基于机器学习的欧洲商业化牛肉生产体系中微量营养素与生物活性化合物的系统级关联解析

《animal》：Beef micronutrients and bioactive compounds reflect distinct physiological patterns across diverse production systems

　　

牛肉被广泛视为人类膳食中优质营养素的重要来源，尤其是在西方社会，被视为膳食铁（Fe）的主要来源之一。此外，牛肉还可提供锌（Zn）、硒（Se）、硫胺素（B₁）、核黄素（B₂）、泛酸（B₅）、维生素B₆（吡哆醛与吡哆胺之和）、钴胺素（B₁₂）以及维生素E（α-生育酚）等多种微量营养素，并含有组氨酸二肽（肌肽与鹅肌肽）等生物活性化合物。这些成分共同支持人体多种必需代谢过程，其中若干化合物参与氧化还原反应，在体内发挥抗氧化或促氧化作用，进而影响宰后肌肉的氧化稳定性，并最终影响肉色与风味及消费者购买决策。牛肉中微量矿物质、维生素和抗氧化物的浓度反映了动物生理、遗传、日粮、环境因素以及生产体系更广泛的管理特征。然而，现有证据多来自受控或单因素试验设计，要理解这些性状在牛肉生产情境中的变异，需要同时评估、排序并解释农场管理指标与商业化条件下生物学响应之间关联的多因素系统级框架。机器学习（ML）方法在农业研究中日益普及，已被证明可有效分析高维数据集中的非线性关系，但目前尚缺乏直接利用农场管理数据、以多变量或ML框架对牛肉微量矿物质、生物活性化合物、抗氧化物或B族维生素进行建模的同行评议研究。因此，研究人员假设牛肉营养性状与养殖实践之间的关联因性状而异。为验证该假设，研究人员在商业化条件下调查了覆盖宽广生产强度梯度的53个欧洲肉牛农场，旨在识别哪些养殖实践特征组合（n = 33）与14项牛肉营养性状的变异关联最强，这些性状具体包括微量矿物质（Fe、Zn、Se）、血红素铁、含组氨酸二肽（肌肽、鹅肌肽）、α-生育酚及B族维生素（B₁、B₂、B₅、吡哆醛、吡哆胺、B₆、B₁₂）。研究人员采用经Mouhanna等（2026a）建立的流程验证的ML工作流，包括利用优化的随机森林（Random Forest，RF）模型预测牛肉营养性状、识别有影响力的农场水平特征，并通过偏依赖分析探究特征–性状关系；随后将信息量最大的特征子集输入优化的条件推断树模型，以识别与性状变异相关的实践组合及其与生产强度的对应关系。

**一、研究背景与问题提出**

牛肉被广泛消费，是人体膳食中优质营养素的重要来源（Liu et al., 1995, Williamson et al., 2005, Ramos et al., 2012）。在西方社会，牛肉被视为膳食铁（Fe）的主要来源之一（Purchas and Busboom, 2005, Ramos et al., 2012, Czerwonka and Tokarz, 2017）。此外，牛肉还提供锌（Zn）、硒（Se）、B族维生素（硫胺素B₁、核黄素B₂、泛酸B₅、维生素B₆、钴胺素B₁₂）以及维生素E（α-生育酚）（Dikeman, 2017, Agarwal and Fulgoni, 2022），并含有肌肽和鹅肌肽等生物活性化合物（Wu, 2020）。这些微量营养素参与氧化还原反应，在体内表现抗氧化或促氧化特性，影响宰后肌肉氧化稳定性，进而影响肉色、风味及消费者购买决策（Faustman and Cassens, 1990, Suman and Joseph, 2013）。

牛肉中微量矿物质、维生素及抗氧化物的浓度反映动物生理、遗传、日粮、环境及生产体系的管理特征（Decker and Mei, 1996, Valenzuela et al., 2009, Pouzo et al., 2016）。但现有证据大多来自受控或单因素试验设计（Chauhan et al., 2014, Mwangi et al., 2019, Poveda-Arteaga et al., 2023）。文献中Fe与血红素铁主要与肌肉氧代谢、肌红蛋白生物学及铁的生物利用度相关联；α-生育酚和Se与日粮补充及肉的抗氧化保护、脂质氧化稳定性和货架期相关；肌肽（β-丙氨酰-L-组氨酸）和鹅肌肽（β-丙氨酰-3-甲基-L-组氨酸）通常与肌纤维类型和缓冲能力相关（Purchas and Busboom, 2005, Harris et al., 2012, Perim et al., 2019, Juki? et al., 2021）；Zn主要与生理调节和肌肉生长通路相关，变异多归因于肌肉间差异（Ramos et al., 2012, Messersmith et al., 2021）；B族维生素则常作为能量代谢辅因子被研究（Zinn et al., 1987, Duckett et al., 2009, Evans et al., 2024）。然而，理解这些性状在牛肉生产情境中的变异，需要同时评估、排序并解释农场管理指标与商业化条件下生物学响应之间关联的多因素系统级框架。

