數(shù)字化模型化助力豬精準(zhǔn)營養(yǎng)和豆粕減量研究進展及未來展望

周宇君，曾正程，張姝雅，李 哲，高文君，羅翔詩，王 璐，張 帥

中國農(nóng)業(yè)大學(xué)動物科學(xué)技術(shù)學(xué)院，畜禽營養(yǎng)與飼養(yǎng)全國重點實驗室，農(nóng)業(yè)農(nóng)村部飼料工業(yè)中心，北京100193

隨著全球城鎮(zhèn)化的加速，居民對肉蛋奶等畜產(chǎn)品的需求將在未來呈持續(xù)增長趨勢，這也預(yù)示著畜牧業(yè)在未來將需要更高的生產(chǎn)效率和更大的生產(chǎn)規(guī)模。同時，從可持續(xù)發(fā)展的角度來看，未來畜牧業(yè)必須要朝著環(huán)境友好型的方向發(fā)展，需要把養(yǎng)殖過程產(chǎn)生的環(huán)境壓力（包括溫室氣體、氮、磷等的排放，水資源消耗，土地利用等）減小到可控范圍內(nèi)。要滿足以上這些要求，就需要從養(yǎng)殖業(yè)整體進行把控，從系統(tǒng)工程的角度進行研究。數(shù)字化和模型化恰恰是針對系統(tǒng)工程進行研究和優(yōu)化的有利工具。

養(yǎng)殖業(yè)中數(shù)學(xué)模型的建立是針對復(fù)雜的動物生產(chǎn)系統(tǒng)，將其中可以進行科學(xué)評估和方便測定的指標(biāo)作為參數(shù)，對特定的過程或目標(biāo)進行模擬和預(yù)測，從而實現(xiàn)具體管理措施的推薦及決策，主要包括但不限于優(yōu)化飼喂程序、減少環(huán)境壓力和生產(chǎn)定制化的畜產(chǎn)品等（Tedeschi，2019）。當(dāng)前國外研究較多的動物營養(yǎng)數(shù)學(xué)模型包括營養(yǎng)素消化過程的模型、營養(yǎng)素及能量沉積和分配的模型、動物生長性能及采食量的預(yù)測模型，以及以上營養(yǎng)消化代謝過程和遺傳、管理、環(huán)境、動物健康之間交互作用的模型等（Leishman 等，2023）。尤其是近年來各畜種最新版飼養(yǎng)標(biāo)準(zhǔn)中所納入的機理模型（Mechanistic models, MMs），可以實現(xiàn)動物體內(nèi)各生理過程的數(shù)學(xué)描述，通常被用來解釋生理過程的因果變化，并作為企業(yè)養(yǎng)殖過程中的決策支持（decision support）和機會分析（opportunity analysis）的重要工具（Ellis 等，2020）。

本文將主要對豬精準(zhǔn)營養(yǎng)數(shù)學(xué)模型、有豆粕替代潛力的原料有效養(yǎng)分動態(tài)預(yù)測模型和豬精準(zhǔn)營養(yǎng)配方系統(tǒng)三方面的研究進展進行綜述，并對數(shù)字化模型化助力豬精準(zhǔn)營養(yǎng)和豆粕減量的未來前景進行展望，以期為未來新業(yè)態(tài)下飼料原料的高效利用、現(xiàn)代化養(yǎng)殖業(yè)產(chǎn)業(yè)鏈供應(yīng)鏈水平的提升以及我國畜牧業(yè)的可持續(xù)發(fā)展提供理論和工具參考。

