CN113588593A - 用于调节动物饲料的系统和方法 - Google Patents

用于调节动物饲料的系统和方法 Download PDF

Info

Publication number
CN113588593A
CN113588593A CN202110776422.8A CN202110776422A CN113588593A CN 113588593 A CN113588593 A CN 113588593A CN 202110776422 A CN202110776422 A CN 202110776422A CN 113588593 A CN113588593 A CN 113588593A
Authority
CN
China
Prior art keywords
animal feed
feed
digested
sample
component
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110776422.8A
Other languages
English (en)
Inventor
K·麦克金尼
A·洛弗尔
B·亨利
P·贝克
R·A·蒂蒙斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alltech Corp
Original Assignee
Alltech Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alltech Corp filed Critical Alltech Corp
Publication of CN113588593A publication Critical patent/CN113588593A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23K—FODDER
    • A23K40/00—Shaping or working-up of animal feeding-stuffs
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23K—FODDER
    • A23K10/00—Animal feeding-stuffs
    • A23K10/10—Animal feeding-stuffs obtained by microbiological or biochemical processes
    • A23K10/14—Pretreatment of feeding-stuffs with enzymes
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23K—FODDER
    • A23K50/00—Feeding-stuffs specially adapted for particular animals
    • A23K50/30—Feeding-stuffs specially adapted for particular animals for swines
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23K—FODDER
    • A23K50/00—Feeding-stuffs specially adapted for particular animals
    • A23K50/70—Feeding-stuffs specially adapted for particular animals for birds
    • A23K50/75—Feeding-stuffs specially adapted for particular animals for birds for poultry

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Polymers & Plastics (AREA)
  • Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Zoology (AREA)
  • Animal Husbandry (AREA)
  • Birds (AREA)
  • Microbiology (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Biotechnology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Fodder In General (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)

