根据农场特定的猪体成分来建模精准饲喂方法，可以降低饲料成本并减少对环境的负担

《Animal Feed Science and Technology》：Modeling sow precision feeding based on farm-specific body composition reduces feed costs and environmental load

【字体：大中小】 时间：2026年03月11日 来源：Animal Feed Science and Technology 2.7

编辑推荐：

　　克莱门特·里巴斯（Clément Ribas）|娜塔莉·奎尼乌（Nathalie Quiniou）|莉桑·M.G. 费尔舒伦（Lisanne M.G. Verschuren）|罗布·贝格斯玛（Rob Bergsma）|赞德拉·本瑟姆·德格拉夫（Xandra Benthem de

　　克莱门特·里巴斯（Clément Ribas）|娜塔莉·奎尼乌（Nathalie Quiniou）|莉桑·M.G. 费尔舒伦（Lisanne M.G. Verschuren）|罗布·贝格斯玛（Rob Bergsma）|赞德拉·本瑟姆·德格拉夫（Xandra Benthem de Grave）|夏洛特·盖亚尔（Charlotte Gaillard）
PEGASE，INRAE，农业研究所，16 Le Clos，35590 圣吉勒斯，法国

**摘要**
现代母猪的体重比30年前用于建立体能量、蛋白质和脂肪与体重（BW）及背膘厚度（BT）之间关系的方程式所使用的母猪更重。这些方程式被用于营养模型中，以评估个体每日需求，从而实施精准喂养策略（PF）。通过方程式的校准和模拟方法，本研究旨在评估四种喂养策略在六个连续妊娠期对母猪长期表现的影响。研究使用了包含1121头母猪的3098个妊娠期的数据，这些数据包括母猪的胎次、体重、背膘厚度、饲料摄入量和窝产仔数等信息，以校准营养模型中预测母猪体化学成分的方程式。在妊娠期间，比较了传统喂养策略（CF，所有母猪喂相同数量的饲料）、根据个体能量需求调整的标准喂养策略（SF），以及根据母猪能量和氨基酸需求调整的两种精准喂养策略（PFAA，每头母猪喂不同数量的饲料，并且每天和每头母猪的赖氨酸含量不同）和额外添加磷（P）的需求的喂养策略（PFAA-P，每头母猪喂不同数量的饲料，并且每天和每头母猪的赖氨酸和磷含量不同）。数据库被分为训练集（用于拟合文献中的体化学成分方程式）和测试集（用于评估分娩时实际测量值与校准方程式预测值之间的差异）。对于校准后的方程式，分娩时母猪体重的均方根误差（RMSE）为10公斤，背膘厚度的RMSE为1.7毫米。与校准前的参数相比，母猪体重的RMSE增加了3公斤，而背膘厚度的RMSE减少了5.2毫米。在第六次分娩时，传统喂养策略下的背膘厚度比其他喂养策略低2毫米（P < 0.001）。此外，传统喂养策略下的群体背膘厚度变异性比标准喂养策略和精准喂养策略高出19%（P < 0.001）。在六个连续妊娠期中，饲料成本分别减少了17欧元和26欧元，而氮（N）效率和磷（P）效率分别提高了30%和50%（PFAA策略）和15%和30%（PFAA-P策略）（P < 0.001）。总之，根据模拟结果，根据妊娠母猪的个体能量需求进行喂养有助于更好地实现分娩时的目标背膘厚度。根据个体母猪的需求调整营养素，无论是单独考虑氨基酸还是与磷结合使用，都能长期降低饲料成本并提高营养效率。

**1. 引言**
精准喂养策略的目的是为妊娠母猪提供满足其个体和每日营养需求所需的营养数量和质量（Brossard等人，2023年），从而在分娩时达到理想的身体状况。应考虑每个胎次的最佳体重范围和脂肪储备，以最小化妊娠期间母猪可能出现的问题风险——过肥的母猪分娩时间延长、死胎增多（Oliviero等人，2010年）或过瘦的母猪产下的仔猪体重较轻、产奶量较低（Langendijk等人，2023年）。先前的研究（Stewart等人，2021年；Gaillard和Dourmad，2022年；Cloutier等人，2024年）报告了根据能量和氨基酸调整的精准喂养（PF）的好处，与在整个妊娠期间使用单一饲料的传统喂养策略（CF）相比，可以减少氮（N）摄入量（每个妊娠期减少12%至25%）、总氮排泄量（每个妊娠期减少6%至19%）和饲料成本（每个妊娠期减少3欧元）。在三个连续的妊娠周期中，这种策略使得在三次分娩时都能达到目标背膘厚度，而传统喂养策略在最后一次分娩时的背膘厚度比目标值低4.4毫米，且对母猪的生产性能没有显著影响（Ribas等人，2024年）。