1 豬精準(zhǔn)營養(yǎng)數(shù)學(xué)模型的研究進展和未來展望

豬營養(yǎng)數(shù)學(xué)模型是實現(xiàn)精準(zhǔn)營養(yǎng)和精準(zhǔn)飼喂的基礎(chǔ)。精準(zhǔn)營養(yǎng)或精準(zhǔn)飼喂是指“在恰當(dāng)?shù)臅r間向特定的動物個體提供含有合適營養(yǎng)素的合適數(shù)量的飼料”（Zuidhof，2020）。為了實現(xiàn)這一目標(biāo)，整個精準(zhǔn)飼喂系統(tǒng)需要包含以下部分：（1）特定動物個體信息的準(zhǔn)確識別（包括實時的個體身份信息、體重信息等）；（2）下一階段（如下次飼喂或次日）生產(chǎn)性能的預(yù)測模型（如采食量、日增重等）；（3）飼料中的有效養(yǎng)分實時預(yù)測模型；（4）基于生產(chǎn)性能預(yù)測模型和飼料中的有效養(yǎng)分預(yù)測模型提供給個體精確飼料的綜合決策算法。其中的信息識別環(huán)節(jié)中，機器學(xué)習(xí)（Machine learning, ML）算法模型是當(dāng)前研究的主流方法。生產(chǎn)性能預(yù)測、原料有效養(yǎng)分預(yù)測和綜合決策算法中，除了傳統(tǒng)的線性回歸經(jīng)驗?zāi)Ｐ停‥mpirical model）外，基于機理模型或機理模型與機器學(xué)習(xí)模型的混合模型是近年來研究者關(guān)注的熱點，該類模型不僅可以作為決策工具以確定動物的最佳營養(yǎng)需要量，同時還能把生產(chǎn)效率、生產(chǎn)成本和環(huán)境影響等因素納入在內(nèi)統(tǒng)籌考慮。例如，Parsons 等（2007）報道了一種基于模型的實時系統(tǒng)，可以控制豬的生長以及氮和氨的排放，該系統(tǒng)的核心是基于豬生長的機理模型以及用于調(diào)整飼料配方以優(yōu)化生長的優(yōu)化器，模型中使用了養(yǎng)殖現(xiàn)場的實時體重和采食量數(shù)據(jù)以輸入機理模型。Pomar 等（2015）描述了一個類似的模型，該模型遵循“灰盒模型（grey box model）”方法，包括經(jīng)驗?zāi)Ｐ蚚“黑箱模型（black box model）”]和基于知識的機理模型兩部分。此外，在法國農(nóng)業(yè)科學(xué)院（INRA）牽頭的Feed–a–Gene 項目中（Brossard 等，2017），同樣開發(fā)了一種精準(zhǔn)飼喂管理系統(tǒng)，以提高豬和家禽對波動環(huán)境條件的適應(yīng)能力并提高飼料效率，與前述兩個模型系統(tǒng)相似，該系統(tǒng)包括了養(yǎng)殖現(xiàn)場動物實時個體數(shù)據(jù)的收集（如體重、采食量、活動等）和環(huán)境數(shù)據(jù)的收集（如溫度、濕度等），并將這些信息輸入到動物營養(yǎng)經(jīng)驗?zāi)Ｐ秃蜋C理模型中，以基于預(yù)期達到的生長性能計算動物的營養(yǎng)需要量，并相應(yīng)地實施飼喂決策。

在動物生產(chǎn)中常用的數(shù)學(xué)模型根據(jù)其不同特點，通?？梢苑譃殪o態(tài)模型（static model）或 動 態(tài) 模 型（dynamic model）、確 定 性 模 型（deterministic model）或隨 機 模型（stochastic model）、經(jīng)驗?zāi)Ｐ停╡mpirical model）或機理模型（mechanistic model）（Thornley 和France，2007）。在豬營養(yǎng)研究上，最早的數(shù)學(xué)模型出現(xiàn)在20 世紀(jì)50～60 年代，主要依賴于經(jīng)驗公式和統(tǒng)計方法，根據(jù)豬的體重、品種和生長階段等因素來估計其營養(yǎng)需求。在20 世紀(jì)70～80 年代，隨著計算機技術(shù)的發(fā)展，豬營養(yǎng)與飼料配方上開始采用線性規(guī)劃模型，通過最小化飼料成本或最大化生產(chǎn)效率來進行飼料配方優(yōu)化。20 世紀(jì)90年代以后，隨著對動物生理學(xué)和代謝過程的理解加深，豬營養(yǎng)模型逐漸發(fā)展為動態(tài)機理模型，可以模擬豬的生長、代謝和營養(yǎng)利用過程?，F(xiàn)代研究中的豬營養(yǎng)模型越來越精細(xì)，可以考慮更多因素，如環(huán)境溫度、濕度、飲水情況等，以提供更精確的飼養(yǎng)建議。部分研究也開始考慮個體差異，根據(jù)不同豬的生長特性、品種、健康狀態(tài)等因素，提供個性化的營養(yǎng)建議。近年來，隨著學(xué)科交叉融合的深入，一些研究開始利用機器學(xué)習(xí)技術(shù)，通過對安裝在養(yǎng)殖場一線的新型傳感器所收集的大量數(shù)據(jù)進行學(xué)習(xí)，建立更復(fù)雜的豬營養(yǎng)模型，以實現(xiàn)更準(zhǔn)確的飼料配方和營養(yǎng)供給，機器學(xué)習(xí)也使動物營養(yǎng)數(shù)學(xué)模型研究以前所未有的速度向著人類未知的方向發(fā)展。

