基于数学模型与机器学习方法预测蛋鸡育成期能量需求量的比较研究

《Animal Nutrition》：A comparative study on predicting energy requirements for layer pullets using mathematical model and machine learning methods

　　

本研究的目的是评估蛋鸡育成期的能量摄入和能量分配，并比较数学模型与机器学习方法在预测能量需求量方面的表现。研究选用480只1日龄“京粉6号”蛋鸡育成鸡，初始体重（BW）约为36 g，随机分配到30个栏位（每栏16只）。研究期间进行了16次间接测热法测定和23次连续屠宰试验，覆盖1至18周龄，以确定动态产热量（HP）和体能量（BE）。在JMP软件中，将BW和增重（BWG）作为变量，利用人工神经网络（ANN）、k近邻算法（KNN）和随机森林（RF）等算法预测表观代谢能（AME）摄入量和净能（NE）摄入量。通过线性回归（LR）分析，蛋鸡育成期的维持代谢能（MEm）在1-6周龄、7-10周龄、11-14周龄、15-18周龄及全期分别为551.86、467.04、478.19、439.58和463.38 kJ/kg BW0.75·d；维持净能（NEm）则分别为510.81、356.38、367.23、324.73和346.89 kJ/kg BW0.75·d。BE与BW之间的回归分析得出了生长净能（NEg）和生长代谢能（MEg），其值分别为9.73和13.12 kJ/g（1-18周龄）。将维持和生长所需的能量相结合，得到了能量需求量模型（1-18周龄）：AME摄入量 = 463.38 BW0.75 + 13.12 BWG；NE摄入量 = 346.89 BW0.75 + 9.73 BWG。然而，与机器学习模型相比，由LR推导出的方程在准确性和精确性方面均较低。在机器学习模型中，ANN模型表现最优，在预测蛋鸡育成期（1-18周龄）的AME需求量（R2 = 0.8870，均方根误差（RMSE）= 52.989）和NE需求量（R2 = 0.8221，RMSE = 50.742）时具有最大的R2和最小的RMSE。因此，应用ANN模型预测能量需求量可促进蛋鸡育成产业中日粮配方的优化。

一、研究背景与目的

能量是动物营养中最关键的组分，占饲料成本很大比例。充足的能量供应对确保蛋鸡育成期群体性能均匀度和最大化后期经济效益至关重要。家禽饲料中目前采用代谢能（ME）体系，而基于净能（NE）体系配制日粮可进一步提高效率和盈利能力，因为它考虑了养分代谢过程中以热量形式释放的能量。然而，由于NE测量依赖呼吸代谢设备，家禽行业采用NE体系的进展缓慢。目前，“京粉”蛋鸡育成鸡的能量需求量是基于各生长阶段的平均日粮ME值，而动态模型可以更精确地估算能量需求，从而优化饲料配方、减少浪费并提高生产性能。因此，本研究旨在建立蛋鸡育成期的表观代谢能（AME）和NE需求量模型。传统上，确定能量需求量的程序依赖于饲喂水平，这可能会影响能量分配和体成分，且比较屠宰技术仅在试验开始和结束时进行，忽略了体能量（BE）和能量组成的动态变化。机器学习方法近年来已被应用于动物营养领域，在处理大量变量和复杂关系方面表现出优异的预测性能，但目前尚未有研究应用机器学习方法以BW和BWG为输入变量来预测能量摄入量。本研究利用间接测热法和连续屠宰技术获得的蛋鸡育成期动态产热量（HP）和BE数据，确定维持和生长的能量需求量，并评估和比较了数学模型、人工神经网络（ANN）、k近邻算法（KNN）和随机森林（RF）算法的预测性能。

二、主要关键技术方法

1. 1.
   间接测热法：采用开放式呼吸代谢舱（规格90 cm × 60 cm × 100 cm），配备CO₂和O₂传感器（分别使用非色散红外传感器和氧化锆传感器），在1至18周龄间共进行16次测定。每次测定前让鸡适应环境2天，随后进行3天HP测量和2天禁食HP（FHP）测量，每天记录采食量、初始和结束BW，并收集排泄物。
2. 2.
   连续屠宰试验：在1至18周龄间共进行23次，每次根据目标BW选取6只鸡，通过CO₂窒息处死后分离羽毛，将胴体和羽毛烘干、粉碎后进行化学分析，以测定体能量（BE）。
3. 3.
   线性回归（LR）建模：通过HP与ME摄入量（MEI）的对数回归及BE与BW的线性回归，分别推导维持净能（NE_m）和生长净能（NE_g），并结合维持代谢能（ME_m）和生长代谢能（ME_g）建立分阶段及全期的数学能量需求模型。
4. 4.
   机器学习建模：使用JMP Pro 17软件，以BW和BWG为输入变量，AME摄入量和NE摄入量为输出变量，基于93个测热数据点，分别构建并优化了ANN（含两个隐藏层，每层5个节点，高斯激活函数，权重衰减惩罚）、KNN（通过验证集RMSE选择最优K值）和RF（通过验证集R²选择最优树数量）模型。

