《Animals》：Predicting the Dietary Metabolizable Energy and Crude Protein Levels of 1- to 70-Day-Old Hy-Line Brown Male Chicks Using Response Surface Methodology and Artificial Neural Network Models
编辑推荐：
为确定海兰褐（Hy-Line Brown）雄性雏鸡的饲粮代谢能（metabolizable energy, ME）与粗蛋白（crude protein, CP）水平，并比较响应面法（response surface methodology, RSM）与人工神经
为确定海兰褐（Hy-Line Brown）雄性雏鸡的饲粮代谢能（metabolizable energy, ME）与粗蛋白（crude protein, CP）水平，并比较响应面法（response surface methodology, RSM）与人工神经网络（artificial neural network, ANN）建模的效果，研究人员将共计2160只雏鸡按4×3因子设计分配至三个生长阶段。分别采用RSM和ANN拟合模型以预测体增重（body weight gain, BWG）与料重比（feed-to-gain ratio, F/G），并通过留一交叉验证（LOOCV）、留两处理组验证及自助重抽样评估模型性能。整体而言，22–56日龄阶段的模型表现最优。对于F/G，两种模型均取得较强且可比的拟合效果（样本内R2 ≈ 0.86–0.88；LOOCV保留率 ≈ 97%），且在留两处理组验证下仍具预测能力（RSM R2 = 0.72，ANN R2 = 0.45）。对于BWG，模型表现较弱，ANN相对于RSM在样本内的优势（22–56 d：R2 = 0.585 vs. 0.388）在留两处理组验证中未能保持（ANN R2 = ?12.7 vs. RSM R2 = ?0.24）。最后，结合两种模型的多目标优化预测了各阶段特异性养分组合。本研究结果为建立海兰褐雄性雏鸡的阶段特异性营养标准提供了实证支撑与方法学参考。
一、研究背景与目的
海兰褐（Hy-Line Brown）雄性雏鸡在中国部分地区正逐渐被用作一种特色肉鸡产品，因其抗病性强、投入成本低且肉质风味独特而受到关注。然而，目前尚无针对这类雏鸡的专用营养标准，生产者通常沿用通用型肉鸡日粮，导致生长不均与饲料转化效率低下等问题。因此，制定精准的营养模型成为建立该类雏鸡饲养标准的必要前提。
在众多营养因素中，饲粮代谢能（ME）与粗蛋白（CP）对家禽生长性能影响最为显著，二者间的交互作用共同调控生长速率与饲料利用效率。能量与蛋白的比例必须与品种、生长阶段及生产目标相匹配。为此，研究人员开展了一项涵盖三个生长阶段（1–21日龄、22–56日龄、57–70日龄）的饲喂试验，设置梯度ME与CP水平，旨在通过响应面法（RSM）与人工神经网络（ANN）两种建模方法，识别同时最大化体增重（BWG）与最小化料重比（F/G）的最优ME与CP组合，并为建立海兰褐雄性雏鸡各生长阶段的营养水平提供数据基础。
二、研究方法概述
研究人员将2160只1日龄海兰褐雄性雏鸡按体重分层后随机分配到12个处理组，每组6个重复，每重复30只鸡。试验分为三个阶段，采用4×3双因素设计，各阶段ME设4个水平、CP设3个水平。日粮以玉米-豆粕为基础配制，参照《鸡饲养标准》（NY/T 33-2004）。试验于山东省农业科学院家禽研究所进行，经动物伦理委员会批准。
关键技术方法包括：（1）响应面法（RSM）：基于72个笼位观测值，采用二阶多项式模型拟合BWG与F/G，并在Minitab软件中进行多响应优化；（2）人工神经网络（ANN）：在MATLAB中开发2–5–1架构的前馈网络，以ME与CP为输入，分别预测BWG与F/G，训练集、验证集与测试集按处理组划分以防止数据泄露；（3）多目标优化：将训练后的ANN作为适应度函数，嵌入非支配排序遗传算法II（NSGA-II），同时最大化BWG与最小化F/G，生成帕累托前沿；（4）模型稳定性评估：采用留一交叉验证（LOOCV）、留两处理组验证及200次迭代自助重抽样评估模型泛化能力与最优解稳定性。
三、研究结果
3.1 饲粮能量与蛋白水平对生长性能的影响
在1–21日龄阶段，ME水平对BWG无显著影响（p = 0.1125），而CP水平效应极显著（p < 0.0001），18% CP组BWG显著低于19%与20% CP组。在22–56日龄阶段，ME与CP均对BWG有极显著影响（p < 0.0001），其中11.92 MJ/kg ME组BWG最高，17% CP组BWG显著低于其他两组。在57–70日龄阶段，ME对BWG未达显著水平（p = 0.0698），CP仍极显著（p < 0.0001），16% CP组BWG最低。
3.2 交互效应分析