機器學(xué)習(xí)是人工智能（AI）的一個分支，涉及到計算機科學(xué)、統(tǒng)計學(xué)、概率論和信息論等多個領(lǐng)域的技術(shù)，用于識別、理解和解釋大數(shù)據(jù)中的模式。雖然在動物科學(xué)研究中我們?nèi)耘f把機器學(xué)習(xí)作為一個全新的概念來討論，但這個術(shù)語早在20 世紀(jì)50 年代就已經(jīng)存在了，甚至早于現(xiàn)代互聯(lián)網(wǎng)發(fā)明之前（Samuel，1959）。通常來講，機器學(xué)習(xí)可以被認(rèn)為是一種能夠改進數(shù)學(xué)模型性能并根據(jù)經(jīng)驗做出準(zhǔn)確預(yù)測的計算方法，可以根據(jù)其學(xué)習(xí)類型（有監(jiān)督模型、無監(jiān)督模型、半監(jiān)督模型、強化學(xué)習(xí)模型）和輸出數(shù)據(jù)類型（連續(xù)數(shù)據(jù)模型、離散數(shù)據(jù)模型）來分類（Greener 等，2022）。從這一角度出發(fā)，當(dāng)前動物營養(yǎng)研究中建立的數(shù)學(xué)模型基本都可以被歸類為利用連續(xù)數(shù)據(jù)的有監(jiān)督學(xué)習(xí)模型。從具體機器學(xué)習(xí)算法來講，人工神經(jīng)網(wǎng)絡(luò)（ANN）模型已經(jīng)在動物營養(yǎng)領(lǐng)域的預(yù)測任務(wù)中有了應(yīng)用，如我們課題組前期利用ANN 模型建立了基于飼料凈能和氨基酸攝入的豬生長性能預(yù)測模型（Wang 等，2022），以及基于體重和采食量的豬凈能需要量預(yù)測模型（Wang 等，2023）。此外，當(dāng)變量數(shù)量大于要預(yù)測的目標(biāo)性狀的數(shù)量時，通?？梢允褂弥С窒蛄繖C（SVM）模型進行分類和回歸；決策樹是另一種流行的機器學(xué)習(xí)技術(shù)，可以用于連續(xù)數(shù)據(jù)（回歸任務(wù)）和離散數(shù)據(jù)（分類任務(wù)）建模（Leishman 等，2023）。機器學(xué)習(xí)模型應(yīng)用的主要困難在于并非所有生產(chǎn)場都有條件安裝能記錄足量數(shù)據(jù)的傳感器，因此也就無法生成訓(xùn)練機器學(xué)習(xí)模型所需的大數(shù)據(jù)。因此，傳統(tǒng)的經(jīng)驗?zāi)Ｐ腿耘f會是未來一段時間生產(chǎn)一線中應(yīng)用的主要模型類型。