可以使用为妊娠母猪开发的营养模型来估算营养需求，该模型考虑了胎次或年龄、授精时的个体体重和背膘厚度（Gaillard等人，2019年）。利用现有的方程式（Whittemore和Yang，1989年；Everts和Dekker，1995年；Dourmad等人，1997年），可以从空体母猪的体重和背膘厚度预测能量（Whittemore和Yang，1989年；Everts和Dekker，1995年；Dourmad等人，1997年）、蛋白质（Miller等人，2018年）和脂质储备。这些体储备在妊娠期间会发生变化，取决于为实现分娩时设定的体重和背膘厚度目标而提供的营养素。现有的方程式（Quiniou，2019年）可用于根据母猪分娩时的年龄设定体重目标。通常对所有母猪使用相同的背膘厚度目标。然而，由于对生长和瘦肉型的选育，现在的母猪比30年前的母猪更重且更瘦（Bergsma等人，2009年；Bergsma等人，2024年）。通过使用营养模型和真实农场数据模拟妊娠过程，可以校准现有方程式的参数。因此，本研究的首要目标是校准一个将化学成分与体重和背膘厚度联系起来的方程式，以及另一个将体重与母猪年龄联系起来的方程式，这两种校准都是基于过去十年收集的农场数据。其次，目的是使用基于农场数据的模拟方法评估精准喂养策略对母猪整个生产周期的身体特征、饲料成本和营养平衡的影响。我们假设更新方程式参数可以使模型更好地适应母猪当前的体成分。我们还假设，使用校准后的方程式进行精准喂养可以降低饲料成本，并在长期内提高氮和磷的排泄量，同时保持最佳的身体状况。

**2. 材料与方法**
本研究分为两部分。第一部分使用农场数据库校准两个方程式的参数。第二部分使用包含校准方程式的营养模型和同一数据库，模拟了六个连续妊娠期的四种喂养策略。

**2.1. 作为数据库的动物、喂养、饲养和测量数据**
母猪的表现数据是在Schothorst Feed Research B.V.（荷兰莱利斯塔德）的实验设施中，在2012年5月至2023年3月期间收集的。数据包括1121头杂交兰德拉斯×大白猪（TN20或TN70，来自Topigs Norsvin）母猪的3098个妊娠期。至少跟踪了五个妊娠期的母猪数据被汇总到一个受限数据库（databased “5+”）中，代表了178头母猪的991个妊娠期。妊娠母猪被分组饲养，每组150头，每个围栏配备四个自动喂食器，以及多个料斗，以便为初产母猪和经产母猪分配不同的喂养计划。收集了饲料的数量和类型（无论是传统饲料还是实验饲料，占数据的97%），这取决于母猪是否参与了喂养试验。最终只保留了传统饲料的数据。在传统喂养策略下，所有母猪都喂食相同的饲料，饲料量根据妊娠三个阶段（授精至妊娠第42天、妊娠第42天至第84天以及妊娠第85天至分娩）而变化。初产母猪分别每天喂食2.40公斤、2.75公斤和2.90公斤饲料，经产母猪分别每天喂食2.90公斤、2.75公斤和3.20公斤饲料。无论胎次如何，分娩时的目标背膘厚度设定为18毫米（该农场的现行做法）。在转移到分娩室前约一周（预计分娩日期前），母猪被关在分娩栏（0.60 × 2.50米）中，每个栏单独饲养（2.25 × 2.50米），配备喂食槽和喂食器。饲料可以通过推动喂食器中的金属杆来获取，直到达到喂养计划允许的每日最大量。

在出生后的24小时内，记录了仔猪的性别、体重和状态（存活、死产或木乃伊化）。如有需要，在出生后48小时内进行交叉哺育，以使每窝仔猪数量达到12-14头。出于遗传学目的，没有健康问题的母猪被保留到第五胎次，而根据分娩时的表现将胎次较高的母猪淘汰。对于初产母猪，在从妊娠室转移到分娩室时（预计分娩日期前约一周）以及仔猪断奶日（分娩后约4周），每头母猪都会被称重（ZM201，Avery Weigh-Tronix，美国明尼苏达州费尔蒙特），并在P2位置测量其背膘厚度（Renco Lean-Meater，美国明尼苏达州明尼阿波利斯），即最后一根肋骨两侧6.5厘米处。表1总结了按胎次分组的数据库信息。