机器学习（Machine Learning，ML）方法在农业研究中应用日益增多，已被证明可有效分析高维数据中的非线性关系（Liakos et al., 2018; Mouhanna et al., 2026a）。据作者所知，迄今尚无同行评议研究直接利用农场管理数据，以多变量或ML框架对牛肉微量矿物质、生物活性化合物、抗氧化物或B族维生素进行建模。据此，研究人员假设牛肉营养性状与养殖实践的关联因性状而异。为验证该假设，研究人员在商业化条件下调查了覆盖宽广生产强度梯度的53个欧洲肉牛农场（n = 53），目标是识别哪些养殖实践特征组合（特征数n = 33）与14项牛肉营养性状的变异最强相关，包括微量矿物质（Fe、Zn、Se）、血红素铁、含组氨酸二肽（肌肽、鹅肌肽）、α-生育酚及B族维生素（B₁、B₂、B₅、吡哆醛、吡哆胺、B₆、B₁₂）。研究人员采用经Mouhanna等（2026a）开发的流程验证的ML工作流，利用优化的随机森林（Random Forest，RF）模型预测牛肉营养性状、识别有影响力的农场水平特征，并通过偏依赖分析（partial dependence analysis）探究特征–性状关系；随后将信息量最大的特征子集输入优化的条件推断树（conditional inference tree）模型，以识别与性状变异相关的实践组合及其与生产强度的对应关系。

**二、主要关键技术方法**

研究采用观察性、多国、两期重复测量设计，农场来自INTAQT项目框架（2021年6月1日–2026年10月31日），分布于法国、意大利、英国、瑞士和西班牙五国，共53个农场。数据集包含99个观测、14个结局（性状）和33个农场水平预测变量（特征），样本量由参与INTAQT项目的农场数量决定，未做正式检验效能分析。以农场为试验单元，观测单元为每个农场两个屠宰期采集的混合牛肉样品（共489头动物，夏季2022年5–10月和冬季2022年11月–2023年4月），每个农场每期目标采样5头动物并混合；样品为腰背最长肌（Longissimus lumborum），于宰后10天内1–3 °C熟化后?20 °C冻存。指标测定采用电感耦合等离子体质谱（ICP-MS）测总铁、Zn、Se，酸性丙酮法分光光度法测血红素铁，超高效液相色谱（UPLC）联用质谱与荧光检测器测B₁、B₂、B₅、B₆，试剂盒法测B₁₂，高效液相色谱（HPLC）测肌肽、鹅肌肽及α-生育酚。统计分析在R 4.4.0中完成，遵循Mouhanna等（2026a）的建模流程并作微调：采用完全嵌套、按农场分组的交叉验证（5个外层折，按生产强度分层）评估RF模型泛化性能，内层7折农场分组交叉验证结合模拟退火（100次迭代）调参；对通过嵌套交叉验证测试集R2 ≥ 0.50的性状，另以固定80/20农场分组划分重新拟合RF模型用于生物学解释（变量重要性、偏依赖、特征选择及条件推断树），生产强度分级（低投入、中投入、高投入）源自Caumette等（2026）。

**三、研究结果**

*数据集特征*：数据集中育肥体系占62%、繁殖母牛体系占38%，常规农场占80%、认证有机农场占20%。宰重（均值±SD：635.5 ± 149.8 kg；范围345–983 kg）、平均体重（645.2 ± 120.5 kg；范围198–850 kg）、育肥时长（9.28 ± 5.04个月；范围3–24个月）、农业利用面积（中位数68.8 ha；范围10–564 ha）和载畜密度（中位数1.0 livestock units [LSU]/ha；范围0.07–12.16 LSU/ha）等特征变异很大。劳动力配置差异显著，每工人公顷数范围为1.67–164.1 ha/full-time equivalent（FTE）（中位数22.8 ha/FTE）。群体品种构成异质，Limousin占群体35 ± 42%（中位数10%），兼用品种占22 ± 37%（中位数0%）。饲喂实践差异明显：每日放牧时间0–24小时（中位数0小时/天），总干物质采食量（dry matter intake，DMI）4.3–18.5 kg/天（中位数8.6 kg/天），精料占DMI中位数35.1%（范围0–100%）。

