粪便近红外光谱技术（faecal NIRS）在预测添加3-硝基氧基丙醇（3-NOP）奶牛甲烷排放量中的潜力评估

《animal》：Potential of faecal NIRS for predicting methane emissions in dairy cows supplemented with 3-nitrooxypropanol

　　

目前用于测量个体反刍动物甲烷（CH4）排放量的方法难以在农场应用。替代技术，特别是光谱技术，在农场条件下跨不同反刍动物预测个体CH4排放方面具有巨大潜力。本研究旨在：i）评估粪便近红外光谱（faecal NIRS）在检测日粮中添加3-硝基氧基丙醇（3-NOP）作为抗产甲烷添加剂对奶牛影响方面的潜力，并与牛奶中红外（MIR）光谱技术进行比较；ii）测试基于是否补充3-NOP的奶牛粪便NIRS的CH4排放初步预测模型。本研究基于此前在受控条件下进行的两项体内试验，涉及饲喂不同日粮的奶牛（共n=43），评估了3-NOP（60 mg/kg干物质DM）对CH4排放的影响。试验1使用GreenFeed系统获取个体CH4数据，试验2使用呼吸测热室（respiration chambers）。在CH4测量的同一周内收集个体牛奶和粪便样本分别用于MIR光谱和NIRS分析。观测到的CH4排放量（g/天）在试验1和试验2中，饲喂3-NOP补充日粮的奶牛分别显著（P < 0.01）降低32%和23%。牛奶MIR光谱未能区分饲喂含或不含3-NOP日粮的奶牛，而粪便NIRS可以。当将现有的局部NIRS预测CH4排放模型应用于试验1的粪便光谱时，3-NOP光谱的预测值与观测值不符。3-NOP处理和对照处理的预测均方根误差（RMSEP）分别为174.7 g/天和75.7 g/天。这些值主要由偏差解释（3-NOP和对照处理分别为160.9 vs -3.9 g/天）。为提高3-NOP处理的CH4排放预测精度，研究人员在每个试验中针对3-NOP粪便样本事后建立了特定的探索性预测模型。试验1和试验2的交叉验证决定系数（R2）和均方根误差（RMSECV）分别为0.7和21.7 g/天。这项初步工作表明，在使用特定模型的情况下，粪便NIRS有潜力预测饲喂添加3-NOP日粮奶牛的CH4排放。未来需要进一步工作确认这一概念验证，利用更多3-NOP数据校准特定模型，并将此方法扩展到其他抗产甲烷添加剂在未来的农场应用中。

研究背景与意义

气候变化源于温室气体排放，其中甲烷（CH₄）作为短寿命温室气体，其全球变暖潜势约为二氧化碳的81倍（20年尺度），因此减少反刍动物CH₄排放对缓解全球变暖具有重要意义。当前测量反刍动物个体CH₄排放的方法如呼吸测热室（respiration chambers）或GreenFeed系统难以在农场大规模应用。牛奶中红外（MIR）光谱虽被用于预测CH₄排放，但仅限于泌乳奶牛且研究表明其无法检测3-硝基氧基丙醇（3-NOP）的影响。粪便作为消化的未吸收产物，其近红外光谱（NIRS）可提供不同于牛奶的信息，且适用于所有性别和阶段的反刍动物。然而，现有基于非添加剂数据的粪便NIRS模型是否能预测添加抗产甲烷添加剂（如3-NOP）动物的排放尚不清楚。因此，研究人员开展此项研究以评估粪便NIRS检测3-NOP效果及建立相应预测模型的潜力，该论文发表于《animal》。

