使用牛奶中红外光谱和牛奶脂肪酸预测奥地利奶牛CH4排放：一种嵌套交叉验证方法

《Journal of Dairy Science》：Prediction of methane emissions in Austrian dairy cows using milk mid-infrared spectra and milk fatty acids: A nested cross-validation approach

　　

牛奶中红外（MIR）光谱提供了一种快速且成本效益高的牛奶成分定量方法，并已显示出预测奶牛生理和环境性状（包括甲烷（CH₄）排放）的潜力。然而，基于牛奶MIR的CH₄预测仍是一个黑箱，因为将牛奶MIR光谱与CH₄排放联系起来的生物学机制尚不清楚。本研究旨在基于牛奶MIR光谱和牛奶脂肪酸（MFA），预测使用GreenFeed系统测得的奶牛CH₄排放。通过比较基于牛奶MIR的模型与使用MFA作为预测因子的模型，研究人员旨在厘清与CH₄排放相关的潜在生物学信号。研究数据来自奥地利16个商业牧场。所有牧场的饲养系统相似，以草和玉米青贮为基础，补充不同数量的精料，且不进行放牧。数据包括来自604头奶牛的807条记录。研究人员开发了6个偏最小二乘回归模型，通过不同组合的预测变量（包括牛奶MIR光谱、MFA、主要牛奶成分、产奶量、泌乳天数和胎次）来预测CH₄排放。采用嵌套交叉验证框架，包含2种策略：5折独立于奶牛和留一场交叉验证。平均CH₄排放为436 g/d。在整个泌乳期，CH₄与内源合成MFA（de novo MFA）之间观察到正相关，而预先形成的MFA（preformed MFA）呈负相关，尤其是在泌乳早期。这些关联反映了与能量状态相关的信号。在5折独立于奶牛的交叉验证中，基于牛奶MIR光谱的模型显示出中等预测精度（r = 0.52，R² = 0.27，RMSE = 60 g/d），而基于牛奶MFA的模型表现较低（r = 0.42，R² = 0.18，RMSE = 63 g/d）。然而，将MFA与乳脂率、乳蛋白率和乳糖率结合可略微提高精度（r = 0.44，R² = 0.20，RMSE = 62 g/d）。进一步考虑产奶量、泌乳天数和胎次提高了基于MIR的模型（r = 0.62，R² = 0.39，RMSE = 55 g/d）和基于MFA的模型（r = 0.60，R² = 0.36，RMSE = 56 g/d）的精度。仅包含产奶量、泌乳天数和胎次的模型预测性能较低（r = 0.49，R² = 0.24，RMSE = 60 g/d），表明MIR光谱和MFA与乳脂率、乳蛋白率和乳糖率一起提供了额外信息。留一场交叉验证导致预测精度略低（基于MIR模型：r = 0.43，R² = 0.22，RMSE = 63 g/d；基于MFA模型：r = 0.41，R² = 0.21，RMSE = 66 g/d）。使用所有预测性状的模型表现最佳（基于MIR模型：r = 0.56，R² = 0.33，RMSE = 58 g/d；基于MFA模型：r = 0.58，R² = 0.35，RMSE = 57 g/d）。基于MIR和基于MFA模型（包含所有预测因子）的预测之间相关性很高（r = 0.86），表明2种建模方法之间具有高度一致性。本研究是在商业牧场条件下对基于牛奶MIR的CH₄预测模型进行的首批大规模评估之一。牛奶MIR光谱和MFA仅解释了CH₄排放中的部分变异性，主要反映了与能量状态相关的代谢信号。CH₄排放与MFA之间的相关性表明，这些模型将偏向于泌乳早期处于负能量平衡以及在整泌乳期持续较低de novo MFA合成的奶牛。需要进一步研究以更深入地了解使用牛奶中红外光谱进行遗传选择以减少CH₄排放的潜力。
解释性摘要：本研究调查了使用牛奶中红外光谱和牛奶脂肪酸预测甲烷排放的潜力。使用基于牛奶中红外光谱和脂肪酸的模型均以中等精度预测甲烷，当加入产奶量、泌乳天数和胎次后预测性能有所提高。甲烷与牛奶脂肪酸之间的相关性表明，这些模型将偏向于泌乳早期出现负能量平衡且整个泌乳期de novo脂肪酸合成较低的奶牛。需要进一步研究以更深入地了解使用牛奶中红外光谱进行遗传选择以减少甲烷排放的潜力。

论文解读

奶牛肠道发酵产生的甲烷（CH₄）既是温室气体来源，也代表饲料能量的损失。直接测定CH₄排放通常需要呼吸舱、GreenFeed系统或示踪气体等技术，成本高、耗时长，难以在群体规模上实施。牛奶中红外（MIR）光谱已被证明可快速、廉价地预测多种牛奶成分和生理性状，但基于MIR预测CH₄的生物学基础尚不清晰，现有模型在不同研究间精度差异较大，且大多基于实验性小群体，商业牧场条件下的大规模验证仍然缺乏。奥地利有两种重要乳用品种（Fleckvieh和Brown Swiss），其群体规模较小，直接收集足够多的CH₄表型用于遗传评估并不现实；而自2014年以来，奥地利所有参加产奶记录的牛群均已常规采集牛奶MIR光谱。因此，评估MIR和牛奶脂肪酸（MFA）预测CH₄的能力，并解析其背后的生物学信号，对于将该技术应用于遗传选择以减少CH₄排放具有重要意义。