三、研究结果

3.1. 不同周龄的能量平衡

随着周龄增加，BW显著增长（P < 0.001），从128.03 g增至1420.08 g。每日AME和NE摄入量逐渐增加，在51日龄达到峰值，之后维持在较高水平。基于代谢体重（BW^0.75）的AME和NE摄入量在早期生长阶段（14-51日龄）保持高水平。总产热量（THP）和FHP在51日龄达到峰值，之后在60日龄后显著下降并保持稳定。体能量（RE）在42日龄达到峰值后下降。值得注意的是，60和69日龄记录了相对较低的能量平衡值，可能归因于鸡只转入产蛋笼的过渡期。此外，1-6周龄时，随着蛋白脂肪比升高，胴体能量降低；7周龄后，胴体能量随蛋白脂肪比缓慢下降而逐渐增加，15周龄后变化速率加快。

3.2. 维持能量需求量

通过LR模型估计了各阶段及全期的ME_m和NE_m。全期ME_m为463.38 kJ/kg BW^0.75·d（P < 0.001, R² = 0.9072），NE_m为346.89 kJ/kg BW^0.75·d（P < 0.001, R² = 0.6446）。全期维持代谢能效率（K_m）为74.86%，生长代谢能效率（K_g）为74.13%。其中1-6周龄的NE_m回归方程不显著（P = 0.564, R² = 0.0285），表明该阶段数据可靠性较低。

3.3. 生长能量需求量

通过BE与BW的回归分析得出各阶段及全期的NE_g，所有回归方程均显著（P < 0.05）且拟合良好（R² > 0.8215）。全期NE_g为9.73 kJ/g，对应的ME_g为13.12 kJ/g。各阶段ME_g从1-6周龄的7.56 kJ/g逐步增至15-18周龄的31.13 kJ/g，反映了后期更多能量以脂肪形式沉积。

3.4. 不同模型的建立

结合维持和生长能量需求，建立了各生长阶段及全期的AME和NE摄入量预测模型。全期模型为：AME摄入量 = 463.38 × BW^0.75 + 13.12 × BWG；NE摄入量 = 346.89 × BW^0.75 + 9.73 × BWG。在机器学习模型中，最佳ANN模型采用高斯激活函数、权重衰减惩罚、两个隐藏层各五个节点。KNN模型预测AME和NE摄入量的最优K值分别为3和2。RF模型在树数量为55（AME）和69（NE）时验证集R²趋于收敛。

3.5. 不同模型的比较

在验证集中，ANN模型表现最优，预测AME摄入量（R² = 0.8870, RMSE = 52.989）和NE摄入量（R² = 0.8221, RMSE = 50.742）的性能均优于其他模型。RF模型在训练集表现最好，但在验证集泛化能力不足。KNN模型在两组中均表现最差，存在过拟合现象。实测值与预测值的回归分析显示，机器学习模型整体优于数学模型，其中ANN模型的回归斜率最接近1（AME摄入量：a = 0.8712；NE摄入量：a = 0.8571），表明预测值与观测值之间的一致性最佳。

四、讨论与结论

讨论部分总结：研究得出的全期K_m（74.86%）与已有文献报道的肉种鸡和生长鸡范围相符。ME_m随周龄递减，可能与内脏器官生长和代谢活性有关。ME_g随周龄递增，因为后期维持需求降低，更多能量以脂肪形式沉积。早期高K_g值（96.02%）可能源于快速生长需求和低BW下测热数据的较大变异。LR模型受数据集特征影响大，易欠拟合，而非线性模型（如包含年龄项的混合模型）预测精度更高。机器学习方法虽然缺乏内部工作机制的洞察力（“黑箱”问题），且无法提供K_g和K_m等参数，但其预测准确性高于数学模型。ANN的预测性能取决于网络架构，本研究最佳神经元数为5。KNN模型易受噪声影响，存在过拟合。RF模型需要足够数量的树以确保泛化能力，本研究最优树数高于猪上的报道。

结论部分翻译：研究人员得出1至18周龄蛋鸡育成鸡的AME和NE需求量方程如下：AME摄入量 = 463.38 × BW^0.75 + 13.12 × BWG；NE摄入量 = 346.89 × BW^0.75 + 9.73 × BWG。基于这些模型，估计的ME_m、NE_m、ME_g和NE_g分别为463.38、346.89、13.12和9.73 kJ/kg BW^0.75·d，K_g和K_m分别为74.13%和74.86%。然而，与数学模型相比，机器学习方法提高了预测能量需求量的准确性。其中，ANN模型（输入层：BW和BWG；隐藏层：两个；节点数：五个；激活函数：高斯；惩罚方法：权重衰减）在预测蛋鸡育成期能量需求量方面表现出优越性能。因此，机器学习方法是预测能量需求量的有效工具，并可能有助于大型蛋鸡育成场优化日粮配方。