在機器學(xué)習(xí)領(lǐng)域中，另一個正在興起的研究熱點是基于機器學(xué)習(xí)模型對文獻資料的自動搜集、整理和合成。目前被大家熟知的例子便是Chat–GPT 和其他類似的大語言模型工具。這些公共工具可以滿足各種各樣的基于文本的請求，例如在提供關(guān)鍵字或主題時總結(jié)相關(guān)文獻，根據(jù)目標(biāo)從數(shù)據(jù)庫中發(fā)掘和推薦相關(guān)論文，以及有可能實現(xiàn)的基于文獻數(shù)據(jù)或合成的數(shù)據(jù)而不是養(yǎng)殖生產(chǎn)數(shù)據(jù)來訓(xùn)練數(shù)學(xué)模型，類似方法已經(jīng)出現(xiàn)在化學(xué)等研究領(lǐng)域（Leishman 等，2023）。雖然該方法在動物營養(yǎng)研究領(lǐng)域的應(yīng)用情況還有很大的未知性，但我們相信，大語言模型技術(shù)在未來必定會對學(xué)科發(fā)展起到積極的推動作用。

2 有豆粕替代潛力的原料有效養(yǎng)分評價及動態(tài)預(yù)測模型研究進展和未來展望

2021 年4 月，全國動物營養(yǎng)指導(dǎo)委員會發(fā)布了《飼料玉米豆粕減量替代技術(shù)方案》；2023年4 月，農(nóng)業(yè)農(nóng)村部發(fā)布了《飼用豆粕減量替代三年行動方案》。其中的重要技術(shù)環(huán)節(jié)是對有玉米豆粕替代潛力的蛋白質(zhì)飼料原料有效養(yǎng)分的精準(zhǔn)把握，當(dāng)前的關(guān)鍵技術(shù)是建立其中有效養(yǎng)分（凈能、標(biāo)準(zhǔn)回腸末端可消化氨基酸等）的實時預(yù)測模型。結(jié)合農(nóng)業(yè)農(nóng)村部飼料工業(yè)中心前期在生長豬上關(guān)于原料評價的工作和部分行業(yè)參考文獻，現(xiàn)將有豆粕替代潛力的主要原料有效養(yǎng)分評價及動態(tài)預(yù)測模型研究進展總結(jié)如下。

2.1 菜籽餅粕

菜籽餅粕是油菜籽加工制油后的副產(chǎn)物，粗蛋白質(zhì)含量為34%～38%，含有豐富的含硫氨基酸，賴氨酸和精氨酸含量略低。普通菜籽餅粕含以硫甙為主的抗?fàn)I養(yǎng)因子，適口性差，消化率低于豆粕，可替代40%～50% 的豆粕，而雙低菜籽粕可替代60%～80% 的豆粕。菜籽粕有效能值偏低，替代豆粕時需要適量添加油脂；現(xiàn)實中通過培育雙低或三低油菜品種或是進行微生物發(fā)酵來降低菜籽粕中抗?fàn)I養(yǎng)因子的含量、提高消化率及其在飼料配方中用量（郄彥昭，2010）。雙低菜籽餅的消化能（DE）、代謝能（ME）和標(biāo)準(zhǔn)回腸末端可消化賴氨酸及蛋氨酸（SID Lys、SID Met）可用以下動態(tài)模型進行快速預(yù)測：DE=1.47 GE–0.21 ADF+0.53 ash–14.72 (R2=0.93) ；ME=9.33–0.09 NDF–0.25 CF+0.59 GE (R2=0.93) ；SID Lys=0.33 PS+56.89 (R2= 0.78)，其中PS 為蛋白質(zhì)溶解度；SID Met=1.65 Lys–2.40 CF+22.07 Met+111.04(R2=0.91)（李 培 麗，2018）。普 通 菜 籽 餅 粕 的DE 和ME 可用以下動態(tài)模型進行快速預(yù)測：DE=7.65+0.22 CP+0.24 EE–0.27 ADF+0.15 CF(R2=0.75) ； ME=14.92+0.16 EE–0.26 ADF+0.17 CF (R2=0.69)（張澤宇，2019）。以上模型中DE和ME 的單位為MJ/kg（干物質(zhì)基礎(chǔ)，下同，除特殊說明外）；SID 氨基酸的單位為%（下同）。

