力為0.24，并且第一和第二胎、第三胎次酮病之間的遺傳相關(guān)分別為0.81與0.58，第二和第三胎次酮病之間的遺傳相關(guān)為0.74[14]。

Grelet等從盧森堡、法國和德國的商業(yè)和實驗農(nóng)場收集牛奶樣品，通過流動注射分析測定Ac（548個樣品）與BHBA（558個樣品）濃度，使用PLS法基于MIR分別建立了預測模型，結(jié)果Ac與BHBA預測模型的外部驗證決定系數(shù)（Validation coefficient of determination, R2V）與SE分別為0.67與0.196mmol/L、0.63與0.083mmol/L[10]。

Belay等使用牛奶MIR建立了預測血液BHBA濃度的預測模型，使用血糖儀Optium Xido （Abbott, Winey, UK）測量了波蘭牛的826個血液BHBA濃度，使用PLS法建立血液BHBA（對數(shù)轉(zhuǎn)換）預測模型的R2V與SE分別為0.43與0.2397mmol/L，作者認為其不足以確定奶牛個體血液BHBA濃度的準確值；又使用其建立的模型對158 028個數(shù)據(jù)進行血液BHBA濃度預測，比較了間接預測（IP，只使用預測的BHBA）與直接預測（DP，將MIR降低為5或10個得分）對育種值評估的影響，結(jié)果使用單變量方差結(jié)構(gòu)（即IP）比多變量協(xié)方差結(jié)構(gòu)（即DP）結(jié)果更好[27]。同年，Belay等又采用其建立的預測模型對挪威奶牛的血液BHBA濃度進行了預測，并進行遺傳參數(shù)估計，再結(jié)合臨床酮病與牛奶生產(chǎn)性狀（產(chǎn)奶量、乳脂率、乳蛋白率與乳糖率）進行遺傳相關(guān)分析，結(jié)果哺乳期不同階段預測血液BHBA濃度的遺傳力估計值范圍為0.250～0.365，臨床酮病遺傳力估計值為0.078；在第一個測試日預測的血液BHBA與臨床酮病遺傳相關(guān)性為0.469、與牛奶生產(chǎn)性狀為中度遺傳相關(guān)（產(chǎn)奶量為0.277、乳蛋白率為-0.367、乳脂率為0.033）[28]。

Chandler等分別采集658頭和468頭奶牛的血樣與牛奶樣品（泌乳天數(shù)在5～20d之間），檢測了血樣的BHBA濃度與牛奶的MIR數(shù)據(jù)，使用線性回歸算法基于MIR建立了血樣BHBA的預測模型，預測模型的R2與SE分別為0.43與0.2397mmol/L；再以血液BHBA濃度≥1.2mmol/L為閾值，鑒定出高酮血癥患牛，使用儀器（Foss Analytical，Hiller?d，Denmark）檢測得到牛奶BHBA和Ac的濃度，結(jié)果多元線性回歸模型與邏輯回歸模型判別高酮血病準確率分別為81.3%～97.8%與82.6%～97.3%[1]。

2 MIR預測奶牛能量狀態(tài)的研究

Mcparland等建立了基于MIR的荷斯坦牛能量狀態(tài)預測模型，使用PLS法對268頭牛（418個哺乳期）的數(shù)據(jù)進行分析，預測模型在數(shù)據(jù)的不同獨立子集上進行外部驗證，結(jié)果預測直接能量平衡與有效能量攝入量模型的R2與SE分別為0.75與0.95MJ/d、0.87與0.98MJ/d，該方法可能是預測大規(guī)模個體母牛能量狀態(tài)的可行方法[17]。隨后其又使用該方法對荷斯坦牛能量狀態(tài)建立了預測模型，考慮了飼養(yǎng)管理（兩種TMR日糧與放牧）、地區(qū)（英國和愛爾蘭）與奶牛品種（荷斯坦與弗里斯牛），并加入了產(chǎn)奶量作為自變量，結(jié)果預測的直接能量平衡、體能量含量和能量攝入的準確度（即多次測定系數(shù)的平方根）分別為0.47～0.69、0.51～0.56和0.76～0.80，進一步證明了此方法的可行性[18]。

Mcparland等進一步建立了基于MIR的泌乳奶牛能量攝入預測模型，共收集378頭放牧牛1 535個能量攝入數(shù)據(jù)，使用PLS將牛奶MIR光譜數(shù)據(jù)與能量攝入相關(guān)聯(lián)，預測模型的R2為0.68，但當將產(chǎn)奶量作為預測變量包含在內(nèi)時，可提高預測模型準確性（R2=0.70）[29]。

Mcparland等又估計了基于MIR預測能量攝入（energy intake ，EI）和EB的遺傳參數(shù)，首先其根據(jù)1 270個測試日記錄的實際采食量和能量數(shù)據(jù)，使用PLS法建立了適合試驗牛群的EB和EI預測模型，結(jié)果其交叉驗證準確度分別為0.75與0.73；對94 653個MIR數(shù)據(jù)進行EI與EB預測，再使用動物模型評估各性狀的方差組分，計算對應遺傳力與遺傳相關(guān)，結(jié)果預測EI與EB的遺傳力分別為0.20與0.10，而實際測量性狀（使用1270個數(shù)據(jù)）的遺傳力估計值分別為0.35與0.16；測量和預測EI之間的遺傳相關(guān)性為0.84，測量和預測EB之間的遺傳相關(guān)性為0.54，表明基于MIR預測EI或EB的選擇將改善奶牛真實的EI或EB[16]。