**表1. 实验农场收集的数据库描述（平均值按胎次计算）**

| 胎次 | 卵胎数 | 每窝仔猪数 | 副乳期体重（公斤） | 分娩期体重（公斤） | 背膘厚度（毫米） | 分娩期体重（公斤） | 背膘厚度（毫米） |
|------|---------|------------|-------------|-------------|-------------|-------------|-------------|
| 1 | 29 | 14.8 | 1.2 | 28.0 | 16.3 | 19.8 | -20.4 |
| 2 | 25 | 12 | 14.5 | 1.4 | 29.8 | 17.5 | -20.4 |
| 3 | 50 | 15.9 | 1.4 | 11.0 | 26.1 | 19.3 | -17.4 |
| 4 | 49 | 16.8 | 1.3 | 10.2 | 21.0 | 15.2 | -16.4 |
| 5 | 37 | 17.0 | 1.3 | 10.3 | 22.1 | 14.9 | -14.2 |
| 6 | 26 | 17.2 | 1.3 | 11.0 | 31.1 | 15.9 | -16.0 |
| 7 | 18 | 16.2 | 1.3 | 10.9 | 24.0 | 16.3 | -13.4 |
| 8 | 94 | 16.3 | 1.3 | 10.4 | 24.9 | 17.0 | -16.2 |
| **总计** | 3098 | **** | **** | **** | **** | **** | **** |

1. 体重（BW）和背膘厚度（BT）分别是在上一个妊娠期的授精时和断奶时测量的。
2. 在从妊娠室转移到分娩室期间（预计分娩日期前约一周）测量的体重和背膘厚度。

**2.2. 模型描述**
本研究中使用的母猪营养模型由Gaillard等人（2019年）首次描述。它是InraPorc机械模型的升级版本（Dourmad等人，2008年），使用Python编程语言实现，版本为3.6，目前仍可获取到3.9版本（Python Software，2020年）。该模型用于估算妊娠每天的个体营养需求。母猪被视为多个化学成分的总和，即体蛋白、体脂和整个子宫。实际上，体脂、体蛋白和体能量（23.8 kJ/g蛋白，39.5 kJ/g脂质）是根据空体重量（EBW）和背膘厚度（BT）预测的（方程式1；Dourmad等人，2008年）。使用当前母猪的数据，断奶时测量的体重和背膘厚度作为后续妊娠期的初始体重和背膘厚度，这些妊娠期主要在断奶后五天开始。对于初产母猪，使用授精时测量的体重和背膘厚度。

(1)
`bodycontent = a + b × EBW + c × BT`
其中：
`bodycontent`：能量含量（MJ）
`proteincontent`：蛋白质含量（克）
`EBW`：母猪的空体重量（克）
`BT`：P2位置的背膘厚度（毫米）
`a`、`b`、`c`：拟合参数

在妊娠期间，这些体储备从初始状态变为最终状态，这取决于分娩时设定的目标，通常基于所有母猪的共同背膘厚度目标。个体母猪的体重目标取决于年龄和农场内的历史窝产表现。为了设定体重目标，校准了一个根据群体数据调整的Weibull方程式（方程式2；Quiniou，2019年）。由于当前数据库中母猪是在转移到分娩室时被称重，而不是在分娩后称重，因此最终体重对应于这次称重减去胎儿的重量（方程式3；Dourmad等人，1997年）。

(2)
`SowBWt = a × (1 ? exp(?b/1000 × tc))`
其中：
`SowBW`：母猪的体重（克）
`a`、`b`、`c`：拟合参数

(3)
`Conceptusweight = 0.3 + 1.329 × litterweight`
其中：
`Conceptusweight`：胎儿的重量（克）
`litterweight`：窝产仔猪的重量（克）

根据每个胎次的窝产增重（表1），平均了哺乳期间的体成分变化，并将其纳入营养模型的新哺乳函数中。由于缺乏参数，无法考虑哺乳母猪摄入量（Gauthier等人，2021年）和个体窝产表现（Gauthier等人，2022年）对体成分变化的影响。因此，结果将仅关注妊娠母猪。根据实施的喂养策略，计算混合物中每种饲料的比例，以满足个体每日营养需求，无论是仅考虑氨基酸（AA）还是同时考虑氨基酸和矿物质。使用pulp包（Mitchell等人，2011年）通过受限线性优化获得了每天和每头母猪的最佳解决方案。