在22–56日龄阶段，ME×CP交互效应对BWG极显著（p = 0.0003），处理组6表现最优，组11与12最差；对F/G亦极显著（p = 0.0018），组12的F/G显著高于其他组。在57–70日龄阶段，交互效应对F/G显著（p = 0.0124），组1与组5的F/G较低。纵向混合模型进一步揭示，F/G存在显著的ME×CP×阶段三重交互效应（p < 0.001），表明ME与CP的交互作用随日龄增强。
3.3 RSM回归分析
各阶段BWG与F/G的二阶多项式模型均达极显著水平（p < 0.001），失拟检验p值介于0.234–0.942，表明模型拟合良好。BWG1–21模型中ME与CP的线性项与二次项均显著，曲面呈凹形。BWG22–56模型中CP线性与二次项显著，理论CP最优点为18.28%。BWG57–70模型中CP线性、CP2及ME×CP交互项显著，交互系数为负且绝对值最大，提示ME-CP互作随日龄增强。所有模型均满足正态性与无强影响点假设。
3.4 ANN建模结果
ANN模型在22–56日龄阶段表现最佳：BWG模型整体相关系数R = 0.804，F/G模型整体R = 0.941，且训练、验证与测试集R值接近，表明预测稳定。在57–70日龄阶段，F/G模型仍表现强劲（整体R = 0.925），而BWG模型拟合最弱（整体R = 0.687）。
3.5 RSM与ANN模型性能对比
在处理均值水平上，22–56日龄阶段ANN在BWG预测上的R2（0.645）优于RSM（0.480），MSE与MAE也更低。F/G方面两者表现相近（ANN R2 = 0.885 vs. RSM R2 = 0.862）。总体而言，两种方法在不同阶段-响应组合上各有优劣，无一方法在所有情况下均占优。
3.6 交叉验证与自助重抽样
LOOCV结果显示，F/G模型保留了大部分样本内R2（22–56 d：两者均为97%）。留两处理组验证中，ANN在BWG预测上的R2降至负值（?1.4至?12.7），而RSM相对稳健（0.376至?0.237）。自助重抽样显示，ANN帕累托折衷解在22–56日龄阶段高度稳定（选择频率98.0%，折衷方案为组6：ME = 11.92 MJ/kg，CP = 18%），而在1–21日龄阶段稳定性较低（24.5%）。
3.7 最优ME与CP水平预测
多目标优化给出如下推荐：1–21日龄，RSM优化结果为ME = 12.13 MJ/kg、CP = 20.0%（BWG = 171.46 g，F/G = 2.05），ANN结果为ME = 11.89 MJ/kg、CP = 19.50%（BWG = 175.47 g，F/G = 2.03）；22–56日龄，RSM结果为ME = 12.13 MJ/kg、CP = 18.27%（BWG = 709.18 g，F/G = 2.76），ANN结果为ME = 11.92 MJ/kg、CP = 18.0%（BWG = 724.14 g，F/G = 2.78）；57–70日龄，RSM结果为ME = 11.92 MJ/kg、CP = 16.84%（BWG = 330.72 g，F/G = 3.52），ANN结果为ME = 11.91 MJ/kg、CP = 16.83%（BWG = 328.72 g，F/G = 3.34）。值得注意的是，RSM给出的ME最优点均位于试验范围边界，而ANN给出的ME最优点均在试验范围内。
四、讨论与结论
讨论部分指出，现有关于海兰褐雄性雏鸡营养水平的研究较少，本研究通过延长饲养期至70天并分三个阶段，填补了这一空白。研究还探讨了纵向设计中携带效应的统计处理问题，确认前期生长表现对后期F/G存在显著携带效应，但当前日粮效应依然可检测。在模型构建方面，RSM作为一种成熟工具在本研究中表现稳健，尤其适用于稀疏数据场景；ANN虽在特定组合上展现出更高的非线性拟合能力，但在小样本条件下易过拟合，其BWG预测在留两处理组验证中泛化能力有限。研究也指出了若干局限性：缺乏独立验证试验、ANN黑箱特性、数据集较小、未平衡氨基酸供应、未跟踪其他营养成分变化等，建议未来在多农场开展验证并探索集成或混合建模策略。
研究结论：通过系统的饲喂试验，研究人员建立了预测海兰褐雄性雏鸡各生长阶段BWG与F/G的RSM与ANN模型。22–56日龄阶段模型整体表现最优。对于F/G，两种模型均取得较强且可比的拟合效果（样本内R2 ≈ 0.86–0.88），LOOCV保留率约97%，且在留两处理组验证下仍具预测能力（RSM R2 = 0.72，ANN R2 = 0.45）。对于BWG，模型表现较弱，ANN在样本内的优势在交叉验证中未能保持（ANN R2 = ?12.7 vs. RSM R2 = ?0.24）。多目标优化预测的各阶段特异性养分组合为：1–21日龄，ME = 11.89–12.13 MJ/kg，CP = 19.50–20.0%；22–56日龄，ME = 11.92–12.13 MJ/kg，CP = 18.0–18.27%；57–70日龄，ME = 11.91–11.92 MJ/kg，CP = 16.83–16.84%。这些发现为建立海兰褐雄性雏鸡的阶段特异性营养标准提供了一个将RSM的可解释性与稳定性同ANN的非线性灵活性相结合的方法论框架。