Abstract

本申请涉及一种用于调节动物饲料的系统和方法。本申请提供了用于分析动物饲料和用于调节动物饲料以改善动物饲料组分的可消化性的系统和方法。动物饲料的可消化性可以通过进行饲料的体外消化并通过NIR光谱法分析经消化的饲料中的残留组分的浓度来测定。可以调节动物饲料组成以改善饲料中的组分的可消化性。本申请的系统和方法可以用于确定添加剂对饲料的可消化性的作用。

Description

用于调节动物饲料的系统和方法
本申请是申请号为“201480069305.6”，发明名称为“用于调节动物饲料的系统和方法”的发明专利申请的分案申请。
相关申请的交叉参考
本申请在2014年2月11日作为PCT国际专利申请提交，且要求在2013年12月17日提交的美国专利申请序号14/109,907的优先权，其公开内容通过引用以其整体结合到文中。
领域
本发明涉及用于调节动物饲料的系统和方法。具体而言，本申请涉及用于针对营养素的可消化性分析动物饲料的体外系统和方法。
背景
通过饲料在动物胃肠道中的消化，动物可利用动物饲料中的营养素。经消化的营养素被动物吸收并用于能量、生长和发育。大部分未被消化的营养素经过动物的肠道降低了饲料的营养价值。动物饲料的可消化性可以通过使用体外或体内消化模型并通过湿化学分析方法分析经消化的饲料中的剩余营养素来评估。现有方法的缺点为它们对具体饲料具有特定性、昂贵和耗时。因此，提供广泛适用的、较不昂贵和耗时较少的方式来分析动物饲料的可消化性是有利的。
概述
本申请涉及用于分析动物饲料和用于调节动物饲料以改善动物饲料组分的可消化性的系统和方法。具体而言，本申请涉及动物饲料的样品的体外消化和经消化的饲料的样品的NIR分析（如文中所限定）以测定动物饲料组分的可消化性。在本申请的实施方案中，使用设计成类似于动物体内消化的体外程序消化动物饲料的样品。使用NIR光谱法扫描经消化的动物饲料的样品以产生光谱数据，使所述光谱数据与计算机模型比较以提供经消化的动物饲料的样品中的至少一种残留组分的预测浓度。预测至少一种残留组分的浓度允许测定动物饲料组合物中的那种组分的可消化性。例如，蛋白质为动物饲料组合物的组分，且在消化之后，测定残留量的蛋白质并提供动物饲料的样品中的蛋白质的可消化性的量度。可以选择和/或调节动物饲料组成以改善组分例如蛋白质、磷、碳水化合物、脂肪、总能量或纤维的可消化性。调节动物饲料组成包括加入一种或多种后添加剂。可以试验各种后添加剂以测定这种后添加剂是否改善动物饲料组分的可消化性。
本申请包括分析饲料的方法，所述方法包括使用至少一种酶体外消化动物饲料的样品以产生包含至少一种残留组分的经消化的动物饲料；使用NIR光谱法扫描所述经消化的动物饲料以产生光谱数据；和使所述光谱数据与所述残留组分的计算机模型比较以产生所述经消化的动物饲料的至少一种残留组分的预测浓度。文中所述的方法为使用NIR计算机模型来预测经体外消化的动物饲料样品的残留组分的类型和量的方法。在实施方案中，这类方法对选择饲料组成和/或调节饲料组成以改善饲料组分的可消化性有用。
在本申请的实施方案中，消化动物饲料的样品包括使用胃蛋白酶或胰酶或两者。在其他实施方案中，消化动物饲料的样品还包括将所述经消化的样品分离成固体组分和液体组分，且扫描所述经消化的动物饲料包括扫描所述固体组分。在另外的其他实施方案中，所述至少一种残留组分选自蛋白质、磷、脂肪、总能量、碳水化合物和纤维。在其他实施方案中，所述动物饲料的样品包含预添加剂。在实施方案中，所述预添加剂包含至少一种酶。
在本申请的实施方案中，使用计算机实施的方法比较所述光谱数据，所述计算机实施的方法包括接受来自经消化的样品的光谱数据且使所述光谱数据与残留组分的计算机模型比较以获得所述至少一种残留组分的预测浓度。
在本申请的实施方案中，权利要求1的方法还包括：基于经消化的动物饲料的样品的至少一种残留组分的预测浓度调节所述动物饲料组成以获得动物的预定营养特性(profile)。在其他实施方案中，调节所述动物饲料组成以获得动物的预定营养特性包括加入至少一种后添加剂。在实施方案中，所述后添加剂包含酶。
本申请还包括调节动物饲料组成，其包括以下步骤：鉴别动物饲料组合物中的饲料组分的预定营养特性；通过以下方法预测动物饲料组合物中的饲料组分的残留组分的浓度，所述方法包括：使用至少一种酶体外消化所述动物饲料的样品以产生包含至少一种残留组分的经消化的动物饲料；使用NIR光谱法扫描所述经消化的动物饲料以产生光谱数据；使所述光谱数据与所述至少一种残留组分的计算机模型比较以产生所述残留组分的预测浓度；和基于所述至少一种残留组分的预测浓度调节所述动物饲料组成以获得所述饲料组分的预定营养特性。在本申请的实施方案中，所述饲料组分选自蛋白质、磷、脂肪、总能量、碳水化合物、纤维及其组合。在其他实施方案中，所述至少一种残留组分选自蛋白质、磷、脂肪、总能量、碳水化合物和纤维。