**2.3. 数据拟合**
使用SciPy库（Virtanen等人，2020年）中的curve_fit函数进行了多元回归分析，以校准方程式1和方程式2的参数。分别对方程式1和方程式2运行了Trust Region Reflective算法（Branch等人，1999年）和Levenberg-Marquardt算法（Moré，1978年），以最小化残差之和。当成本函数的变化低于10^-4时停止优化，以确保优化过程最多持续一天。如果这个条件从未被满足，那么在进行了2,000,000次评估后程序就会停止。优化的初始参数分别采用了Dourmad等人（1997年）和Gaillard等人（2020年）对于（1）和（2）所描述的参数。每个身体化学成分室的参数，总共九个参数，被调整以最小化最终观察到的体重（BW）和体脂厚度（BT）与最终预测的BW和BT之间的差异。最终预测的BW和BT是根据母猪在营养模型模拟妊娠后的化学组成得出的。Weibull方程被用来校准参数，该方程基于母猪到达分娩单元时的体重减去胚胎的重量。为了避免过拟合，方程2的参数是根据Scikit-learn库中的K折交叉验证方案进行校准的（Pedregosa等人，2011年）。简而言之，该方法将数据集分成K组，使用K-1组数据来训练方程，剩下的数据组用于评估预测误差。然后通过平均绝对误差（MAE）和均方根误差（RMSE）来评估每次验证的性能。MAE和RMSE的计算公式如下：

MAE = 1/n * ∑k=0^n?1 |yk ? yk?|
RMSE = 1/n * ∑k=0^n?1 (yk ? yk?)^2

其中：
n：样本数量
yk：第k个观察值
yk?：第k个预测值

数值越低，模型对数据的表示越准确。评估了2折、5折、10折、20折和留一法（样本数量）（表2）。

表2. 使用均方根误差（RMSE）和平均绝对误差（MAE）作为指标，根据不同K折交叉验证来量化和比较不同年龄母猪的体重预测质量，数据集包括所有妊娠记录（即3098次妊娠）或至少跟踪了5个周期以上的妊娠记录（即991次妊娠）。

2.5. 营养成分的摄入、饲料成本和营养平衡
每头母猪的养分摄入量是通过计算六个妊娠期间消耗的每种饲料的总和来计算的。根据2025年3月法国每种饲料的成分和价格（IFIP，2025年），S、LLys-SP、HLys-SP、LLys-LP和HLys-HP饲料的价格分别为243欧元/吨、231欧元/吨、260欧元/吨、231欧元/吨、260欧元/吨和267欧元/吨。

2.5. 计算养分摄入量、饲料成本和营养平衡
每头母猪的养分摄入量是计算六个妊娠期间消耗的每种饲料的总和。在六个妊娠期中，根据能量需求调整SF、PFAA和PFAA-P策略中的营养摄入量，与CF策略相比，饲料供应量增加了15公斤。营养摄入量取决于所采用的喂养策略（P < 0.001）。与CF策略相比，SF策略的氮（N）摄入量增加了0.6%，而PFAA和PFAA-P策略的氮摄入量分别减少了21%和11%。在六个妊娠期中，采用CF策略的母猪比采用SF策略的母猪消耗的SID-Lys少0.6%，但比采用PFAA或PFAA-P策略的母猪多消耗31%。ATTD-P的摄入量在CF策略中较低，与SF和PFAA相比仅相差0.8%（P < 0.001）。根据需求调整ATTD-P的供应量后，PFAA-P策略的摄入量比其他喂养策略减少了40%（P < 0.001）。在六个妊娠期中，采用PFAA策略的母猪主要摄入LLys-SP饲料（占总摄入量的94.9%），而采用PFAA-P策略的母猪主要摄入LLys-LP饲料（占总摄入量的94.6%）。HLys-SP饲料是第二大摄入量，分别占PFAA和PFAA-P策略的5.1%和4.8%。对于PFAA-P策略，LLys-SP和HLys-HP各自仅占总摄入量的0.3%。

表5. 喂养策略对六个连续妊娠期饲料和营养摄入量以及饲料成本的影响。

空单元格
策略 RSD
项目 CFS SF PFAA PFAA-P
饲料摄入量（kg/母猪） 1989a 2003b 2005b 2005b 34 <0.001
饲料摄入量（kg/妊娠期） 331a 334b 334b 334b 6 <0.001
氮摄入量（kg/母猪） 46.8c 47.1d 36.8a 41.7b 0.7 <0.001
SID-Lys摄入量（kg/母猪） 9.35b 9.41c 7.16a 7.16a 0.16 <0.001
ATTD-P摄入量（kg/母猪） 5.17b 5.21c 5.21c 3.71a 0.08 <0.001
妊娠期间饲料消耗百分比 100b 100b 0a 0a 0.1 <0.001
LLys-SP 0a 0a 94.9b 0.3a 0.9 <0.001
HLys-SP 0a 0a 5.1b 4.8b 1.3 <0.001
LLys-LP 0a 0a 0a 94.6b 0.9 <0.001
HLys-HP 0a 0a 0a 0.3b 0.2 <0.001
饲料成本（€/母猪） 483c 487d 466b 457a 8 <0.001
饲料成本（€/妊娠期） 80.5c 81.1d 77.7b 76.1a 1.3 <0.001