2.2 棉籽餅粕

棉籽餅粕是一種從棉籽中提取的農(nóng)業(yè)副產(chǎn)品，粗蛋白質(zhì)含量高達40%～50%，略高于豆粕，氨基酸組成平衡，精氨酸含量高于豆粕，賴氨酸含量低于豆粕。棉籽餅粕本身或加工過程中產(chǎn)生的小肽和棉子糖具有抗氧化、抗癌和免疫調(diào)節(jié)等功能（趙金標(biāo)等，2023）。普通棉籽餅粕可替代30%～40% 的豆粕，脫酚棉籽蛋白可替代60%～80%的豆粕。棉籽粕中常見的抗?fàn)I養(yǎng)因子是游離棉酚，過度食用會引起畜禽中毒，實際生產(chǎn)中，常使用物理法、化學(xué)法和生物發(fā)酵法進行脫毒（葉盛，2015）。棉籽粕的DE、ME 和部分SID氨基酸可用以下動態(tài)模型進行快速預(yù)測：DE=–32.67+3.00 GE–0.21 CP+1.20 EE–0.46 cellulose(R2=0.95)； ME=21.33–1.19 GE+1.15 DE–0.92 EE(R2=0.96)；SID Lys=–25.68+5.01 cellulose–1.84 ADF+95.30 Met (R2=0.85)；SID Trp=83.29–0.52 CP+14.32 AEE (R2=0.70)（馬曉康，2015）。

2.3 花生餅粕

花生餅粕是花生仁制油后的副產(chǎn)物，粗蛋白質(zhì)含量為47%～55%，與豆粕大致相同，氨基酸組成不平衡，礦物質(zhì)中鈣少磷多，且磷多屬植酸磷?；ㄉ稍谑褂眠^程中由于油脂含量過高、保存條件不當(dāng)，易受黃曲霉毒素污染；實際生產(chǎn)中，可通過發(fā)酵花生粕的工藝促進營養(yǎng)物質(zhì)吸收和降低抗?fàn)I養(yǎng)因子等（王嘉豪等，2022）?；ㄉ傻腄E、ME 和部分SID 氨基酸可用以下動態(tài)模型進行快速預(yù)測：DE=0.18+0.73 GE+0.08 CP–0.14 NDF (R2=0.97)；ME=17.78–0.17 NDF (R2=0.59)；SID Lys=48.10 Lys–0.42 NDF–0.61 (R2=0.88) ；SID Met=24.31 Met+28.44 Lys–0.28 NDF+31.16 (R2=0.92)；SID Thr=36.81 Lys+9.50 (R2=0.74)（李青云，2014）。

2.4 葵花籽粕

葵花籽粕有兩種常見制取方法：一是在高溫下利用有機溶劑制?。欢侵苯永湔カ@得（柴杰等，2016）?？ㄗ哑傻拇值鞍踪|(zhì)含量為27%～37%，賴氨酸含量對比豆粕較低，但其他氨基酸組成較為平衡，特別是富含谷氨酸和天冬氨酸；葵花籽粕中常見的抗?fàn)I養(yǎng)因子有植酸和綠原酸等，明顯少于豆粕中的抗?fàn)I養(yǎng)因子，并且其中含有的綠原酸對畜禽有抗氧化、抗炎抗菌和促進生長等特殊功效（楊榮等，2020）。葵花籽粕的DE、ME 和部分SID 氨基酸可用以下動態(tài)模型進行快速預(yù)測：DE=–4.90+0.14 CP–0.08 CF+0.71 GE (R2=0.89) ；ME=–4.90–0.05 NDF+0.66 GE+0.16 CP (R2=0.96) ；SID Lys=39.65+90.30 Met–84.36 Trp (R2=0.98) ；SID Met=58.02–0.49 EE+7.96 Ca+33.98 Met (R2=0.97) ；SID Thr=28.39+56.73 Met (R2=0.87)（劉君地，2014）。