在本申请的实施方案中，消化动物饲料的样品包括使用胃蛋白酶或胰酶或两者。在其他实施方案中，消化动物饲料的样品还包括将所述经消化的样品分离成固体组分和液体组分，且扫描所述经消化的动物饲料包括扫描所述固体组分。在其他实施方案中，所述动物饲料的样品包含预添加剂。在实施方案中，所述预添加剂包含至少一种酶。
在本申请的实施方案中，使用计算机实施的方法比较所述光谱数据，所述计算机实施的方法包括接受来自经消化的样品的光谱数据且使所述光谱数据与所述残留组分的计算机模型比较以获得所述至少一种残留组分的预测浓度。
在本申请的实施方案中，调节所述动物饲料组成包括将后添加剂加到饲料。在实施方案中，所述后添加剂包含至少一种酶。在实施方案中，所述后添加剂调节经消化的饲料中的残留组分的量。
本申请还包括开发用于分析饲料的计算机模型的方法，所述方法包括以下步骤：使用至少一种酶体外消化动物饲料的多个样品以产生多个经消化的动物饲料样品，其中多个经消化的动物饲料样品中的每一个包含至少一种残留组分；使用NIR光谱法扫描多个经消化的动物饲料样品中的每一个以产生多个经消化的动物饲料样品中的每一个的光谱数据；使用湿化学方法测定多个经消化的动物饲料样品中的每一个中的至少一种残留组分的浓度；和通过在多个经消化的动物饲料样品中的每一个的至少一种残留组分的浓度与多个经消化的动物饲料样品的相应样品的光谱数据之间建立预测关系来产生计算机模型。
在本申请的一些实施方案中，扫描多个经消化的饲料样品中的每一个的步骤还包括数学上处理多个经消化的动物饲料样品中的每一个的光谱数据的步骤。在其他实施方案中，产生计算机模型包括计算机实施的方法，所述计算机实施的方法包括以下步骤：接受多个经消化的动物饲料样品中的每一个的光谱数据；使多个经消化的动物饲料样品中的每一个的光谱数据与多个经消化的动物饲料样品的相应样品中的至少一种残留组分的浓度相关；和基于多个经消化的动物饲料样品的至少一种残留组分的光谱数据和浓度建立预测关系来产生计算机模型。
在本申请的实施方案中，消化动物饲料的多个样品包括使用胃蛋白酶或胰酶或两者。在其他实施方案中，消化动物饲料的样品还包括将所述经消化的样品分离成固体组分和液体组分，且扫描所述经消化的动物饲料包括扫描所述固体组分。在另外的其他实施方案中，所述至少一种残留组分选自蛋白质、磷、脂肪、总能量、碳水化合物和纤维。
在本申请的实施方案中，所述湿化学方法包括针对所述至少一种残留组分的浓度分析多个经消化的饲料样品的各个样品，所述至少一种残留组分选自蛋白质、磷、脂肪、总能量、碳水化合物和纤维。在其他实施方案中，所述湿化学方法包括将所述固体组分与液体混合以形成混合物；和针对所述至少一种残留组分的浓度分析所述混合物的组成，所述至少一种残留组分选自多个经消化的动物饲料样品中的每一个中的蛋白质、磷、脂肪、总能量、碳水化合物和纤维。
附图简述
图1显示本申请的方法的实施方案的示意图。
图2显示根据本申请的一个实施方案加工的家禽饲料样品的例示性NIR光谱数据。
图3显示根据本申请的一个实施方案加工的家禽饲料中的蛋白质的NIR模型。
图4显示根据本申请的一个实施方案加工的家禽饲料中的磷的NIR模型。
图5显示根据本申请的一个实施方案加工的家禽饲料中的总能量的NIR模型。
图6显示根据本申请的一个实施方案加工的猪饲料样品的例示性NIR光谱数据。
图7显示根据本申请的一个实施方案加工的猪饲料中的蛋白质的NIR模型。
图8显示根据本申请的一个实施方案加工的猪饲料中的总能量的NIR模型。
详述
定义
冠词“一个”和“一种”在文中用于指一个或超过一个(即至少一个)的冠词语法对象。例如，“一个要素”是指一个要素或超过一个要素。
如本申请中所用的术语“添加剂”是指加到另一种物质的物质。例如，可以将添加剂加到动物饲料以改善一种或多种饲料组分的可消化性。添加剂包含酶、酶的混合物、蛋白质、维生素、矿物质、谷物、麦芽糊精、补充剂及其组合。“预添加剂”为作为动物饲料样品的组分存在且在分析时或刚好在分析之前不加到饲料样品的物质。预添加剂通常已经存在于本领域中所用的动物饲料中且包括，但不限于，酶或酶的混合物。“后添加剂”为在分析时或刚好在分析之前加到动物饲料组合物的样品的物质。通常将后添加剂加到饲料样品以确定后添加剂是否改变饲料组分的可消化性且包括，但不限于，酶或酶的混合物。
如本申请中所用的术语“分析物”是指化学成分，待使用分析程序测定其性质(例如浓度)。
如本申请中所用的术语“动物”是指作为食物来源饲养或使用的非人动物。例如，动物包括，但不限于，驯化家畜例如牛、山羊、绵羊、马、家禽、水牛、羊驼、驼鸟、驴、骡、兔子、鸡、鹅、火鸡或猪。