饲料成本在六个妊娠期之间存在差异（P < 0.001；表5）。与CF策略相比，PFAA和PFAA-P策略每妊娠期的饲料成本分别减少了2.8欧元和4.4欧元，而SF策略则增加了0.6欧元。在六个连续妊娠期中，PFAA和PFAA-P策略的饲料成本平均为每头母猪400欧元至530欧元。与CF策略相比，PFAA和PFAA-P策略分别节省了17欧元和26欧元（P < 0.001）。仅在SF策略中根据个体能量需求调整营养供应量，六个妊娠期的饲料成本比CF策略增加了4欧元。

在分娩时，不同喂养策略下的母猪体重在不同周期间存在差异（策略×周期交互作用，P < 0.001；图2）。在第一和第二个周期中，采用CF策略的母猪在妊娠期末体重较大，但在第五和第六周期中体重较低（Tukey检验，P = 0.003）。在第二和第三个妊娠期，采用SF或PFAA策略的母猪在分娩时的体重大于采用PFAA-P策略的母猪（P = 0.004）。在所有情况下，无论周期如何，各策略之间的平均体重差异仅为3公斤。妊娠期间采用的喂养策略对分娩时的体重（BT）有影响（策略×周期交互作用，P < 0.001；图3）。在第一至第三个妊娠期，采用CF策略的母猪分娩时的体重大于采用其他策略的母猪（Tukey检验，P = 0.004）。相反，在第六周期时体重较低（Tukey检验，P < 0.001），而在第四和第五周期时与其他策略无差异（Tukey检验，P = 0.23）。对于所有策略，标准差在第一个和第六妊娠期之间有所增加。然而，CF策略的标准差从3.1毫米增加到3.8毫米，而其他策略的标准差从第四妊娠期开始稳定在3.2毫米。

下载：下载高分辨率图像（213KB）
下载：下载全尺寸图像

图2. 六个周期内母猪体重（BW）随喂养策略的变化（传统喂养（CF） vs. 标准喂养（SF） vs. 精确喂养氨基酸（PFAA）或氨基酸和磷（PFAA-P）。

图3. 六个周期内母猪背膘厚度（BT）随喂养策略的变化（传统喂养（CF） vs. 标准喂养（SF） vs. 精确喂养氨基酸（PFAA）或氨基酸和磷（PFAA-P）。

3.3. 营养平衡
喂养策略对六个连续妊娠期的氮（N）平衡有影响（P < 0.001；表6）。PFAA和PFAA-P策略的母猪氮保留量分别为5.27公斤，而CF和SF策略的平均保留量分别为5.16公斤和5.23公斤（P < 0.001）。不同喂养策略下的尿液和粪便氮排泄量有显著差异（P < 0.001），其中PFAA策略的氮排泄量最低，其次是PFAA-P策略，最后是CF策略。由于PFAA策略的氮摄入量较高但保留量相似，其氮效率高于PFAA-P策略（P < 0.001）。CF和SF策略之间的氮效率有显著差异，但仅相差0.1个百分点（P < 0.001）。它们的氮效率分别比PFAA和PFAA-P策略低1.5个百分点和3.2个百分点（P < 0.001）。

表6. 喂养策略对六个连续妊娠期氮（N）和磷（P）平衡的影响。

空单元格
策略 RSD
项目 CFS SF PFAA PFAA-P
氮平衡总摄入量（kg） 46.8c 47.1d 36.8a 41.7b 0.7 <0.001
母猪保留量（kg） 5.16a 5.23b 5.27c 5.27c 0.07 <0.001
尿液输出（kg） 33.3c 33.5d 24.8a 28.6b 0.6 <0.001
粪便输出（kg） 8.3c 8.4d 6.8a 7.9b 0.1 <0.001
利用效率（%） 11.0a 11.1b 14.3d 12.6c 0.2 <0.001
磷平衡总摄入量（kg） 10.1c 10.2d 9.9b 8.0a 0.2 <0.001
母猪保留量（kg） 1.03a 1.04b 1.05c 1.05c 0.01 <0.001
尿液输出（kg） 4.1b 4.2c 4.2c 2.7a 0.1 <0.001
粪便输出（kg） 5.0c 5.0d 4.6b 4.3a 0.1 <0.001
利用效率（%） 10.1a 10.2a 10.6b 13.1c 0.2 <0.001