研究人员利用来自16个奥地利商业牧场的604头奶牛的807条记录，所有牧场均采用舍饲，饲喂草和玉米青贮，补充精料，不使用放牧。CH₄通过GreenFeed系统测定，牛奶MIR光谱、主要乳成分和产奶量按周记录。研究比较了基于MIR光谱与基于MFA的6个偏最小二乘回归模型，并采用两种嵌套交叉验证策略评估模型性能。结果表明，MIR和MFA均能中等精度预测CH₄排放；加入产奶量、泌乳天数和胎次后性能显著提升；两种建模路径的预测高度一致，且CH₄与MFA的相关性提示模型主要捕捉与能量状态相关的代谢信号。该研究发表于《Journal of Dairy Science》，是商业牧场条件下基于MIR预测CH₄的首批大规模评估之一，为后续遗传选择提供了参考，但也提示需谨慎对待间接选择的潜在副作用。

在技术方法上，研究数据来源于16个奥地利商业农场，涵盖Fleckvieh和Brown Swiss奶牛，CH₄由GreenFeed系统测定，牛奶样本经FOSS中红外光谱仪分析。MIR光谱先经欧洲乳品记录（EMR）标准化、基线校正和一阶导数预处理，并剔除异常光谱；MFA由MIR谱结合EMR校准方程预测，选取14种预测精度较高（R² ≥ 0.69）的MFA。以PLS回归为基础，将各预测变量（MIR、MFA、乳成分、产奶量）用二阶勒让德多项式（Legendre多项式）表示为泌乳天数（DIM）的函数，构建6种模型。模型评估采用嵌套交叉验证，内环选择潜变量数目，外环分别为5折独立于奶牛和留一场交叉验证；此外还计算变量投影重要性（VIP）评分和模型间预测相关性。

在“农场特征”部分，各农场平均CH₄排放为436 g/d，范围为352～512 g/d；平均产奶量32.7 kg/d，乳脂率4.17%，乳蛋白率3.60%，乳糖率4.88%；MFA谱和脂蛋比提示农场整体代谢健康和饲养管理水平较高。在“泌乳阶段”部分，CH₄在泌乳前30 d最低，之后上升并保持平稳；产奶量在第二个月达到峰值后逐渐下降；de novo和混合MFA随泌乳进展升高，preformed MFA则下降，反映了体脂动员和能量平衡的变化。在“胎次”部分，CH₄排放随胎次从1到4增加，第5胎以上下降；初产牛和较高胎次牛的de novo和混合MFA较低、preformed MFA较高，说明这些牛动用更多体脂储备。在“CH₄排放与产奶量和乳成分的相关性”部分，产奶量与CH₄总体呈正相关（r = 0.26），早期泌乳更强；乳糖率与CH₄负相关（r = -0.24），因为丙酸合成消耗氢并与产甲烷竞争；de novo MFA与CH₄多为正相关，尤以C6:0至C14:0明显，而preformed MFA（如C18:1 cis-9、C18:1 cis-11）与CH₄负相关，尤其在泌乳早期。在“5折独立于奶牛交叉验证”部分，仅用MIR谱的模型验证相关系数r = 0.52、决定系数R² = 0.27、均方根误差RMSE = 60 g/d；仅用MFA的模型r = 0.42、R² = 0.18；加入乳脂率、乳蛋白率和乳糖率后MFA模型略有提升；再纳入产奶量、DIM和胎次后，MIR模型达到r = 0.62、R² = 0.39，MFA模型达到r = 0.60、R² = 0.36，而仅用产奶量、DIM和胎次的模型r = 0.49、R² = 0.24，说明MIR和MFA提供了额外信息。在“留一场交叉验证”部分，整体精度略降，MIR模型r = 0.43、R² = 0.22，MFA模型r = 0.41、R² = 0.21；包含全部预测因子的模型表现最优（MIR：r = 0.56、R² = 0.33；MFA：r = 0.58、R² = 0.35），但各农场间差异明显，提示模型推广仍需注意群体异质性。在“变量重要性”部分，VIP得分显示产奶量和波数2919.69 cm^-1、2850.27 cm^-1（与乳脂C-H振动相关）以及1114.65 cm^-1（与乳糖相关）是MIR模型中的重要预测因子；MFA模型中产奶量和多种de novo MFA重要性较高，说明两种模型捕捉的信号高度重叠。在“模型一致性”部分，MIR模型与MFA模型的预测相关性为r = 0.66；加入乳成分后升至0.71；再加入产奶量、DIM和胎次后达到0.86，表明两种建模路径高度一致。在“能量状态作为MIR谱中的关键信号”部分，作者结合文献指出，MIR预测CH₄的能力主要来源于与饲料摄入和体脂动员相关的能量状态信号；泌乳早期CH₄与C18:1 cis-9负相关，而整个泌乳期de novo MFA与CH₄正相关。因此，若基于MIR谱选择低CH₄排放，可能间接选择de novo MFA合成较低的奶牛，但由于高水平de novo MFA通常与更好的繁殖性能、乳腺健康和生产性能相关，这种间接选择可能带来负面效应，需要进一步评估。在“未来模型开发”部分，当前模型仅解释了CH₄变异的33%～39%，未来应纳入饲料组成、体重、反刍时间、瘤胃微生物组等个体和农场水平信息