基于牛奶中红外光谱技术的荷斯坦与弗莱维赫奶牛能量平衡及相关性状预测研究

为解决奶牛早期泌乳期能量负平衡(NEB)导致的代谢和感染性疾病风险，研究人员通过牛奶中红外光谱(MIR)结合产奶记录数据，开发了能量平衡(EB)、干物质摄入量(DMI)和能量摄入(EI)的预测模型。结果表明，结合212个MIR光谱变量与产奶量、胎次的模型预测效果最佳（EB预测r=0.74），为大规模牧场管理和遗传评估提供了低成本解决方案。

　　

在奶牛养殖领域，早期泌乳阶段的能量负平衡(Negative Energy Balance, NEB)一直是困扰业界的核心问题。当奶牛产奶量达到高峰而能量摄入不足时，机体不得不动员脂肪储备，这不仅降低产奶效率，更会引发酮病、繁殖障碍等一系列健康问题。传统EB监测需要频繁测量体重、饲料摄入等指标，成本高昂且难以在牧场推广。

面对这一困境，奥地利BOKU大学的研究团队将目光投向了牛奶中红外光谱(MIR)技术——这项已广泛应用于乳成分分析的技术，能否成为破解EB监测难题的钥匙？团队在《animal》发表的研究给出了肯定答案。

研究的关键技术路线清晰：首先从两个实验农场收集64,988条涵盖荷斯坦(HF)和弗莱维赫(FV)奶牛的数据记录，包括每日产奶量、MIR光谱（925-5,001 cm^-1）及DMI等指标；通过Savitzky-Golay滤波和偏最小二乘回归(PLSR)构建预测模型；最终采用外部农场验证评估模型稳健性。特别值得注意的是，研究创新性地将产奶量(MY)和胎次(PAR)作为固定效应纳入模型，并系统评估了品种、胎次和精料水平对预测效果的影响。

数据特征与模型构建

数据集显示，Raumberg-Gumpenstein(RG)农场的奶牛平均EB为-8.9 MJ/d，显著低于Moarhof(MH)农场的-10.7 MJ/d。通过比较不同预测变量组合，发现"212 MIR光谱+MY+PAR"组合效果最优，EB预测相关系数(r)达0.78（校准集），外部验证时为0.74。

跨农场验证的稳健性

当RG农场训练的模型应用于MH农场时，预测精度出现预期内的下降：EB的r值从0.77降至0.58。这种差异主要源于两农场饲养策略不同——MH农场的精料比例更高，导致EI和EB整体偏高。但值得注意的是，DMI预测表现相对稳定(r=0.63)，说明模型对基础性状的预测更具普适性。

品种特异性分析

针对奥地利特色品种弗莱维赫奶牛的验证结果颇具启示：当使用混合品种数据训练模型时，FV奶牛的EB预测精度(r=0.45)明显低于HF奶牛(r=0.63)。但专门为FV建立的模型并未改善这一状况，反而使r进一步降至0.38。这表明扩大校准数据集覆盖的遗传多样性，比开发品种特异性模型更为重要。

生产阶段的影响

模型在泌乳前期(5-100天)的表现尤为关键。数据显示，此时奶牛的EB波动最大(-34.0 MJ/d)，但预测精度仍保持稳定(r=0.73)。特别在低精料饲喂组(<10%)，EB预测的RPD(预测偏差比)达到1.58，证明模型对能量短缺状态的捕捉能力。

这项研究的现实意义深远：首次证明MIR光谱可同时预测EB、DMI和EI三项关键指标，且准确度满足牧场管理需求。更突破性的是，研究明确了模型在跨品种、跨生产系统中的适用边界，为后续大群体应用扫清了障碍。正如作者强调，这项技术有望以"每次检测不足1欧元"的成本，将EB监测纳入常规奶质检测体系，既帮助牧场主优化饲喂策略，也为选育高能效奶牛提供了新工具。

未来，随着更多元化数据的加入，这类模型可能揭示EB与乳脂肪酸谱的深层关联，甚至预警亚临床酮病。但当前最紧迫的，是建立国际合作的校准数据库——毕竟，要让算法真正"读懂"奶牛的代谢语言，就需要喂给它足够丰富的"方言"样本。