Li Wang，Huangwei Shi，Qile Hu，Wenjun Gao，Lu Wang，Changhua Lai，Shuai Zhang
本研究旨在评估不同生长期育肥猪的净能量（NE）分配模式，并利用非线性回归（NLR）和人工神经网络（ANN）建立相应的预测模型。
将24头初始体重（BW）为30公斤左右的猪饲养在代谢笼中并自由采食，并轮流转移到六个呼吸室，直到约90公斤。基于间接测热法和氮平衡技术计算了净能分配模式，即维持净能（NEm）、沉积为蛋白质的NEp和沉积为脂肪的NE（NEl）。然后，将通过动物试验收集的能量平衡数据随机分成包含75%样本的训练数据集和包含其它25%样本的测试数据集。在训练数据集上建立非线性回归模型和一系列人工神经网络模型，预测猪的代谢能摄入、维持净能、蛋白沉积净能NEp和脂肪沉积净能NEl。在训练数据集中通过5倍交叉验证选择最佳拟合ANN模型。在测试数据集上比较了最佳拟合NLR和ANN模型的预测性能。结果表明，30-45 kg、45-60 kg、60-75 kg和75-90 kg猪的平均NE摄入量分别为17.71、23.25、24.56和28.96 MJ/d。随着体重从30 kg增加到90 kg，维持净能NEm和脂肪沉积净能NEl（MJ/d）不断增加，而蛋白沉积净能NEp增加到最大值，然后保持在4.64-4.88 MJ/d的一定范围内。30-90公斤生猪维持净能NEm的比例保持在42.0%-48.6%的范围内，而脂肪沉积净能NEl的比例不断增加。
对于基于动物试验构建的预测模型，ANN模型在所有目标输出方面都表现出比NLR模型更好的性能。综上所述，猪不同生长阶段净能分配模式发生变化，人工神经网络ANN模型在预测生长育肥猪净能分配模式方面比非线性回归NLR模型更灵活、更强大。
2023. J. Anim. Sci. 101(1): skac405
DOI：https://doi.org/10.1093/jas/skac405
报名热线