《Journal of Dairy Science》：Genetic parameters of measured and milk-predicted dry matter intake in Holstein cows
编辑推荐：
摘要：DMI是奶牛饲料效率的关键组成部分，但直接测定需要昂贵且专用的设备，商业牛场很少具备。本研究旨在利用常规收集的乳信息——以中红外光谱（MIRS）数据或常规乳、脂和蛋白产量（MFP）表示——建立DMI预测方程，并估计加拿大初产荷斯坦牛实测DMI和预测DMI
摘要：DMI是奶牛饲料效率的关键组成部分，但直接测定需要昂贵且专用的设备，商业牛场很少具备。本研究旨在利用常规收集的乳信息——以中红外光谱（MIRS）数据或常规乳、脂和蛋白产量（MFP）表示——建立DMI预测方程，并估计加拿大初产荷斯坦牛实测DMI和预测DMI的遗传参数。研究人员获得了来自3个牛群1,521头奶牛的周平均DMI记录（n=21,363）。分别对2个泌乳阶段（泌乳天数5–60 d和61–305 d）拟合偏最小二乘回归（PLSR）模型以预测DMI，预测变量分别为乳MIRS组分（512个波数）或MFP。所有预测变量集均纳入泌乳天数和产犊年龄。在早期泌乳阶段，基于MIRS的预测在动物水平测试集误差低于基于MFP的预测，平均绝对误差（MAE）=2.15±0.08 kg/d，相关系数（r）=0.70±0.02。在中后期泌乳阶段，MIRS在动物水平测试集误差也略低于MFP（MAE=2.48±0.08 kg/d；r=0.61±0.02）。这些描述性结果表明，乳MIRS可能包含常规产奶性状未完全捕获的预测信息，尤其在早期泌乳阶段。留出牛群验证显示基于MIRS的模型预测性能低至中等，而采用最近出生年份队列作为测试集的时间验证在两个泌乳阶段均获得较强预测性能（r≥0.65；MAE≤2.61）。基于MFP预测DMI的遗传力（heritability, h2）中等（早期泌乳0.27±0.05，中后期0.36±0.05），与实测DMI的遗传力（分别为0.26±0.05和0.27±0.04）相当或更高；基于MIRS预测DMI的遗传力较低（分别为0.17±0.04和0.21±0.04）。MFP预测DMI与实测DMI具有中等遗传相关（0.52），但与产奶性状也具有非常强的正向遗传相关（高达0.99），表明这些预测很大程度上反映与生产相关的模式。相反，MIRS预测DMI与实测DMI呈中等遗传相关（0.46–0.55），而与产奶性状呈弱或接近零的相关。这表明基于MIRS的预测可能捕获与生产仅弱相关的采食量额外生物学信号。未来研究应通过将基于预测DMI获得的育种值与基于实测DMI的官方种公牛评估进行比较，评估这些替代指标用于选择的适用性。
该研究关注奶牛饲料效率中的关键表型——干物质采食量（DMI，反映饲料摄入量的性状）。饲料是多数奶牛场最大成本，DMI决定采食饲料转化为奶输出的效率，因此多个国家育种计划已在校正生产性状后对DMI进行饲料效率选择。DMI为中度遗传（0.20–0.40），但直接测定需要受控条件和专用采食设备，限制参考群体规模并降低评估准确性；国际协作汇集DMI数据因此重要。为扩大表型，研究人员探索代理指标。管理上可由体重、产奶量和泌乳天数（DIM）预测DMI，但这类预测不宜作为遗传评估主要表型，因为动物间差异可能主要反映生产水平或体尺而非真实采食。中红外光谱（MIRS，乳样光谱信息）在常规测乳日采集，可利用与乳成分和代谢状态相关的光谱特征，作为可扩展DMI代理，既往预测精度中等（R
2=0.40–0.60），但光谱衍生DMI的全面遗传参数仍缺乏。常规乳、脂和蛋白产量（MFP）也常规可用且常用于预测DMI，可作为评估MIRS附加价值的基准。为此，研究人员针对加拿大初产荷斯坦牛两个泌乳阶段（5–60和61–305 DIM）开发基于MIRS或MFP的DMI预测方程，并估计实测和预测DMI的遗传参数及其与主要产奶性状的关系。
研究人员利用3个加拿大牛场的初产荷斯坦牛记录，构建预测方程并在动物、牛群和年份水平验证，随后用动物模型估计遗传参数。研究得出：MIRS和MFP均能预测DMI，MIRS在动物水平早期泌乳阶段预测误差较低，且其预测DMI与产奶性状遗传相关弱；MFP预测DMI遗传力中等但与产奶性状遗传相关极强。该研究的意义在于揭示两类乳源代理指标在预测性能和遗传结构上的差异：MIRS可能捕获与生产弱相关的采食生物学信号，MFP更反映生产驱动模式，为DMI表型扩展和饲料效率遗传评估提供依据，同时提示替代指标用于选择前需进一步评估。