2.5 玉米加工副產(chǎn)物

玉米加工副產(chǎn)物中可部分替代豆粕的有噴漿玉米皮、玉米蛋白粉和玉米胚芽粕，三者均為玉米深加工的副產(chǎn)物。噴漿玉米皮是在玉米濕磨過程中將玉米浸泡液均勻噴撒在玉米皮上干燥后在產(chǎn)物，粗蛋白質(zhì)含量約為20%（李運杰等，2023）。噴漿玉米皮在使用時易感染真菌霉素；加工過程提高了其粗纖維含量，更適用于反芻動物。玉米蛋白粉是玉米籽實經(jīng)過淀粉或酒精生產(chǎn)后提純的副產(chǎn)物，粗蛋白質(zhì)含量約為60%，但存在有特殊氣味、適口性差、抗?fàn)I養(yǎng)因子高和氨基酸組成不平衡等缺點，實際生產(chǎn)中，常利用發(fā)酵玉米蛋白粉的生產(chǎn)工藝改善其營養(yǎng)價值（李運杰等，2023）。玉米蛋白粉的DE、ME 和部分SID 氨基酸可用以下動態(tài)模型進行快速預(yù)測：DE=15.59+0.10 CP–0.66 ADF (R2=0.59)；ME=22.18–0.08 starch–0.58 ADF (R2=0.65)；SID Met=109.10–0.30 CP+1.13 CF (R2=0.72)；SID Trp=52.94+9.42 ash (R2=0.30)（紀(jì)穎，2012）。玉米胚芽粕是玉米胚芽榨油后的副產(chǎn)物，粗蛋白質(zhì)含量為23%～25%，氨基酸組成平衡，必需氨基酸含量高，含有大量維生素，具有獨特芳香氣味，適口性好（李運杰等，2023）。玉米胚芽粕的DE、ME 和部分SID 氨基酸可用以下動態(tài)模型進行快速預(yù)測：DE=26.85–0.28 IDF–17.79 Ca (R2=0.92)；ME=21.05–0.43 ADF–11.40 Ca (R2=0.87)；SID Lys=130.45+9.58 EE–1.16 TDF–51.62 Lys (R2=0.91)；SID Met=184.68–4.43 CP+1.04 starch–0.80 IDF (R2=0.88)；SID Trp=28.92+9.39 AEE+72.19 Ca (R2=0.67)（劉兆宇，2014）。

2.6 玉米干酒糟及其可溶物（玉米DDGS）

玉米DDGS 是采用微生物發(fā)酵法制取玉米乙醇燃料后的廢渣經(jīng)過加工、干燥和混合等工藝流程后的產(chǎn)物，粗蛋白質(zhì)含量為27.5%～33.3%，氨基酸組成與豆粕相似，其中賴氨酸和色氨酸較為缺乏；由于產(chǎn)地和生產(chǎn)工藝等的不同，玉米DDGS 的營養(yǎng)成分價值差異較大。玉米DDGS 相較于玉米，蛋白質(zhì)、氨基酸和維生素的數(shù)量與品質(zhì)均有提升，并含有未探明機理的促生長因子，實際生產(chǎn)中，可以通過運用酶制劑、改進生產(chǎn)工藝和物理處理等方法提高玉米DDGS 在畜禽中的飼料轉(zhuǎn)化率（扣澤華等，2023）。根據(jù)加工工藝的不同，玉米DDGS可以分為全油類和提油類兩種，全油類玉米DDGS的DE 和ME 可用以下動態(tài)模型進行快速預(yù)測：DE 全 油=–643–94.52 CF+1.14 GE–22.89 NDF(R2=0.83)，ME 全 油=7898–42.08 NDF–136.17 ash+101.19 EE–103.83 CP (R2=0.90)，其 中DE 和ME 的單位為kcal/kg；提油類玉米DDGS 的DE和ME 可用以下動態(tài)模型進行快速預(yù)測：DE 提油=4338–36.75 NDF+32.99 CP–67.10 CF (R2=0.95)，ME 提 油=4066–46.03 NDF+45.80 CP–106.19 ash(R2=0.94)，其 中DE 和ME 的 單 位 為kcal/kg（李平，2014）。如果不分類，玉米DDGS 的DE、ME和部分SID 氨基酸可用以下動態(tài)模型進行快速預(yù) 測：DE =1874–21.35 NDF+0.65 GE–99.84 CF(R2=0.86)；ME=1463–32.43 NDF+0.79 GE–54.52 ash–68.82 CF (R2=0.87)；SID Lys=57.77+1.13 EE–3.19 a*+55.00 Met (R2=0.91)；SID Met=92.89–1.92 CF–2.09 a*+16.33 Met+5.46 Lys:CP (R2=0.93)；SID Thr=82.88+0.53 EE–3.22 ash (R2=0.64)；SID Trp=56.83+1.10 EE–2.27 ash+35.96 Met (R2=0.82)，其中DE 和ME 的單位為kcal/kg，a*為紅度值（李平，2014）。

