通过结合生命周期评估和机器学习技术，优化牲畜和饲料作物的选择性育种，以减少以草为基础的乳制品生产对环境的影响

《Science of The Total Environment》：Optimizing selective breeding of livestock and forage crops to reduce the environmental impacts of grass-based dairy production by combining life cycle assessment and machine learning

乳品生产环境足迹优化研究：基于生命周期评估与机器学习的草饲系统性状筛选

　　随着全球对乳制品需求的不断增长，畜牧业的环境影响也相应增加。为了应对这一挑战，科学家们正在探索通过改善牲畜品种和饲料系统来减少乳制品生产的总体环境影响。然而，尽管低环境影响的牲畜品种是关键，但目前生命周期评估（LCA）在草料和牲畜特性优先级排序中的应用仍然有限。本文通过将LCA与机器学习相结合，探讨了通过选择性育种在爱尔兰典型的草料型乳制品系统中减少碳足迹的潜力。研究使用GOBLIN模型模拟了爱尔兰的草料型乳制品系统，并结合机器学习模型分析了10,000种情景，以揭示不同特性之间的协同效应和权衡关系。结果表明，选择性育种可以显著降低草料型乳制品的环境影响，特别是通过提高干物质消化率和粗蛋白含量，以及减少化学氮肥的使用。

在当前的爱尔兰草料型乳制品系统中，每公斤脂肪和蛋白质校正乳（FPCM）的环境影响包括1.08公斤二氧化碳当量（CO?-eq）用于全球变暖，0.0066公斤磷酸当量（PO?-eq）用于富营养化，0.013公斤二氧化硫当量（SO?-eq）用于酸化，以及1.62兆焦耳当量（MJ-eq）用于化石资源耗竭。这些影响每年每公顷分别为9281.21公斤CO?-eq、56.75公斤PO?-eq、108.21公斤SO?-eq和14,025.16 MJ-eq。通过机器学习模型，研究人员能够更精确地预测这些环境影响，并识别出对环境影响最敏感的关键特性。其中，干物质消化率、粗蛋白含量和化学氮肥使用被确定为影响乳制品系统环境影响的主要因素。

研究还发现，通过优化输入参数，选择性育种可以显著降低草料型乳制品的环境影响。例如，优化后的草料型乳制品系统可以将全球变暖潜力降低36.7%，酸化潜力降低31%，富营养化潜力降低29%，化石资源耗竭潜力降低11%。这些结果表明，通过结合LCA和机器学习，可以更有效地指导草料和牲畜的育种工作，以实现更可持续的乳制品生产。

为了评估这些特性对环境影响的敏感性，研究采用了多种方法，包括特征重要性函数、SHAP值和主成分分析（PCA）。这些方法帮助研究人员识别出哪些特性对环境影响最为关键，并提供了对模型预测结果的解释。例如，干物质消化率在所有环境影响类别中都是最显著的因素，而甲烷转化因子（Ym）则对全球变暖潜力具有特别重要的影响。此外，氮肥使用减少在降低化石资源耗竭潜力方面起到了关键作用。

研究还探讨了不同特性组合对乳制品环境影响的潜在权衡和协同效应。例如，提高干物质消化率可以显著降低全球变暖潜力，但可能对其他影响类别产生不同的效果。同时，降低粗蛋白含量有助于减少氮肥的使用，从而降低富营养化和酸化潜力。这些发现为未来的草料和牲畜育种提供了科学依据，即需要综合考虑多种特性，以实现最大的环境效益。

尽管研究取得了显著成果，但也存在一些局限性。例如，最佳或接近最佳的情景假设了有利的生物和环境条件，而现实中的农业和畜牧业系统可能会受到气候变化等因素的影响。因此，未来的研究需要考虑这些因素，以评估特性改进在不同条件下的稳健性和适应性。此外，还需要进一步研究这些特性的遗传基础，以便在育种过程中更有效地利用这些特性。

总的来说，本文的研究结果表明，通过选择性育种改善草料质量和牲畜特性，可以显著降低草料型乳制品的环境影响。这种综合的方法不仅有助于实现可持续的乳制品生产，也为未来的农业和环境政策提供了科学支持。研究强调了在农业和畜牧业中，系统性的方法对于实现环境效益的重要性，以及如何通过结合LCA和机器学习来指导育种工作，从而推动农业向更加可持续的方向发展。