应用多种统计方法通过活体实时超声评估四种猪遗传品系无脂瘦肉率预测模型研究

《Applied Food Research》：Prediction of Fat-Free Lean Percentage in Pigs from Four Genetic Lines Using In Vivo Real-Time Ultrasonography Applying Different Statistical Approaches

本研究针对哥伦比亚生猪产业缺乏适应本地生产条件的无脂瘦肉率(FFL%)预测模型问题，通过活体实时超声技术对412头猪进行追踪测量，比较了GAM、多元回归等统计方法。结果表明，广义加性模型(GAM)预测性能最优(R2=0.59，RMSE=2.64)，与屠宰数据相关性最高(r=0.82)，为当地生猪育种和精准养殖提供了可靠技术支撑。

　　

在哥伦比亚蓬勃发展的生猪养殖业中，一个关键问题一直困扰着养殖户和加工企业：如何准确预测活猪的无脂瘦肉率（FFL%）——这个直接决定猪肉经济价值的重要指标。传统方法需要屠宰后解剖测量，既无法在活体上应用，成本又高。而国际上现有的预测模型，要么已经过时，要么没有考虑哥伦比亚特有的遗传背景、饲养管理和环境条件。这就导致当地产业缺乏一个可靠、非侵入性且量身定制的工具来评估猪的胴体品质，影响了遗传选育的精准度和基于瘦肉率的公平定价。

为了解决这一难题，由Ana C. Herrera领衔的研究团队开展了一项创新性研究，成果发表在《Applied Food Research》上。他们的目标是利用活体实时超声技术，结合多种先进的统计分析方法，开发出能够准确预测四种主要商业猪遗传品系无脂瘦肉率的方程，并与屠宰后的实际数据进行比对验证，最终为哥伦比亚生猪产业提供一个实用的决策支持工具。

研究人员采用了几个关键的技术方法来推进这项研究。首先，他们建立了一个具有代表性的样本队列，该队列包含412头来自四种不同遗传品系（Commercial, F1, LM1, LM2）的猪，这些猪在哥伦比亚安蒂奥基亚省的一个商业化养殖场中，在标准化的管理条件下从9周龄起被追踪监测至屠宰（22-24周龄）。核心技术是活体实时超声评估，使用本田电子的HS-1600超声设备配合线性探头，按照标准化纵向扫描协议，在猪只生长过程中定期（从13周龄开始每两周一次）测量第10肋骨和最后一根肋骨处的背膘厚度（backfat thickness）和眼肌深度（loin depth）。在统计建模方面，研究团队应用了多种方法进行对比，包括逐步多元线性回归、基于主成分分析（PCA）的多元回归、广义加性模型（GAM）、勒让德多项式（Legendre polynomials）以及传统的Cisneros方程。所有分析均使用R软件完成。模型性能通过决定系数（R2）、均方根误差（RMSE）、Akaike信息准则（AIC）等指标进行评估，并采用刀切法（Jackknife）进行交叉验证以检验模型的稳健性。屠宰后，使用Hennessy Grading Probe 4 (HGP4)设备获取胴体的实际无脂瘦肉率数据，作为模型预测准确性的金标准。

3.1. 超声与体尺测量

通过对不同统计模型的比较分析，研究发现广义加性模型（GAM）在预测无脂瘦肉率方面表现最佳。该模型取得了中等程度的决定系数（R2 = 0.59）和最低的均方根误差（RMSE = 2.64），同时AIC值（2117.05）也最优。更重要的是，GAM模型的预测值与屠宰场实测值之间显示出最强的相关性（r = 0.82），并且预测值的变异系数（CV）最低（6.25%），这表明该模型具有较高的预测精度和稳定性。相比之下，传统的Cisneros方程预测结果与当前屠宰数据严重偏离，呈现高度离散性，甚至出现负相关，证明其已不适用于现代猪遗传品系的评估。刀切法验证结果进一步证实了GAM模型的稳健性，其全数据集计算出的RMSE与刀切法估计的RMSE（2.58）几乎相同，表明模型过拟合风险低。其他如多元回归等模型虽表现尚可，但GAM因其能更好地捕捉数据中的非线性关系而脱颖而出。

3.2. 活体无脂瘦肉率预测方程

GAM模型通过平滑样条函数（smoothing spline）来拟合预测变量与无脂瘦肉率之间的复杂关系，因此其最终形式不是一个简单的线性方程，而是一个包含多个平滑项的函数表达式。模型中纳入的关键变量包括遗传品系（GN）、13周龄和15周龄的体重、以及在这些周龄时于第10肋和最后一肋测量的背膘厚度和眼肌深度等。为了便于在实际生产中应用，研究人员基于GAM模型筛选出的最重要预测变量，开发了一个简化版的预测方案。该方案主要依赖于13周龄时的一次超声测量数据（如体重、第10肋背膘厚度X3GD10_th、最后一肋背膘厚度X3GD_last、第10肋眼肌深度X3L10_th）以及出栏体重（P_exit）。虽然简化版的预测精度略低于完整GAM模型，但它大大降低了使用门槛，使得养殖户可以通过简单的工具（如Excel表格）进行快速估算，更利于推广。

3.3. 模型推荐与实施策略

基于全面的评估，研究推荐将GAM模型作为预测无脂瘦肉率的技术标准，因为它提供了最高的准确性和稳健性。然而，研究团队也认识到GAM模型在数学上的复杂性可能阻碍其在实际生产中的直接应用。因此，他们提出了一种双轨制的实施策略：在需要高精度验证和官方报告的场合使用完整的GAM模型；在日常养殖管理中，则推广使用简化版的预测方案或查询表。这种策略既保证了科学严谨性，又兼顾了现场操作的便利性。进一步按活体重分层的分析表明，完整的GAM模型在90-110公斤和大于110公斤两个体重区间内均保持稳定良好的预测性能（R2分别为0.576和0.744），而简化模型在大于110公斤的组别中表现有所下降（R2=0.439），这提示对于体重较大的猪只，使用完整模型能获得更可靠的结果。研究还发现，不同遗传品系间的无脂瘦肉率存在显著差异，例如Commercial品系的平均无脂瘦肉率最高（56.9%），而LM1和LM2品系则集中在50%左右，这强调了在预测模型中考虑遗传背景的重要性。

综上所述，这项研究成功地证实了利用活体实时超声技术结合广义加性模型（GAM），能够在哥伦比亚特定的生产条件下，对四种主要猪遗传品系的活体无脂瘦肉率进行较为准确的预测。GAM模型凭借其处理非线性关系的优势，展现了超越传统线性模型和其他统计方法的性能。尽管完整的GAM模型是技术上的最优选择，但考虑到实际应用中的限制，研究提出的简化方案为生产者提供了一个可行且有效的替代工具。这项研究的成果具有重要的实践意义：它为哥伦比亚生猪产业提供了一套本地化、非侵入性的胴体品质评估方法，有助于推动更精准的遗传选育、更合理的营养管理以及更公平的基于瘦肉率的定价体系，最终提升整个产业链的效率和竞争力。未来，建议在不同基因型和生产系统下对该模型进行进一步验证，以确保其更广泛的适用性。