2.7 亞麻餅粕

亞麻籽富含蛋白質(zhì)、油脂、不飽和脂肪酸等多種營養(yǎng)物質(zhì)，亞麻餅粕是亞麻籽加工制油的主要副產(chǎn)物，富含蛋白質(zhì)和優(yōu)質(zhì)脂肪酸，亞麻餅粕和胡麻餅粕的粗蛋白質(zhì)含量約為32%～49%，蛋氨酸和胱氨酸的含量比豆粕較少。亞麻籽蛋白及其活性肽具有抗氧化、抗菌抗炎、降低膽固醇和降血壓等功能（李赫等，2019）。亞麻餅粕中含少量氫氰酸，在實際生產(chǎn)中過渡飼喂會導(dǎo)致畜禽中毒，在豬雞日糧中可添加5%～6%。亞麻籽餅的DE、ME 和部分SID 氨基酸可用以下動態(tài)模型進行快速預(yù)測：DE=–13.49+1.58 GE–0.11 NDF (R2=0.90)；ME=–0.31+0.95 DE (R2= 0.97)；SID Lys=45.63+49.49 Met (R2=0.47)；SID Met=107.81–0.57 NDF+0.36 ADF (R2=0.92)；SID Thr=34.66+0.99 CP+0.61 EE(R2=0.71)（陳一凡，2016）。

2.8 其他非常規(guī)蛋白原料

我國地大物博，不同地區(qū)存在著不同的地源性蛋白飼料原料資源，在實際生產(chǎn)中可以起到豆粕替代的作用。如其他非常規(guī)植物餅粕類原料棕櫚粕，非常規(guī)動物蛋白質(zhì)飼料昆蟲蛋白和牧業(yè)林業(yè)副產(chǎn)品桑葉等。棕櫚粕是棕櫚果制油后的副產(chǎn)物，粗蛋白質(zhì)含量為14.1%～24.8%，僅約為豆粕粗蛋白質(zhì)含量的一半，但由于其來源廣泛、價格低廉，可用于部分代替豆粕；棕櫚粕富含氨基酸和礦物質(zhì)，缺乏賴氨酸、蛋氨酸和色氨酸，纖維含量較高，在飼料中使用需要注意能氮平衡（李國祥等，2023）。昆蟲蛋白如黑水虻多為腐生性昆蟲，常用于處理有機垃圾，其將生活有機廢棄物最大效率的轉(zhuǎn)換成自身生長發(fā)育所需的能量，并且轉(zhuǎn)化后的廢棄物是一種效價很高的有機肥料，蟲粉干的粗蛋白質(zhì)含量為35%～45%，某些必需氨基酸含量高于豆粕，世代周期短、易于大量養(yǎng)殖（張慧杰等，2023）。桑葉在我國種植歷史悠久且抗逆性強，粗蛋白質(zhì)含量為23%～30%，其中豐富的活性物質(zhì)可以降血壓、降血糖和抗菌抗炎等（姜貝貝等，2017）。但是關(guān)于以上原料有效養(yǎng)分的動態(tài)預(yù)測模型還鮮見報道，需要進行相關(guān)的系統(tǒng)評價工作以實現(xiàn)其有效養(yǎng)分的快速便捷預(yù)測。

此外，近年來對于豬蛋白飼料原料有效養(yǎng)分的評價工作主要以生長豬為靶動物，為了實現(xiàn)豬精準(zhǔn)營養(yǎng)配方的配制，需要知道不同原料在不同生長階段豬上的有效養(yǎng)分是存在差異的。因此，下一步同樣需要聚焦豆粕替代原料在仔豬和母豬上的有效養(yǎng)分研究，或建立基于同種原料的生長豬有效養(yǎng)分?jǐn)?shù)據(jù)庫推演至仔豬和母豬上的數(shù)學(xué)模型，從而為實現(xiàn)不同階段豬的精準(zhǔn)營養(yǎng)配制奠定基礎(chǔ)。

