利用回归树揭示农业实践对牛奶内在品质指标的协同与拮抗效应

《animal》：Using regression trees to highlight the synergistic and antagonistic effects of farming practices on intrinsic quality indicators of cow’s milk

　　

摘要：牛奶的内在品质是一个多因素、多维度的概念，受多种农业实践的影响。这些实践之间可能存在相互作用，对不同牛奶成分或特性（品质指标）产生协同或拮抗效应。本观察性研究旨在识别并排序影响牛奶品质指标的若干农业实践，并揭示这些实践对指标产生的协同或拮抗效应。研究使用了两个数据集，包含来自113个法国奶牛场的233份奶罐混合奶样，两者均包含牛奶内在品质数据（测定了34项品质指标）以及采样时奶牛场实施的农业实践数据，如牛群特征、饲喂、饲养、挤奶管理和贮奶条件。研究人员随后采用回归树（regression trees）基于农业实践组合预测牛奶品质指标。在34项牛奶品质指标中，回归树对其中9项的建模决定系数（R2）≥ 0.30。这些回归树能够识别最具影响力的农业实践，验证先前在受控试验中报道的实践在商业牧场条件下的表现，并表征实践间的协同与拮抗交互作用。优势品种（dominant breed）和日粮中主要粗饲料（main forage）是最具影响力的因素，其次是精料比例、泌乳阶段和牛群中初产牛比例。饲养条件和挤奶实践未在表现良好的回归树中显示出显著影响。某些实践，如放牧或选择蒙贝利亚尔（Montbéliarde, MB）品种，对其所影响的牛奶品质指标表现出总体正向效应。然而，由于拮抗效应的存在，要确定能同时改善所有指标的实践组合具有挑战性。因此，需要根据牧场主的目标和目标乳制品进行权衡，因为不同产品对牛奶品质有不同要求。此外，对许多指标而言，回归树未能解释的变异部分仍然显著，未来可基于更大规模数据库以及针对各指标专门调查的实践数据对回归树进行优化。

论文解读：利用回归树揭示农业实践对牛奶内在品质指标的协同与拮抗效应

一、研究背景与目的

牛奶的内在品质是一个涉及营养成分、理化特性、加工适宜性及卫生安全等多维度的综合概念，受到奶牛养殖过程中各类农业实践的深刻影响。此前的综述研究指出，同一农业实践可能对不同牛奶品质指标产生协同（synergistic）或拮抗（antagonistic）效应。例如，以新鲜牧草放牧替代玉米青贮饲喂奶牛，虽能提升牛奶中omega-3脂肪酸和β-胡萝卜素含量从而改善营养品质，但同时会降低钙和磷含量，对营养品质产生不利影响。此外，两种不同实践也可能对同一牛奶成分或特性产生协同或拮抗作用，如选择荷斯坦弗里生（Holstein Friesian, HF）品种而非蒙贝利亚尔（Montbéliarde, MB）品种，同时将牛奶在罐内低温（48小时）贮存而非不进行罐内低温贮存，会协同降低牛奶凝胶硬度，进而可能损害特定干酪工艺所需的技术品质。再者，某项实践与其他实践交互时，可能对同一牛奶成分产生不同方向的调节作用。因此，有必要在商业化奶牛场实际条件下，研究多种农业实践组合对各项牛奶品质指标的综合影响，并评估这些组合是否产生协同或拮抗效应。本研究旨在：(1) 识别并排序对34项牛奶品质指标影响最强的实践及其最佳组合；(2) 识别这些实践对品质指标产生的协同或拮抗效应。研究采用回归树（regression trees）方法，基于商业化奶牛场实施的农业实践组合预测各项品质指标。该论文发表于《animal》期刊。

二、研究方法概述

本研究利用了两个前期研究项目获取的数据库：数据库1包含30个法国奶牛场，于2013年进行了5次走访，每次走访均包含实践调查和奶罐混合奶样采集；数据库2包含99个法国奶牛场，于2020年进行了实践调查和奶样采集。两数据库均覆盖法国多个牛奶主产区（西北部、中部和东部），以代表法国奶牛场日粮、品种和挤奶设备的多样性。经过数据筛选和一致性核查，最终共保留233份调查数据（数据库1为150份，数据库2为83份）。研究人员采用条件推断树（Conditional Inference Trees, CIT）方法，该算法通过基于置换的显著性检验评估各候选实践与预测指标之间的统计关联，递归划分数据集，直至无法再进行显著分割。为控制过拟合，研究采用随机森林（random forest）的“节点纯度增量”指标预选实践变量，通过10折交叉验证确定最优树深度，并使用独立验证集评估模型性能（以决定系数R2和均方根误差RMSE衡量）。最终模型使用全数据集重新拟合以生成展示用回归树。树中各叶节点的指标均值即为该实践组合条件下的预测值，叶间差异通过方差分析（ANOVA）和Tukey HSD检验评估。