如本申请中所用的术语“计算机模型”是指基于例如通过NIR获得的光谱数据预测混合物(例如饲料)的组分的浓度的模型。在本申请的实施方案中，来自多个样品的各个样品的光谱数据与如通过用于各个样品的分析湿化学化学方法测定的残留组分的浓度有关。所述模型可以用于通过未知样品的光谱与模型比较提供未知样品的成分的量(例如浓度)的估算。
如本申请中所用的术语“消化的”、“经消化的”和“消化”是指通过使其组分粉碎（breaking down）或分解来改变材料。在一些实施方案中，消化为例如使用热、化学品和/或酶来粉碎材料的组分的体外过程。
如本申请中所用的术语“饲料”或“动物饲料”是指由动物消耗且向动物的饮食贡献能量和/或营养素的材料。动物饲料通常包括许多不同组分，其可以以例如浓缩物、预混物副产物或颗粒的形式存在。饲料和饲料组分的实例包括，但不限于，混合的总份食(TotalMixed Ration，TMR)、玉米、大豆、草料、谷物、酒糟、发芽谷、豆荚（legumes）、维生素、氨基酸、矿物质、糖蜜、纤维、粗饲料（fodder）、草、干草、稻草、青贮、核、叶、粗粉、可溶物和补充剂。动物饲料的组分的一些组分或成分可通过近红外光谱法(NIR)检测。动物饲料的其他组分不可检测或可以通过NIR较差地检测，原因是浓度低、存在于掩蔽组分的复合物中，或原因是组分的物理性质或化学性质无法使它们本身可以进行NIR检测。
如本申请中所用的术语“体内”是指在存活的生物有机体内进行的处理。
如本申请中所用的术语“体外”是指在存活的有机体外面的人工环境中进行的处理，且指通常将在有机体内进行但使其在人工环境中进行的生物处理或反应。体外环境可以包括，但不限于，试管和细胞培养。
如本申请中所用的术语“营养素”是指有机体存活和/或生长所需要的物质。营养素包括，但不限于，化合物，例如蛋白质、脂肪、碳水化合物(例如糖)、纤维、维生素、钙、铁、烟酸、氮、氧、碳、磷、钾、氯化钠及其混合物。
如本申请中所用的术语“NIR光谱法”或“NIR”是指使用具有800-2500nm范围的波长的近红外辐射扫描和测量样品的吸光度以形成吸光度光谱。NIR用于通过由谐波和组合振动引起的化学键测量吸光度且作为间接定量的分析方法最有用。NIR光谱法用于通过使扫描样品所获得的光谱与校准值(例如计算机模型)比较预测物质的化学成分的量或类型。光谱还可以例如通过傅立叶转换数学上处理。NIR光谱仪可以构造成以反射率或透光率模式操作。NIR设备的具体实例包括Bruker MPA FT-NIR(可得自Bruker Optics，Inc.，Billerica，MA)，和Antaris™ FT-NIR分析仪(可得自Thermo Scientific，Waltham，MA)。
如本申请中所用的“预定营养特性”是指动物饲料中的一种饲料组分或多种饲料组分的期望的量，可消化性是该期望的量的相关性质。营养学家或农民可以在具体的饲料中设定需要量的组分。例如，可能需要调节动物饲料中的蛋白质或添加剂的量以考虑如使用文中所述的方法测定的动物饲料中的蛋白质的可消化性。具有较少可消化形式的蛋白质的动物饲料可能需要增加动物饲料中的蛋白质和/或加入提高该动物饲料中的蛋白质的可消化性的后添加剂以达到需要的量。
如本申请中所用的“预测浓度”是指在经消化的饲料样品中使用NIR光谱法和计算机模型检测的营养素或残留组分的量。在本申请的实施方案中，使用NIR光谱法扫描经消化的动物饲料以产生光谱数据；和使所述光谱数据与所述至少一种残留组分的计算机模型比较以产生所述经消化的动物饲料的至少一种残留组分的预测浓度。预测浓度为样品中的至少一种残留组分的实际浓度的估计值。
如本申请中所用的术语“残留组分”是指在一种或多种组分从混合物中除去和/或在混合物中改变之后在混合物中剩余的组分。在本申请的实施方案中，残留组分为单种组分，其包括，但不限于，蛋白质、磷、脂肪、碳水化合物和纤维。在其他实施方案中，残留组分为经消化的样品的特性，包括但不限于水分含量、总能量和灰分含量。
如本申请中所用的术语“动物饲料的样品”是指动物饲料的代表部分。在本申请的实施方案中，动物饲料的代表部分以类似于动物饲料的组分的比例包含相同组分。代表样品优选为均质或基本上均质的。
如本申请中所用的术语“光谱数据”是指当辐射与材料相互作用时获得的数据。例如，光谱数据在近红外波长的辐射与材料相互作用时获得且被材料中的化学键的振动吸收。可以通过测量在给定波长下从材料反射回来或传送通过材料的辐射量测量吸光度的强度。吸光度的强度在给定波长下对材料中的化学键的量和类型响应。
详述
本申请涉及用于分析动物饲料的系统和方法。具体而言，本申请涉及用于分析动物饲料中的饲料组分的可消化性的系统和方法。另外，本申请的系统和方法用于确定预添加剂和/或后添加剂对饲料组分的可消化性的作用。
针对饲料组分的可消化性分析动物饲料的方法涉及高成本且耗时、常常需要多件实验设备且对不同组分进行多次测定的程序(例如消化方法和湿化学方法)。使用湿化学方法单一分析涉及将样品分成不同部分以分析残留组分，例如蛋白质、糖、磷、总能量和脂肪。该分析破坏样品。