PFAA-P策略的总氮摄入量比其他策略低21%（P < 0.001）。SF策略的氮摄入量比CF策略高0.1公斤，而CF策略的氮摄入量又比PFAA策略高0.2公斤（P < 0.001）。CF、SF和PF策略之间的母猪氮保留量有差异，但差异小于1%（P < 0.001）。PFAA-P策略的尿液和粪便磷输出量分别比CF和SF策略低36%和14%（P < 0.001）。PFAA策略的尿液输出量与SF策略相似，但粪便输出量低0.4公斤（P < 0.001）。PFAA和PFAA-P策略的磷效率分别为10%和13.1%，高于CF策略（P < 0.001）。

4. 讨论
4.1. 模拟过程中体成分的预测
我们研究的创新之处在于使用Gaillard等人（2019）的营养模型模拟妊娠期间化学成分的变化，并结合Dourmad等人（1998）建立的潜在蛋白质保留方程，将估计的体重（BW）和背膘厚度（BT）与数据库中分娩时观察到的BW和BT进行拟合。文献中的化学方程主要是基于30年前的母猪数据建立的（Whittemore和Yang，1989；Everts和Dekker，1995；Dourmad等人，1997），这些母猪的生产性能已不再符合当前情况。现代母猪更瘦，相同年龄时体重更重，每胎产仔数更多（+4头仔猪；Muller，2021；Bergsma等人，2024）。这些方程使用估计体重（EBW）和背膘厚度（BT）作为预测因子，因为这些数据在农场层面更容易收集，而其他方法如氘氧化物稀释技术（Rozeboom等人，1994）需要向母猪体内注入D2O。然而，这些方程依赖于建立它们时使用的基因型（Gill，2006；Johannsen，2025）。如果使用的母猪品系与建立这些方程的大白猪×长白猪杂交品种不同，建模结果的误差范围会增大。最近，Miller等人（2018）基于非妊娠期的母猪建立了蛋白质和脂质成分与体重之间的方程，通过添加妊娠次数作为预测因子，获得了更准确的蛋白质成分预测（R2 = 0.93），而脂质成分的预测效果较差（R2 = 0.77）。与之前使用的Dourmad等人（1997）的方程相比，本研究中校准后的方程使最终体重估计的RMSE降低了2.9公斤，但使最终背膘厚度的RMSE提高了5.2毫米。调整后的参数有助于更好地预测分娩时的体重，以估算营养需求。然而，我们没有数据来验证个体的脂质含量，因为将背膘厚度与脂质含量关联的参数乘以了3.8。P2阶段背膘厚度测量的精度较低可能是造成这一结果的原因（McEvoy等人，2009）。此外，EBW的设定为0.96×BW，而Dourmad等人（2008）的建议值范围是0.97至0.98，适用于150至300公斤的母猪。后者使用的饮食能量含量较高，导致肠道中的消化物较少（Serena等人，2008）。这个系数的设定没有考虑体重因素。使用分娩时母猪的体重减去胚胎重量，而不是分娩时的体重，可能解释了RMSE的部分差异。进一步的研究应调查母猪的蛋白质沉积潜力，以使现有方程与当前母猪的表现保持一致。

通常使用Weibull方程根据年龄评估母猪体重，并确定分娩时的目标体重及妊娠期间的相关需求（Gaillard等人，2020）。我们使用K交叉验证程序调整了Weibull方程，以避免模型过度拟合训练数据，并通过RMSE和MAE指标评估预测性能。拟合方程的RMSE为15.9公斤，与Quiniou（2019）报告的分娩后立即测量的母猪体重的RMSE（16.2公斤）处于相同范围。与根据另一农场数据校准的方程相比，本研究中校准后的方程将RMSE降低了4至6公斤。在农场层面进行评估可以考虑到特定的环境条件和管理实践，这些因素直接影响母猪体重。在不同的讨论中，Gauthier等人（2022年）通过调整农场层面的参数，能够更准确地预测断奶窝仔的体重，这也比在多个农场数据库上进行拟合所需的时间更短。考虑到那些在农场停留时间较长的母猪的数据（在我们的案例中至少生育了五次），与使用数据库中的所有母猪相比，RMSE减少了2到3公斤。