*随机森林模型*：完全嵌套、农场分组交叉验证显示各性状预测性能不一。血红素铁、Fe和肌肽的农场间可预测性最高，平均R2分别为0.76 ± 0.11、0.55 ± 0.16和0.50 ± 0.09；α-生育酚和吡哆胺可预测性较低且变异较大（R2 = 0.42 ± 0.19和0.41 ± 0.17）；其余性状预测性能低（R2 = 0.03–0.35）且外层折间变异更大。固定80/20农场分组模型用于解释时，测试集性能排序与嵌套交叉验证一致，血红素铁（R2 = 0.75）、Fe（R2 = 0.66）和肌肽（R2 = 0.65）预测准确度较高，其余性状R2 = 0.01–0.36。偏依赖图显示，Fe和血红素铁的预测浓度随宰重增加而升高，在约600–620 kg/animal以上最高；农场总面积较大（>100–200 ha）时预测值较高；两性状随群体平均体重呈相似模式，约550 kg/animal以下较低、550–700 kg/animal居中、700 kg/animal以上急剧升高；载畜密度极低（约0.5 LSU/ha）时预测值最高，随密度增加急剧下降。肌肽预测水平随兼用品种比例增加（尤其在0–25%之间）及育肥时长超过10个月而急剧升高；农场总面积超过200 ha及每工人土地配置增加（尤其超过50 ha/FTE）时预测水平下降。个体条件期望（individual conditional expectation）图表明，Fe和肌肽的平均偏依赖趋势在各农场间并非一致驱动，各条件期望曲线的分布和平均水平在生产强度水平之间及内部均有差异，提示类别内异质性。特征选择得到的特征集范围为4–19个，最小为血红素铁（n = 4），最大为Se（n = 19），Fe为5个、Zn和B₆为6个、鹅肌肽和吡哆胺为9个、B₁为10个、B₁₂为11个、肌肽为12个、α-生育酚和B₂为13个、B₅为16个、吡哆醛为17个。

*条件推断树模型*：仅肌肽满足预设性能标准（测试R2 ≥ 0.50）；Fe和血红素铁虽测试R2略低（0.49），但因交叉验证性能稳定且各建模阶段特征重要性模式一致而保留解释。对Fe，宰重以613 kg/animal分割数据集，高于此阈值的农场Fe浓度（21.4 ± 0.47 mg/kg beef；n = 42；P < 0.001）高于低于阈值的农场（14.9 ± 0.40 mg/kg beef；n = 57；P < 0.001）。血红素铁呈相似趋势：宰重先以613 kg/animal分割，低于阈值者浓度最低（13.5 ± 0.3 mg/kg beef；n = 52；P < 0.001）；高于阈值者进一步以780 kg/animal分割，高于该值者浓度最高（21.9 ± 0.44 mg/kg beef；n = 24；P < 0.001），介于> 613且≤ 780 kg/animal者居中（17.7 ± 0.51 mg/kg beef；n = 18；P < 0.001）。对肌肽，每工人公顷数为主要分割特征，阈值25.9 ha/FTE，低于该阈值农场肌肽浓度总体较高；该组内纯种Limousin比例进一步分割，无Limousin牛群的农场肌肽浓度最高（469.2 ± 5.92 mg/100 g beef；n = 28；P < 0.001），有Limousin牛群者较低（417.3 ± 5.92 mg/100 g beef；n = 28；P < 0.001）；高于25.9 ha/FTE的农场由兼用品种比例分割，无兼用品种者肌肽浓度最低（377.6 ± 5.63 mg/100 g beef；n = 31；P = 0.002），有兼用品种者居中（434.5 ± 9.05 mg/100 g beef；n = 12；P = 0.002）。