相反，本申请中所提供的系统和方法提供了使用单个样品预测多种组分的浓度，其是快速的，降低分析的时间和成本，且允许调节饲料组成以改善动物饲料组合物中的饲料组分的可消化性。
用于开发计算机模型的系统和方法
本申请包括开发用于分析饲料的计算机模型的方法，所述方法包括以下步骤：使用至少一种酶体外消化动物饲料的多个样品以产生多个经消化的动物饲料样品，其中多个经消化的动物饲料样品中的每一个包含至少一种残留组分；使用NIR光谱法扫描多个经消化的动物饲料样品中的每一个以产生多个经消化的动物饲料样品中的每一个的光谱数据；使用湿化学方法测定多个经消化的动物饲料样品中的每一个中的至少一种残留组分的浓度；和通过在多个经消化的动物饲料样品中的每一个的至少一种残留组分的浓度与多个经消化的动物饲料样品的相应样品的光谱数据之间建立预测关系来产生计算机模型。
体外消化测定
为了开发计算机模型，产生并分析多个经消化的饲料样品。使用至少一种酶体外消化动物饲料样品。
动物饲料样品的组分随饲料样品的来源而变。例如，位于不同地理区域和/或具有不同的动物品种的农场可能具有不同组分的饲料。另外，营养学家或农民可以在具体的饲料中设定需要量的组分或基于需要量的组分选择具体的饲料。饲料和饲料组分的实例包括，但不限于，混合的总份食(TMR)、玉米、大豆、草料、谷物、酒糟、发芽谷、豆荚、维生素、氨基酸、矿物质、糖蜜、纤维、粗饲料、草、干草、稻草、青贮、核、叶、粗粉、可溶物和补充剂。
在本申请的实施方案中，消化具体动物例如家禽或猪的多个不同动物饲料样品。所述多个样品具有充分数目的样品以提供具有至少50、60、70、80、90或100或50-100之间的任何数字的确定系数(R2)值的计算机模型。在本申请的实施方案中，多个样品包括至少25、35、50或100或更多个样品。在具体的实施方案中，多个样品包括至少50个独特的样品。
在本申请的实施方案中，用至少一种酶体外消化各个样品。在本申请的实施方案中，酶和消化条件选择为类似于该类型的动物的体内消化。在实施方案中，所述动物为单胃动物。在实施方案中，所述动物为猪或家禽。例如，胃消化中所涉及的一种酶为胃蛋白酶，而肠消化中所涉及的酶为胰酶。这些酶中的一种或两者用于体外消化测定。
在本申请的实施方案中，胃蛋白酶在小于7、6、5、4、3、2或其间的任何数字的酸性pH 下使用。在一些实施方案中，用胃蛋白酶的消化进行一段时间，所述时间对应于在动物的胃中体内消化的时间，例如，对于猪至少1-6小时。例如，对于家禽约30分钟-2小时。可以取决于动物的类型调节pH 、温度和时间的条件。
在本申请的实施方案中，用胰酶消化样品。当用胰酶消化样品时，消化在至少6.0的pH 下进行。在一些实施方案中，用胰酶的消化进行一段时间，所述时间对应于在动物的肠中体内消化的时间，例如，对于猪为至少18小时-48小时。例如，对于家禽约30分钟-2小时。可以取决于动物的类型调节pH 、温度和时间的条件。
在一些实施方案中，用胃蛋白酶消化动物饲料的样品，随后在类似于动物物种中的样品的体内消化的条件下用胰酶消化。动物包括作为食物来源喂养或使用的动物，包括但不限于牛、山羊、绵羊、马、家禽、水牛、羊驼、驼鸟、驴、骡、兔子、鸡、鹅、火鸡或猪。
在本申请的一些实施方案中，或多或少的步骤可以存在于体外消化测定中，这取决于动物的体内消化过程。例如，对于猪，体外消化测定包括，但不限于，胃阶段和肠阶段。例如，对于家禽，体外消化测定包括，但不限于，嗉囊阶段、砂囊阶段和小肠阶段。在胃或砂囊阶段中，消化在酸性pH 下进行且包括酶，例如胃蛋白酶。在肠阶段中，消化在中性至稍微酸性pH 下进行且包括酶，例如胰酶。可以使用其他消化酶。在任一个阶段或阶段的任何组合中使用一种或多种消化酶。
经消化的动物饲料样品包含至少一种残留组分。残留组分为在饲料样品中的饲料组分消化之后可能剩余的组分。例如，饲料样品中的饲料组分为蛋白质，但并不是所有的蛋白质可以在体内或体外测定中消化，从而在消化之后剩下残留的蛋白质组分。其他残留组分包括磷、脂肪、总能量、碳水化合物或纤维。
在本申请的实施方案中，消化多个样品的方法包括将各个样品分离成液体组分和固体组分。通常使用离心或过滤进行这种分离。
通过NIR光谱法和湿化学方法分析多个经消化的样品中的每一个。
NIR光谱法
使用NIR光谱法扫描动物饲料的多个经消化的样品中的每一个以产生光谱数据。近红外光谱法(NIR，还称为NIRS)为用于产生样品的至少一种残留组分的预测浓度(例如分析物的浓度)的光谱技术。NIR依靠800-2500nm范围的波长，且对测量分子中的谐波和组合振动最有用。因为NIR测量通常几乎不或不需要样品制备，因此大多数样品可以在不进行预处理、处理或破坏的情况下测量。