主要关键技术方法

研究数据源自法国INRAE Herbip?le两项既往体内试验，共43头荷斯坦奶牛，分别饲喂含60 mg/kg DM 3-NOP或对照日粮。试验1（n=28）用GreenFeed测CH₄，试验2（n=25，16头测CH₄）用呼吸测热室。同期采集直肠粪便样本经60℃烘干磨碎后于400至2500 nm扫描获得NIRS反射光谱并转为吸光度，牛奶样本进行MIR光谱采集。采用Savitzky-Golay一阶导数预处理光谱，通过ANOVA-同步成分分析（ASCA）评估3-NOP对光谱的影响，利用偏最小二乘法（PLS）建立局部加权及特定CH₄预测模型，并以留一交叉验证评估，统计显著性设为P < 0.05。

研究结果

Observed methane emissions

观测数据显示，试验1中对照组与3-NOP组CH₄排放分别为468 g/天与317 g/天，试验2为335 g/天与259 g/天，3-NOP使排放显著降低23%至32%（P < 0.001及P = 0.006）。这表明3-NOP在两种试验条件下均有效抑制了产甲烷作用。

Milk mid-infrared spectra

对牛奶MIR光谱进行ASCA分析显示，无论在试验1还是试验2，对照组与3-NOP处理组的光谱得分图均无分离，载荷图亦未显示特定波长受处理显著影响。结论为牛奶MIR光谱无法识别奶牛是否摄食3-NOP，推测因3-NOP未引起牛奶成分及脂肪酸谱的显著改变。

Faecal near-infrared spectra

粪便NIR光谱的ASCA分析则显示两试验中处理组间存在显著差异（PC1解释100%变异）。试验1中对照组主要影响波长934至1932 nm，3-NOP组为1214至2012 nm；试验2中对照组为1318至1972 nm，3-NOP组为1896至2496 nm。这表明粪便化学组成因3-NOP引起的瘤胃发酵及微生物变化而改变，且被NIRS捕获。

Faecal NIRS to predict methane emissions

Local existing model for Experiment 1

应用仅基于非添加剂数据建立的现有局部NIRS模型预测试验1时，对照组预测RMSEP为75.7 g/天且偏差仅-3.9 g/天，而3-NOP组RMSEP高达174.7 g/天，偏差达160.9 g/天，预测值与观测值严重不符。证明未含添加剂样本的模型无法适用于3-NOP处理牛只。

Explanatory models developed post-hoc within each experiment

研究人员为每个试验建立了通用模型（含所有样本）及处理特异性模型。通用模型RMSECV在试验1为14.6%、试验2为12.5%；而特异性模型误差更低，试验1中对照与3-NOP分别为8.4%和9.7%，试验2分别为6.5%和8.4%，R²在0.69至0.79间。表明针对3-NOP样本建立特定模型可显著提高预测精度。

讨论与结论总结

讨论部分指出，牛奶MIR无法检测3-NOP是因添加剂不改变牛奶成分及无代谢残留，而粪便NIRS能检测可能因3-NOP影响干物质采食量、养分消化率及粪便微生物组成（如产甲烷古菌减少导致膜脂archaeol变化）进而改变光谱特征。现有模型预测3-NOP失效主因是建模数据库缺乏添加剂样本导致偏差。虽然样本量有限需防过拟合，但特异性模型表现优于通用模型，精度与牛奶MIR预测相当，适用于研究筛选而非商业监测。

结论部分翻译：本研究证明了粪便NIRS相较于牛奶MIR光谱，具有识别饲喂添加3-NOP日粮奶牛的潜力。结果进一步表明，未考虑该添加剂的模型无法可靠预测摄食3-NOP动物的CH₄排放。作为探索性研究，研究人员发现整合含与不含3-NOP日粮动物数据集可改善基于3-NOP牛只粪便光谱的CH₄预测模型性能。总体而言，这些发现建议在所述试验条件下，为饲喂3-NOP的奶牛开发特定的粪便NIRS模型是预测CH₄排放的一种有前景的策略。然而，需要更多3-NOP相关数据及进一步研究来确认这些结果，并评估其在未来其他抗产甲烷添加剂及农场条件下的适用性。

要不要我帮你把这篇解读里的关键专业术语（如NIRS、3-NOP、RMSEP等）整理成一个简易的中英对照表方便查阅？