**四、讨论部分总结**

本研究旨在考察沿生产强度梯度变化的商业化生产体系中牛肉微量营养素（微量矿物质、生物活性化合物、抗氧化物和B族维生素）的变异。结果表明某些微量营养素水平可利用与肌肉代谢和生化性状相关的参数进行预测。讨论首先聚焦方法学层面：观察性数据中识别的关联应解释为共同出现并表征生产体系的实践所产生的系统级信号，而非单个农场特征的因果效应；ML模型能以一定准确度预测动物性状，但由于特征间相互关系，不能将单个特征作为性状的管理驱动因素。完全嵌套、农场分组交叉验证较Mouhanna等（2026a）的框架降低了单一训练–测试划分的敏感性，整个农场（含两个屠宰期观测）在外层折中被系统性留出，调参仅在内层折中进行，农场分组防止了层级数据泄漏，分层确保每个外层折保留生产强度梯度，较单一分组训练–测试划分提供更保守的农场间预测性能估计，但计算成本显著更高。性状间预测性能的异质性表明并非所有牛肉营养性状对记录的农场水平实践同样敏感；血红素铁、Fe和肌肽的高且稳定的可预测性表明稳健的农场间泛化能力和较高的推断确定性。α-生育酚可预测性较低且变异较大，提示情境依赖性响应，部分反映其在牛肉生产中来源的异质性：低投入农场中主要来自富含生育酚的饲草和牧草日粮，高投入农场中常以超营养剂量在精料中补充，但模型中未纳入具体α-生育酚补充信息，聚合的日粮补充特征可能未完全捕捉该变异来源。B族维生素可预测性也较低，与反刍动物瘤胃微生物合成部分B族维生素的生理一致，微生物合成可能在商业化条件下部分缓冲了农场实践的变异；尽管如此，受控饲喂试验报道了适度的日粮效应，如草饲牛肉B₁和B₂高于谷饲牛肉；本研究中吡哆胺在B族维生素中可预测性最高但仍低于预设阈值，较高的吡哆胺浓度与提供超过5.2%日粮干物质为秸秆的农场相关，通常对应秸秆配合高精料日粮的高投入舍饲育肥体系。Zn、Se和鹅肌肽在各验证方案中一致的低可预测性可能表明其关系或生理调节无法由农场水平特征解释，弱预测性能不应仅解释为模型失败，而应视为其调控大部分超出所记录系统级管理特征范围的证据。

关于铁与血红素铁的系统级决定，两者与养殖特征的关联最为一致，其响应相似性在生物学上可预期；本研究中Fe与血红素铁正相关（r = 0.82；n = 94；P < 0.001），且均与生长轨迹、屠宰成熟度和动物生理状态相关特征一致，提示其变异反映长期管理投入而非孤立农场实践。牛肉肌肉铁含量主要由肌红蛋白浓度决定，反映肌肉氧化生物学并受年龄、品种、生长速率和体力活动影响。本数据集中，较高的预测Fe和血红素铁浓度与较大农场面积、较低载畜密度、较高平均体重和较大宰重相关，这些条件主要出现在以老龄淘汰母牛生产犊牛的低投入繁殖母牛体系，以及将动物育肥至较重宰重的中投入育肥体系；相反，较低的预测Fe和血红素铁浓度与较低宰重、较小农场面积和较高载畜密度配置相关，这些配置主要出现在高投入舍饲体系，但也见于一些尽管有户外放牧和低载畜密度却以较轻体重屠宰的低投入牧草育肥农场。该模式表明Fe和血红素铁在生产类别之间及内部均有变异，最高预测浓度并非仅由投入水平或户外放牧解释，而由导致屠宰时动物较老或较重的体系配置所解释。这与受控研究一致，后者报道老龄和较重牛Fe和血红素铁浓度高于年轻和较轻牛，而在相近年龄和体重比较时不同日粮策略间差异较小；这些差异通常归因于肌红蛋白随年龄和体重增加而积累。户外放牧可能通过影响肌肉氧化代谢和肌红蛋白浓度间接影响牛肉铁，尤其在更活跃或运动性肌肉中；本研究性状在腰背最长肌中测定，该肌肉通常不属于高运动性肌肉，这可能部分解释在考虑宰重和动物成熟度后户外放牧对铁变异贡献有限。总之，这些发现表明Fe和血红素铁主要与屠宰成熟度和动物生理状态相关，生产体系类别仅为间接指标：低投入繁殖母牛体系和中投入重育肥体系趋于较高的Fe和血红素铁，而较轻动物的体系则不然。