典型的NIR仪器常常横过所选择的波长范围多次扫描样品且平均扫描以产生光谱。NIR仪器可以构造成测量透明样品的透光率或不透明样品的反射率。因为在分子的谐波和组合带中存在相当大的重叠，因此NIR技术通常依靠多元校准技术。NIR计算机模型可以包括用于多种分析物的模型(例如校准)且可以包括几十、几百或甚至几千个样品。
在本申请的实施方案中，处理光谱数据，以对产生模型有用的形式安置该数据。在本申请的实施方案中，数学上处理光谱数据以使噪声降到最小，提取主要组分和/或减去背景。
在本申请的实施方案中，将经消化的样品分离成液体和固体组分并扫描固体组分。所述固体组分包含至少一种残留组分。NIR扫描可以识别超过一种混合物组分以及提供混合物中各种组分的预测浓度。NIR扫描产生用于开发用于各种残留组分的计算机模型的光谱数据。
化学分析
还使用初级分析方法（即湿化学方法）分析在NIR上扫描的样品。湿化学方法包括用于组分例如蛋白质、磷、脂肪、总能量、碳水化合物或纤维的分析的初级参考方法。这种测定对本领域技术人员是已知的。对于蛋白质，分析的方法包括通过紫外可见光谱法测定氮和分析。对于磷，分析的方法包括通过电感耦合等离子体系统测定磷。在弹式量热器中可以测定总能量。
分析化学方法可以在液体或干燥的样品上使用。在本申请的实施方案中，将经消化的样品分离成液体组分和固体组分。两种组分可以使用湿化学方法分析。例如，经释放的磷可以在液体组分中测定且残留的磷可以在固体组分中测定。在一些实施方案中，将固体组分与液体混合以便促进固体组分中的至少一种残留组分的湿化学分析。
湿化学分析提供经消化的样品中的每一个中的至少一种残留组分的浓度。在本申请的实施方案中，测量多种残留组分。
产生计算机模型
在本申请的实施方案中，一种方法包括通过在多个经消化的动物饲料样品中的每一个的至少一种残留组分的浓度与多个经消化的动物饲料样品中的每一个的相应样品的光谱数据之间建立预测关系来产生计算机模型。
各种样品的光谱经由计算机实施的方法使用数据的数学处理以产生校准而与湿化学结果相关。在本申请的实施方案中，计算机实施的方法包括以下步骤：接受多个经消化的动物饲料样品中的每一个的光谱数据；使多个经消化的动物饲料样品中的每一个的光谱数据与多个经消化的动物饲料样品中的每一个的相应样品中的至少一种残留组分的浓度相关；和基于光谱数据和多个经消化的动物饲料样品中的每一个中的至少一种残留组分的浓度建立预测关系来产生计算机模型。
在扫描经消化的样品后产生光谱数据。可以数学上处理光谱数据，以对产生模型有用的形式安置该数据。在本申请的实施方案中，数学上处理光谱数据以使噪声降到最小，提取主要组分，和/或减去背景。
来自各个样品的光谱数据随后与如通过湿化学方法测定的相应样品的至少一种残留组分的浓度相关。当将具体样品的至少一种残留组分的浓度输入到NIR光谱仪中时，出现光谱数据与至少一种残留组分的浓度的相关性。
多个样品中的每一个中的至少一种残留组分的浓度之间的关系用于使用一种或多种统计学方法产生模型，以在样品中的至少一种残留组分的浓度与针对该数据的光谱数据之间建立预测关系。统计学方法包括主要组分分析、线性回归分析或偏最小二乘法分析。任何数目的统计学方法可以用于构建用于该残留组分的计算机模型。
在本申请的实施方案中，NIR模型的特征在于反映计算机模型的预测能力的确定系数R2值。在本申请的实施方案中，计算机模型的R2值至少为50、60、70、80、90或100或50-100的任何数字。
计算机模型通常使用验证方法验证。在本申请的实施方案中，验证方法为计算机实施的方法，其中多个样品分成模型建立集和验证集。将样品分配到集通常随机进行。采用来自模型建立集的数据以建立如文中所述的模型。使用来自验证集的数据以测试模型的预测能力。相对于模型测试验证集的样品以产生所述至少一种残留组分的预测浓度。这种预测浓度随后与如通过湿化学测定的样品的实际浓度比较。这种比较允许确定R2值和/或标准误差。还可以采用其他类型的验证，例如留一(leave one out)验证方法。
一旦产生计算机模型，将其储存在NIR光谱仪内。在本申请的实施方案中，NIR光谱仪包括微处理器和具有实施计算机的指令的存储器，实施所述计算机以如文中所述的那样产生计算机模型或验证计算机模型。在本申请的实施方案中，存储器用于储存各种残留组分的计算机模型，和/或各个样品的光谱数据的数据库。计算机模型对提供具有未知浓度的至少一种残留组分的样品的至少一种残留组分的预测浓度有用。
根据本申请的实施方案，本申请的系统包括适用于进行饲料样品的体外消化和经消化的样品的NIR分析的系统和设备。根据其他实施方案，本申请的系统还包括适用于进行经消化的样品的湿化学分析的系统和设备。根据例示性实施方案，所述系统可以包括典型的实验室设备和玻璃器皿，例如烧瓶、烧杯、试管、标尺、移液管、保温箱、振荡器、搅拌器、水浴等。所述系统还可以包括分析仪，例如ICP、氮分析仪和弹式量热器。