三、主要研究结果

（一）调查农业实践的分布特征
被调查牛群的泌乳牛数量平均为54 ± 28头（范围12至200头），平均产奶量为25.6 ± 5.5升/头/日。26%的牛群以MB为优势品种（占牛群≥80%），52%以HF为优势品种，21%为MB/HF混合或其他品种。日粮方面，36%的牧场以放牧牧草为主要粗饲料，14%为过渡日粮，15%以干草为基础，12%以禾本科青贮（grass silage, GS）为基础，14%以玉米或高粱青贮（corn or sorghum silage, CS）为基础，7%为GS和CS混合日粮。

（二）关键实践组合对牛奶品质指标的影响
在34项品质指标中，CIT模型对9项指标实现了可接受的预测性能（测试集R2 ≥ 0.30），其中表现最佳的包括α-亚麻酸（alpha-linolenic acid, ALA）浓度（测试R2=0.64）、omega-6/omega-3脂肪酸比值（测试R2=0.70）和凝胶硬度（测试R2=0.62）。日粮中CS的存在与否是影响ALA浓度的首要因素，其次是主要粗饲料类型和精料比例。无CS且低精料（≤5.3%）日粮的牧场ALA浓度最高（0.38 g/L），而CS为主要粗饲料的牧场ALA浓度最低（0.12 g/L）。C16:0浓度主要由主要粗饲料类型决定：以放牧牧草为主要粗饲料的牧场C16:0浓度最低（9.7 g/L）。omega-6/omega-3比值受四个交互实践影响：主要粗饲料类型、精料比例、CS存在与否和牛群初产牛比例，以CS为基础日粮的牧场该比值最高（4.79）。蛋白质含量受优势品种、牛群平均泌乳阶段和主要粗饲料类型三个交互实践影响：MB品种、平均泌乳阶段>143天且GS或GS/CS混合日粮的牧场蛋白含量最高（35.7 g/L）。维生素B2浓度受优势品种和精料比例影响：MB或其他品种且低精料（≤22%）的牧场B2浓度最高（2.5 mg/L）。凝胶硬度和凝乳时间均仅受优势品种影响：MB品种的凝胶硬度更高（19.9 FI）且凝乳时间更短（40.1分钟）。b颜色指数受精料比例和主要粗饲料类型影响：精料≤11%的牧场b值最高（8.1），而CS、GS/CS混合或干草为基础日粮的牧场b值最低（6.6）。

四、讨论与结论

本研究表明，饲喂管理是牛奶品质指标变异的主要驱动因素：主要粗饲料类型或日粮中CS的存在与否影响了6项指标，其中4项中为首要影响因素；精料比例影响4项指标，其中1项中排名第一。品种同样发挥重要作用：优势品种影响4项指标，且凡出现时均为最具影响力的因素。与先前受控试验结果一致，以新鲜牧草为基础的日粮可提升牛奶不饱和脂肪酸比例和b颜色指数，而CS基日粮则提高蛋白含量但降低脂肪酸营养品质。泌乳阶段和胎次的影响相对较弱，可能因为分析在牛群水平而非个体水平进行。饲养条件和挤奶实践未显示出显著影响。基于回归树的比较分析揭示了实践间的协同效应：MB品种在蛋白含量、凝乳时间和凝胶硬度方面均产生有利影响；放牧牧草作为主要粗饲料对C16:0、ALA、omega-6/omega-3和C18:1cis9/C16:0比值及b颜色指数均产生有利影响。但同时，放牧对蛋白含量存在拮抗效应（低于CS基日粮），而提高精料比例会同时降低b颜色指数、维生素B2和ALA浓度并升高omega-6/omega-3比值，对多项指标产生不利影响。部分卫生和微生物指标预测性能较差，需在后续调查中针对特定指标收集更精确的实践信息。研究结论指出：由于实践间存在拮抗效应，难以找到能同时改善所有品质指标的实践组合，需根据牧场主目标和目标乳制品类型进行权衡取舍。回归树模型可通过更大规模数据库和针对各指标的专项调查进行优化。