Grelet等為研究奶牛泌乳早期的負能量平衡狀態(tài)，從盧森堡、法國和德國的商業(yè)和實驗農(nóng)場收集牛奶樣品，通過流動注射分析測定檸檬酸鹽（506個樣品），使用基于MIR的PLS法建立了預測模型，其模型的R2與SE分別為0.86與0.76mmol/L[10]。

Müllera等建立了基于MIR的奶牛EB預測模型，以自動稱重槽計算對65頭德國荷斯坦牛的EB進行了計算，使用線性回歸模型以牛奶MIR、牛奶成分以及奶牛胎次和泌乳階段信息相結(jié)合建立預測模型，結(jié)果在前4個泌乳周中，多胎母牛與初產(chǎn)母牛的EB預測模型交叉驗證決定系數(shù)（Cross-calidation coefficient of determination, R2CV）分別為0.55與0.83，在第5～10個泌乳周中，多胎母牛與初產(chǎn)母牛EB預測模型的R2分別為0.57與0.71；同時采集了585個血樣樣本（來自相同的65頭牛），進行血清BHBA濃度檢測，使用相同線性回歸模型建立了血清BHBA濃度預測模型，其R2為0.42；當以血液BHBA大于1 200μmol/L為閾值時，判別EB模型的靈敏度為44%～75%，特異性為93%～97%[2]。

表1 應用MIR預測奶牛疾病文獻的研究總結(jié)

Mineur等嘗試直接使用MIR判別奶牛是否患有跛足疾病，使用偏最小二乘判別分析（Partial least square discriminate analysis, PLS-DA）對9 811條數(shù)據(jù)進行了預測模型的建立，其中對MIR數(shù)據(jù)進行了兩種預處理（一階導數(shù)+標準化正態(tài)變換，二階導數(shù)+標準化正態(tài)變換），并根據(jù)奶牛品種、胎次、跛足的嚴重程度劃分為不同的子集進行了模型建立，結(jié)果不同預處理模型靈敏度不同，不同子集下得到的結(jié)果差異也較大，靈敏度為25%～85%，特異性為58%～92%。作者認為應進一步增加其他信息來提高模型的準確性[3]。

Luke等開發(fā)了基于MIR預測奶牛瘤胃pH值的預測模型，共收集了144個奶牛瘤胃pH值測量值，pH指標包括平均pH、pH低于6的時間和擠奶之間pH曲線下的面積、采集牛奶樣品時的pH，使用PLS法建立預測瘤胃模型的R2在0.22～0.59之間；當奶牛亞急性瘤胃酸中毒（SARA）定義為瘤胃pH值小于6且超過180min時，使用PLS-DA建立判別奶牛SARA模型的敏感性為81%，特異性為72%[30]。

Koster等使用隨機森林算法，并基于牛奶代謝物和酶、牛奶的免疫γ球蛋白部分上的聚糖、牛奶MIR來描述泌乳早期奶牛的代謝不平衡狀態(tài)，其中牛奶代謝物和酶包括牛奶葡萄糖、葡萄糖-6-磷酸、BHBA、乳酸脫氫酶、N-乙酰-β-d-氨基葡萄糖苷酶、異檸檬酸、免疫球蛋白聚糖（19個峰）與牛奶MIR（1 060個波點降維為15個主要成分），結(jié)合使用或不使用其他奶牛信息（泌乳天數(shù)、胎次、產(chǎn)奶量）用于建立預測模型，結(jié)果使用牛奶代謝物和酶以及奶牛泌乳天數(shù)或MIR建立的預測模型最好，預測平衡的準確性為80%，不平衡的準確性為88%）[4]。

Luke等也同樣研究了奶牛代謝不平衡預測模型的建立，其是通過血液BHBA、脂肪酸、尿素、Ca、Mg、白蛋白和球蛋白濃度來將奶牛分類，首先以PLS法建立了基于MIR的上述指標預測模型，結(jié)果血液BHBA、脂肪酸和尿素預測模型的 R2分別為0.48、0.61和0.90，但Ca、Mg、白蛋白和球蛋白濃度的預測效果很差（0.06≤R2≤0.17），使用PLS-DA法基于預測指標建立的判別代謝不平衡預測模型，靈敏度為25%～100%，特異性為6%～99%[30]。

4 小結(jié)

從上述研究中，可以看出MIR具有預測奶牛健康狀況的潛力，并且結(jié)合奶牛其他信息（如產(chǎn)奶量）能提高預測模型的準確性，現(xiàn)在研究人員普遍認為此方法可以判別奶牛群體的健康狀況，但對于個體水平的準確性有待提高。

隨著我國牛遺傳育種的發(fā)展，對獲得大量、有效的奶牛疾病性狀數(shù)據(jù)以進一步完善我國牛遺傳評估體系的預望日益迫切。本綜述介紹的基于MIR預測法提供了一個很好的途徑，但上述研究均是基于國外牛群建立的模型，我國需要建立基于我國牛群的預測模型，以利于我國牛遺傳育種的進一步發(fā)展。