根据实施方案，所述系统还包括装备有适用于操作NIR和适用于开发并使用计算机模型(例如校准)的计算机和软件的NIR分析仪。根据备选实施方案，所述计算机模型可以储存在远程计算机上，通过计算机经由通信基础设施例如互联网评估。在一个例示性实施方案中，NIR构造有用于扫描饲料样品的旋转样品杯组件。
可以作为硬件和软件的组合来实施本申请的方法和系统。软件可以作为明显体现在程序储存设备上的应用程序或在用户的计算环境(例如小应用程序)中和在检查者（reviewer）的计算环境上实施的软件的不同部分来实施，其中检查者可以位于远程位点(例如在服务提供者的设施)。
在实施方案中，计算机包括处理器单元。操作处理器单元以接受信息，其一般包括光谱数据(例如NIR光谱)和已知数据的数据库(例如，来自多个样品的实验测定的信息(例如湿化学结果))。所接受的这种信息和分析的数据可以至少临时储存在数据库中。
例如，在通过用户输入数据期间或之后，数据处理的部分可以在用户侧计算环境中进行。例如，可以对用户侧计算环境编制程序以提供限定的试验代码来表示平台、载体/诊断试验或两者；使用限定的标记处理数据和/或产生标记配置，其中响应作为处理的或部分处理的响应以试验代码和标记配置的形式传输到检查者的计算环境，随后执行一种或多种算法以在检查者的计算环境中提供结果和/或产生报告。
用于分析饲料样品的系统和方法
本申请包括使用动物饲料的至少一种残留组分的计算机模型的方法。这类方法对比较不同饲料组成和调节饲料组成以改善饲料组分的可消化性有用。在本申请的实施方案中，分析饲料的方法包括以下步骤：使用至少一种酶体外消化动物饲料的样品以产生包含至少一种残留组分的经消化的动物饲料；使用NIR光谱法扫描经消化的动物饲料以产生光谱数据；和使所述光谱数据与所述至少一种残留组分的计算机模型比较以产生经消化的动物饲料的至少一种残留组分的预测浓度。
如前所述，动物饲料的样品的组分可以不同且可以从不同来源获得。在本申请的实施方案中，动物饲料的样品包含预添加剂。预添加剂包括酶。使用具有至少一种如文中所述的酶的体外消化消化饲料样品。用于这种方法的样品在消化之后具有至少一种未知量的残留组分。
分析样品，例如，以识别经消化的样品中的至少一种残留组分的浓度。残留组分包括，但不限于，蛋白质、磷、脂肪、总能量、碳水化合物和纤维。残留组分的分析对测定饲料样品的可消化性有用。使用NIR光谱法扫描经消化的样品且将光谱储存在NIR光谱仪中。不同类型的饲料样品可以与另一种比较以便识别哪种饲料组成提供饲料组分的较大可消化性。例如，如果第一饲料组合物在消化之后具有比另一种饲料组合物更低的残留蛋白质、总能量或磷组分，那么选择第一饲料组合物。
当计算机模型用于分析样品时，通过扫描样品产生的光谱与随后返回样品的组成的预测浓度的模型比较。NIR测量通常只持续几分钟并立即返回结果，使NIR测量快速且方便。
根据本申请的实施方案，NIR测量与体外消化试验结合以测定样品的可消化性。现有NIR方法包括扫描原样的饲料样品(即，不存在样品预处理)和估算饲料样品的组分的量。然而，这类方法只有助于预测饲料的初始组成且不能区分哪种饲料样品将具有改善的可消化性。因此，已经开发一种方法，其中使用消化试验处理饲料样品且使用NIR扫描经消化的样品，允许更精确地预测饲料样品的组分的可消化性，同时节约时间和资源，原因是不需要使用湿化学方法分析经消化的样品。该方法结合由消化试验传递的信息和NIR测量的速度和方便。
在本申请的实施方案中，本申请包括用至少一种酶消化第一动物饲料组合物的第一样品和消化第二动物饲料组合物的第二样品，其中所述第一和第二饲料组合物在至少一种饲料组分中不同于另一种；使用NIR光谱法扫描经消化的动物饲料的第一和第二样品以产生各个样品的至少一种残留组分的光谱数据；使来自各个样品的光谱数据与所述至少一种残留组分的计算机模型比较以产生经消化的动物饲料的第一和第二样品的至少一种残留组分的预测浓度；和通过比较经消化的动物饲料的第一和第二样品的至少一种残留组分的预测浓度选择具有需要或预定浓度的至少一种残留组分的动物饲料组成。在一些实施方案中，选择提供残留组分例如蛋白质、磷或总能量的降低的动物饲料组成。
在本申请的实施方案中，提供了用于确定后添加剂对饲料样品的可消化性的作用的方法。这类方法对确定将后添加剂加到饲料组合物是否改善饲料的可消化性或是否提供具有预定营养特性的饲料组分的饲料组合物有用。在本申请的实施方案中，在消化之前或在消化时将一种或多种后添加剂加到饲料样品。可以针对改善饲料组分的可消化性的能力比较不同的添加剂。在本申请的实施方案中，后添加剂包含至少一种酶、酶的混合物或具有酶的微生物来源的底物。