4.2. 关于喂养策略对体特征、饲料成本和营养排泄的评估
通过模拟，使用本研究中先前校准的方程式，研究了四种不同喂养策略下六次妊娠期间体重（BW）和骨密度（BT）的变化。不同策略之间的BW变化较小，其RMSE值仅为之前获得的三分之一，而BT在各个周期间的变化较大。CF策略使得前三次分娩的母猪骨密度更高，而在第六次妊娠时比其他策略低2毫米，并且这一时期的BT变异性也更大。在之前的一项体内研究中，Ribas等人（2024年）观察到CF策略下的母猪在第三次分娩时的骨密度低于PF策略下的母猪。然而，在他们的研究中，不同喂养策略提供的饲料量有显著差异，三个妊娠周期内的总差异为111公斤。在本研究中，CF策略与SF和PF策略之间的差异仅为7.5公斤，这解释了为什么不同喂养策略在BT上的差异较小。一种考虑母猪个体能量需求的策略能够维持理想的体特征。随着连续的分娩，这种策略即使平均摄入量相似，也能减少分娩时的BT变异性，从而降低围产期风险（Muro等人，2023年）。

在饲料成本方面，仅根据能量需求调整喂养策略所需的饲料量比本研究中的CF策略更多，这自然会导致饲料成本增加。然而，考虑到动物的氨基酸（AA）需求后，由于妊娠期间平均营养含量较低，因此使用了成本更低的日粮。因此，尽管在六个妊娠周期内额外供应了15公斤饲料，PFAA策略仍节省了17欧元的饲料成本。我们的结果与文献（Gaillard和Dourmad，2022年；Cloutier等人，2024年）一致，这些文献指出，应用根据AA调整的PF策略每个妊娠周期可以带来3欧元的轻微经济效益。如果加上ATTD-P的需求，六个妊娠周期内的饲料成本节省额可以增加9欧元。与使用单一日粮相比，这些经济效益相对有限，但精确喂养矿物质可以带来间接的成本效益，特别是减少跛行和降低淘汰率（Van Riet等人，2013年）。事实上，降低跛行风险应该能提高母猪的长期表现。此外，实施这种策略还可以减少磷（P）的摄入和排泄，从而最大化P的利用效率。在所有策略中，使用的HLys-HP比例均低于1%，而PFAA-P策略使用的LLys-SP比例也低于1%，这在商业农场中可能难以应用。在妊娠期间实施PF策略需要大量投资，例如使用多个饲料仓和自动喂食器（Huber，2025年）。为了避免使用低利用率的饲料仓，例如可以适当增加S级别的ATTD-P含量，以满足更多母猪的需求，从而减少所需的饲料和饲料仓数量，同时保持在妊娠母猪日粮的总磷限制以下（Dourmad等人，2016年）。正如在牛的研究中所做的那样（Uyeh等人，2019年），采用多目标方法，在配制日粮时考虑猪群中母猪的需求（每种营养素需求的极端情况），可以减少饲料种类，并为农场的生产目标实现最低成本。在我们的具体案例中，我们可以降低HLys日粮中的SID-Lys含量。

标准日粮中的SID-Lys含量是为了满足妊娠末期大多数母猪的需求而选择的，此时它们的需求最高。因此，在妊娠的大部分时间里，当需求较低时，这种单一日粮中的SID-Lys含量相对于需求来说过高。正如Gaillard等人（2020年）、Stewart等人（2021年）和Gaillard与Dourmad（2022年）已经证明的那样，PFAA策略的主要好处在于减少了氮（N）的排泄，减少了6%到19%。这些数值略低于我们研究中模拟的数值（-26%），这可能是由于我们研究中使用的利用率较低所致。用于估计利用率的方法基于体重增加、胴体瘦肉率和日粮的化学成分提供了排泄情况的概览。在实验层面收集排泄物可以获得更准确的数值，这些数值肯定高于当前估计的效率。在我们的模拟中，尽管有两种不同的ATTD-P供应策略，但并未观察到磷保留量的差异。用于估计磷保留量的方程式基于体蛋白（Dourmad等人，2021年），而大部分磷储存在骨骼中（Crenshaw，2001年）。在妊娠期间，如果磷或钙（Ca）缺乏，母猪可以动员其骨骼储备来满足胎儿的需求。在哺乳期间，它们的储备会被大量动员用于产奶（Van Riet等人，2016年）。农场中很少有标准来评估母猪骨骼矿物质含量在整个繁殖周期中的变化。应该加入骨骼成分，以更好地描述妊娠期间磷的需求及其与钙的相互作用（Ribas等人，2025年）。新的方程式将饲料摄入量与磷保留量联系起来，可以更精确地评估喂养策略对矿物质的影响。