关于肌肉代谢特化与含组氨酸二肽，与鹅肌肽模型性能弱且不稳定不同，肌肽具有相对更一致的可预测性和更清晰的关联模式。肌肽和鹅肌肽均为内源性合成的含组氨酸二肽，鹅肌肽为肌肽的甲基化衍生物，浓度低得多；基于建模输出，鹅肌肽对纳入的农场水平特征似乎较不敏感，故该部分聚焦肌肽。肌肽为亲水性抗氧化物，可清除活性氧并螯合金属离子，从而潜在限制牛肉氧化劣变；在骨骼肌中，肌肽参与细胞内缓冲能力，其积累受肌纤维组成和前体可利用性（尤其β-丙氨酸）影响。本数据集中，较高预测肌肽浓度与较大兼用品种比例、较长育肥时长及缺乏专门化肉用品种相关。兼用品种一般选育兼顾奶肉生产平衡性能和多样化生产条件下的稳健性；相反，Limousin等专门化肉用品种经过强化选育以实现快速瘦肉组织沉积和高肌肉产量效率。快速肥大生长与向更糖酵解肌肉表型转变相关，特征为I型向II型纤维转变；虽然该转变可能增加缓冲需求，但肌肽积累也取决于前体可利用性，来自快速生长肉鸡品系的结果提示氨基酸分配可能偏于结构蛋白沉积而非含组氨酸二肽合成；虽然该现象在禽类中观察到，但可能解释为何专门化肉用品种（以Limousin为数据特定示例）尽管预期糖酵解特化却显示较低预测肌肽浓度。与较长育肥时长的正关联进一步支持时间依赖性肌肉代谢发育的作用；本数据集中较长育肥期与较高兼用品种比例共存，常见于低投入放牧型育肥体系；延长育肥期可能提供时间依赖性肌肉代谢变化的生物学窗口，可能有利于较高肌肽浓度，尤其在非主要选育快速瘦肉沉积的动物中。相反，与农场总面积和每工人公顷数的负关联可能反映低投入体系内的结构差异；本数据集中，高每工人土地配置主要见于使用专门化肉用品种（尤其Limousin和Charolais）的低投入放牧繁殖母牛体系，通常不含兼用品种，这解释了为何某些低投入繁殖母牛体系尽管通过较老和较重的动物与较高Fe和血红素铁相关，却不一定显示较高肌肽浓度。个体条件期望曲线的异质性进一步支持同一生产强度水平内农场肌肽浓度存在差异。总之，这些发现表明肌肽并非主要由投入水平解释，而是与特定实践配置更密切相关，尤其是品种类型、育肥时长和土地/劳动力结构；这与主要与屠宰成熟度和肌红蛋白相关氧化肌肉发育特征相关的Fe和血红素铁形成对比。因此，同一生产强度类别可包含具有不同营养性状谱（肌肽和铁）的动物，取决于品种类型、育肥策略、宰重和动物成熟度的组合。

研究局限性包括：第一，牛肉样品在农场和屠宰期水平混合，因管理实践以屠宰期尺度记录，无法评估动物间变异，但避免了系统级关系研究中的伪重复；第二，管理实践信息通过商业化条件下农户问卷收集，本质不如受控试验测量精确，依赖农户报告估计和回忆，且矿物质形式、瘤胃微生物活性或详细日粮组成等相关因素未被直接捕捉或可能未被问卷设计充分体现；第三，尽管采用完全嵌套农场分组交叉验证评估农场间泛化能力，特征–性状关系解释依赖固定分组划分拟合的模型，因此以现有数据集结构为条件，重拟合模型识别的关系不能保证完全代表嵌套交叉验证各折中检测到的可泛化信号，该问题通过比较重拟合模型与外层折特征重要性排序的一致性得以缓解；第四，特定品种常嵌入特定地方生产情境，造成品种、国家和管理系统间潜在混杂，品种相关发现应解释为品种–体系配置的信号而非直接遗传效应；第五，若干研究性状与牛肉氧化稳定性相关，但本研究未纳入氧化稳定性的直接测定（如脂质氧化、色泽稳定性），氧化稳定性由包括脂肪酸谱在内的众多生化因素决定，同一数据集此前的建模研究显示，低投入体系的典型特征配置与较高多不饱和脂肪酸（PUFA）比例相关，提示氧化敏感性更高，本研究中低投入体系在肌肽和铁浓度方面并非同质，直接测定氧化稳定性及肌纤维类型和抗氧化酶活性等相关变量可进一步阐明哪些体系和实践与氧化稳定性相关及这些性状如何相互作用；未来研究还可纳入牛磺酸以及L-肉碱、胆碱、肌酸、谷胱甘肽和共轭亚油酸，以更全面评估养殖实践与牛肉生物活性组成间的关联。

**五、研究结论**

这些结果凸显了多因素建模框架在探索养殖实践与牛肉微量营养素和生物活性化合物间系统级关联方面的价值。该方法将复杂特征空间缩减为Fe、血红素铁和肌肽的较小预测因子集，产生可与肌肉生理学相关联解释的一致模式。Fe和血红素铁主要与屠宰成熟度和动物生理状态相关，在导致屠宰时动物较老或较重的体系特征下升高。相反，肌肽与品种构成和育肥时长相关，较高浓度与兼用品种和延长育肥期相关。这些性状在生产体系之间和内部均有变异，表明同一生产强度类别可包含具有不同肌肽和铁谱的牛肉样品，取决于品种类型、育肥策略、宰重和动物成熟度。总体而言，这些发现强调需要进行性状特异性解释，而非假定生产体系响应一致。