关键技术方法：采用PLSR（偏最小二乘回归，一种降维回归方法）构建预测方程，分别以MIRS（512个波数）或MFP为预测变量，并纳入DIM和产犊年龄；动物水平按80%/20%划分、10折交叉验证并重复10次，另做留出牛群和年份验证。遗传分析用ASReml 4.2单变量重复力动物模型及双变量动物模型，5代系谱含15,582头。样本来自加拿大3个牛场（Dairy Research and Technology Center, Edmonton, Alberta；Ontario Dairy Research Centre, Elora, Ontario；Alberta商业农场），数据经Efficient Dairy Genome Project、Resilient Dairy Genome Project和Net-zero Dairy Genome Project汇总；共21,363条周记录、1,521头初产荷斯坦牛（2018年1月至2025年10月），早期5,519条/1,327头，中后期15,479条/1,454头。
Prediction Equation Models for DMI（DMI预测方程模型）。描述统计显示，实测DMI在中后期更高且变异稍大：DMI60为17.70±4.01 kg/d，DMI305为21.78±4.19 kg/d；预测DMI均值接近实测，但标准差更小，如DMI60MIRS为17.72±2.84 kg/d、DMI305MIRS为21.89±2.54 kg/d。动物水平验证中，早期MIRS模型测试集r=0.70±0.02、MAE=2.15±0.08 kg/d，优于MFP的r=0.64±0.03、MAE=2.30±0.13 kg/d；中后期MIRS为r=0.61±0.02、MAE=2.48±0.08 kg/d，MFP为r=0.56±0.04、MAE=2.52±0.09 kg/d，MIRS误差略低。留出牛群验证性能低至中等（r=0.18±0.11–0.59±0.07，MAE=3.00±0.32–3.18±0.39 kg/d），但MFP在牛群分折测试集相关高于MIRS；年份验证较强（r≥0.65，MAE≤2.61），且MFP表现更强。PLSR系数在1200–950 cm
?1和约3000–2800 cm
?1区域出现峰值。结论：MIRS在动物水平可能包含常规产奶性状未完全捕获的信息，尤其早期，但跨牛群转移性较差，时间稳定性相对较好。
Genetic Parameters（遗传参数）。实测DMI遗传力中等（DMI60为0.26±0.05，DMI305为0.27±0.04），重复力约0.60和0.56。MFP预测DMI遗传力为0.27±0.05（早期）和0.36±0.05（中后期），与实测DMI相当或更高；MIRS预测DMI遗传力较低（0.17±0.04和0.21±0.04）。MFP预测DMI与实测DMI遗传相关中等（0.52），但与产奶性状遗传相关极强（高达0.99，蛋白产量≥0.98），说明其主要反映生产驱动模式；MIRS预测DMI与实测DMI遗传相关中等（0.46–0.55），与产奶性状弱或近零，说明其可能捕获与生产弱相关的额外采食生物学信号。两种预测DMI之间遗传相关低或近零，提示不能互换。
讨论与Limitations of the Study（研究局限性）。讨论强调预测性能与表型可扩展性的权衡：MIRS可能适合研究和扩大DMI参考群体，但需评估模型可转移性、代表性校准群体并可能本地重校准；MFP更稳健、易扩展，但因与产奶性状强遗传相关，可能不适合饲料效率遗传评估，因为饲料效率通常需校正奶能量输出，乳产量衍生的采食代理会引入重叠生产信号。局限性包括：MIRS预测精度依赖算法、泌乳阶段、训练/验证群体组成、表型变异范围、光谱预处理和模型设定；仅3个记录系统差异大的牛场，留出牛群结果不能作为全群外部准确性定论；预测DMI下游应用仍受预测误差、极端值收缩及与产奶性状部分混杂影响，可能偏倚派生性状并削弱对残余采食量（RFI，饲料效率派生性状）等性状的选择。
CONCLUSIONS（结论）翻译：乳源信息，尤其是MIRS，使加拿大初产荷斯坦牛周平均DMI能够以中等准确度预测。预测变量选择影响DMI代理指标的生物学解释。基于MFP的预测与产奶性状强遗传相关，表明其很大程度上捕获与生产水平相关的采食量变异；相反，基于MIRS的预测与生产性状仅弱相关，提示其反映与采食相关的部分不同生物学和代谢变异来源。尽管存在差异，两种预测变量与实测DMI均呈可比的中等遗传相关，表明各自通过不同协方差结构捕获了饲料采食量背后的相关遗传变异。未来工作应评估由预测DMI得到的育种值是否与基于实测DMI的官方种公牛育种值一致，从而适合用于遗传选择。