4.3. 长期模拟中的当前挑战
我们的研究集中在妊娠期间的母猪喂养策略及其对母猪表现的长期影响上。我们选择不考虑哺乳期间的变异性，而是通过按胎次平均个体反应，并在六个妊娠期间假设生育率为100%，以获得妊娠期间喂养策略效果的显著反应。关于我们的模拟结果，有两个主要问题需要考虑。第一个问题是哺乳期间的个体营养需求。哺乳期间的自愿摄入量和喂养模式因母猪而异（Van Gheluwe等人，2025年）。哺乳期间的自愿摄入量与哺乳开始时的母猪体储备呈负相关（Zhou等人，2018年）。较高的平均日增重和更多的产奶量会增加母猪的需求（Gauthier等人，2019年）。这些因素影响营养平衡，进而影响哺乳期间的储备动员。第二个问题是母猪的生育能力和寿命。从长远来看，繁殖周期中蛋白质和脂肪储备的过度变化会促使农民提前淘汰母猪（Dourmad等人，1994年），即在它们达到第五胎之前。这种提前淘汰可以解释为分娩和断奶时身体状况较差的母猪繁殖性能下降。在哺乳期间，肌肉质量的不成比例损失对后续妊娠的表现有更大的负面影响（Hoving等人，2011b）。在哺乳期间动员超过12%体蛋白质量的母猪，从断奶到发情期的间隔时间延长（Clowes等人，2003年），就像那些生产性能高但营养摄入不足的母猪一样（Bergsma等人，2009年）。过度动员会导致繁殖失败（Quesnel，2005年）。它对排卵率（Hoving等人，2011a；Rempel等人，2015年）和下一妊娠的胚胎质量（Strathe等人，2017年）有负面影响。因此，在分娩时达到最佳体况对于刺激母猪在哺乳期间实现最佳营养摄入非常重要（Ren等人，2017年；Choi等人，2019年）。此外，哺乳期间的营养策略旨在最小化母体储备的动员（Tokach等人，2019年），从而最大化终生生产力。像PF这样的策略可以通过减少发情间隔的延迟带来间接收益，从而减少母猪消耗饲料的非生产性天数。此外，PF策略还可以由于胚胎质量较差而减少异质性窝仔的数量。

其他因素，如健康状况、环境条件（Gaillard等人，2021年）、社会行为（Durand等人，2023年）、生产性能和哺乳期长度（Van Der Peet-Schwering和Bikker，2019年），也应该考虑在模拟结果和农场营养试验之间的差异中。模拟使得无需进行漫长且昂贵的实验就能评估长期策略的效果。然而，需要对模型进行改进，例如更好地描述特定时期，如妊娠末期，采用与其他妊娠天数不同的喂养计划。

5. 结论
在农场层面调整体重和体成分方程式，能够更准确地评估妊娠期间母猪的体重和骨密度，从而了解它们的日常需求。从长远来看，与CF日粮相比，根据母猪的能量需求调整日粮（即SF策略）可以维持分娩时的理想体况，从而降低围产期风险和后续配种的生育问题。额外根据氨基酸需求调整的PF策略在六个妊娠周期内节省了17欧元的饲料成本，并提高了3个百分点的磷利用效率。进一步调整磷含量可以节省9欧元的饲料成本，并提高3个百分点的磷利用效率。未来的研究可以关注连续妊娠期间母猪的个体反应（从断奶到发情期的间隔、出生时的窝仔大小），以微调这些策略对母猪寿命的评估。

这项工作得到了Topigs Norsvin研究中心B.V.的支持。Clément RIBAS在Topigs Norsvin进行了为期四个月的博士交流，获得了ERASMUS+奖学金、Rennes Métropole和EGAAL博士学校的财政支持。如果没有INRAE和IFIP对Clément Ribas博士项目的资助，这个项目是不可能完成的。

CRediT作者贡献声明
Rob Bergsma：监督、资源管理、数据管理。
Xandra Benthem de Grave：写作 - 审稿与编辑、资源管理、调查。
Charlotte Gaillard：写作 - 审稿与编辑、监督、项目管理、方法论、资金获取、概念化。
Nathalie Quiniou：写作 - 审稿与编辑、监督、方法论、资金获取、概念化。
Lisanne M.G. Verschuren：写作 - 审稿与编辑、监督、资源管理。
RIBAS Clément：写作 - 原始草稿、可视化、软件、方法论、资金获取、正式分析、数据管理、概念化。

关于写作过程中使用生成式AI和AI辅助技术的声明
作者在写作过程中没有使用人工智能辅助技术。

热点排行