3 豬精準(zhǔn)營養(yǎng)配方系統(tǒng)的研究進展和未來展望

飼料配方軟件系統(tǒng)是實現(xiàn)畜禽精準(zhǔn)營養(yǎng)的重要工具。最初的飼料配方興起于20 世紀(jì)初，主要依賴于手工計算和經(jīng)驗公式，養(yǎng)殖業(yè)者根據(jù)動物的基本營養(yǎng)需求和可用原料的營養(yǎng)成分進行手動配比。20 世紀(jì)60～70 年代，隨著計算機技術(shù)的發(fā)展，出現(xiàn)了第一代計算機輔助的飼料配方軟件，這些軟件能夠更快速地處理大量數(shù)據(jù)，提供更準(zhǔn)確的飼料配方。20 世紀(jì)90 年代，隨著養(yǎng)殖業(yè)的發(fā)展，出現(xiàn)了專門針對特定動物種類（如奶牛、豬等）的飼料配方軟件，這些軟件提供了更多的定制功能和專業(yè)化的營養(yǎng)指導(dǎo)。進入21 世紀(jì)，隨著互聯(lián)網(wǎng)的普及，飼料配方軟件開始利用云計算和在線數(shù)據(jù)庫，使得用戶可以隨時隨地訪問和更新配方數(shù)據(jù)。

在算法方面，最早的飼料配方軟件主要依賴于線性規(guī)劃算法，通過最小化或最大化特定的目標(biāo)函數(shù)（如成本最小化或營養(yǎng)需求最大化）來求解配方問題。隨著算法和計算能力的提升，新一代的飼料配方軟件開始采用更復(fù)雜的優(yōu)化算法，包括非線性規(guī)劃、遺傳算法等，以解決更復(fù)雜的配方問題。近年來，一些先進的飼料配方軟件開始集成機器學(xué)習(xí)和人工智能技術(shù)，通過對大量數(shù)據(jù)進行學(xué)習(xí)，實現(xiàn)更精確的配方優(yōu)化和預(yù)測。

在未來，飼料配方軟件將朝著更加智能化的方向發(fā)展，有望根據(jù)動物的生長階段、健康狀態(tài)和環(huán)境條件等因素自動調(diào)整配方，從而實現(xiàn)個性化的營養(yǎng)供給。隨著傳感器技術(shù)在一線養(yǎng)殖場和飼料廠的安裝，現(xiàn)場的數(shù)據(jù)采集能力得到了很大提升，飼料配方軟件將有望利用實時的動物健康和生產(chǎn)數(shù)據(jù)，實現(xiàn)實時監(jiān)控和調(diào)整配方，以提高養(yǎng)殖效率和動物福利。此外，未來的飼料配方軟件還將更加關(guān)注可持續(xù)性和環(huán)保因素，通過優(yōu)化配方，減少資源消耗和排放，以滿足日益增長的環(huán)保要求?？偟膩碚f，飼料配方軟件系統(tǒng)的發(fā)展將會朝著智能化、數(shù)據(jù)驅(qū)動、可持續(xù)性和環(huán)保等方向發(fā)展，從而為養(yǎng)殖業(yè)提供更科學(xué)、高效、可持續(xù)的解決方案。

4 小結(jié)與展望

隨著農(nóng)業(yè)4.0 時代的到來，農(nóng)業(yè)生產(chǎn)由機械化全面擁抱信息化甚至智能化，以數(shù)字化模型化為代表的精準(zhǔn)營養(yǎng)技術(shù)在畜牧養(yǎng)殖業(yè)中的研究和應(yīng)用注定會越來越廣泛。但由于該研究方向需要掌握畜牧學(xué)、數(shù)學(xué)、信息科學(xué)等交叉學(xué)科領(lǐng)域的知識，當(dāng)前國內(nèi)的研究尚處于起步階段，距離國外上世紀(jì)80～90 年代即開始的研究尚有一定差距。因此，該方面還需要更多感興趣的研究者持續(xù)貢獻智慧和力量，尤其是需要抓住大語言模型等新興技術(shù)的窗口期，爭取加快補足短板，實現(xiàn)彎道超車，為早日把我國建成畜牧業(yè)強國提供強有力的科技支撐。