在本申请中，方法还对比较具有不同组分的饲料组合物的有效性有用。在那种情况下，第一饲料样品具有第一组成，第二饲料组合物具有第二组成，其中所述第一和第二饲料组合物在至少一种饲料组分中不同于另一种。在实施方案中，所述第一和第二饲料组合物通过具有不同组分或相同组分但不同量而不同于另一种。在实施方案中，在存在或量方面不同的组分选自磷、脂肪、蛋白质、总能量、碳水化合物、纤维、预添加剂及其组合。
在本申请的实施方案中，本申请包括用至少一种酶消化第一动物饲料组合物的第一样品和消化第二动物饲料组合物的第二样品，其中所述第二饲料组合物通过存在至少一种后添加剂或通过具有不同后添加剂而不同于第一组合物；使用NIR光谱法扫描经消化的动物饲料的第一和第二样品以产生各个经消化的样品的至少一种残留组分的光谱数据；使来自各个样品的光谱数据与所述至少一种残留组分的计算机模型比较以产生经消化的动物饲料的第一和第二样品的至少一种残留组分的预测浓度；和通过比较经消化的动物饲料的第一和第二样品的至少一种残留组分的预测浓度选择具有需要或预定浓度的至少一种残留组分的动物饲料组成。在一些实施方案中，选择提供残留组分例如蛋白质、磷或总能量的降低的后添加剂。
用于调节动物饲料的系统和方法
本申请包括使用动物饲料的至少一种残留组分的计算机模型的方法。这类方法对比较不同饲料组成和调节饲料组成以改善饲料组分的可消化性有用。在本申请的实施方案中，调节动物饲料组成包括以下步骤：鉴别动物饲料组合物的饲料组分的预定营养特性；通过以下方法预测动物饲料中的饲料组分的残留组分的浓度，所述方法包括：使用至少一种酶体外消化动物饲料的样品以产生包含至少一种残留组分的经消化的动物饲料；使用NIR光谱法扫描所述经消化的动物饲料以产生光谱数据；使所述光谱数据与所述至少一种残留组分的计算机模型比较以产生所述残留组分的预测浓度；和基于所述至少一种残留组分的预测浓度调节所述动物饲料组成以获得饲料组分的预定营养特性。
因此，在一些实施方案中，本发明提供有效方式以针对对蛋白质、脂肪、总能量、可消化的能量、磷释放、糖释放、纤维、碳水化合物等的酶促作用分析饲料(例如动物饲料)，且确定后添加剂所具有的对饲料的可消化性的作用。本申请中所描述的系统和方法可以用于针对多种组分分析许多饲料且可以在不经受体内试验的情况下快速更新。
本申请在分析许多动物饲料且并不限于分析具体的饲料中发现用途。动物饲料为特别用于喂养驯化家畜(例如牛、山羊、绵羊、马、家禽、水牛、羊驼、驼鸟、驴、骡、兔子和猪)的任何食物。动物饲料常常包括混合的总份食(TMR)、玉米、大豆、草料、谷物、酒糟、发芽谷、豆荚、维生素、氨基酸、矿物质、糖蜜、纤维、粗饲料（fodder）、草、干草、稻草、青贮、核、叶、粗粉、可溶物和补充剂。
饲料组分的可消化性可以通过将一种或多种后添加剂例如酶(例如消化酶)加到饲料改善。例如，可以将酶例如肌醇六磷酸酶、蛋白酶，真菌蛋白酶、纤维素酶、木聚糖酶、酸磷酸酶、β-葡聚糖酶、果胶酶和α-淀粉酶加到饲料(即用作添加剂)以改善可消化性。酶可以以纯化形式、部分纯化形式或粗制形式提供。所述酶可以是天然来源(例如真菌)或合成来源，或可以体外产生(例如重组体)。在一些实施方案中，加入蛋白酶(例如胃蛋白酶)。在一些实施方案中，加入市售的酶或酶混合物(例如，Allzyme SSF，可得自Alltech，Nicholasville，KY)。
为了确定将后添加剂加到具体饲料组合物是否会是合乎需要的，了解饲料组合物的可消化性组分是有利的。根据一个实施方案，可以如下来分析饲料组合物:通过体外消化动物饲料的样品以产生包含至少一种残留组分的经消化的饲料，使用NIR扫描所述经消化的饲料以产生光谱数据，使所述光谱数据与至少一种残留组分的计算机模型比较，和产生残留组分的预测浓度。一种或多种残留组分的预测浓度可以与饲料组分的预定或需要的营养特性比较。在本申请的一些实施方案中，如果残留组分的量比饲料组分的预定或需要的营养特性中的高，可以通过加入一种或多种后添加剂例如酶(例如消化酶)提高营养特性。
“预定营养特性”是指动物饲料中的一种饲料组分或多种饲料组分的期望量，可消化性是该期望量的相关性质。营养学家或农民可以在具体饲料中设定需要量的组分。例如，可能需要调节动物饲料中的蛋白质或添加剂的量以考虑如使用文中所述的方法测定的动物饲料中的蛋白质的可消化性。具有较差可消化性形式的蛋白质的动物饲料可能需要提高动物饲料中的蛋白质和/或加入提高该动物饲料中的蛋白质的可消化性的后添加剂以达到需要量。
根据另一个实施方案，所述系统和方法可以用于比较两种或更多种饲料的可消化性，其中一种或多种可以包含后添加剂，例如酶(例如消化酶)。例如，所述系统和方法可以用于表明与另一个饲料样品比较，一个饲料样品具有优异的营养特性，原因是所述一个饲料样品具有更可消化的组分。
提供以下实施例以便证明并进一步说明本发明的某些优选实施方案和方面且不应当视为限制本发明的范围。
实施例
实施例1：NIR模型
为猪和家禽饲料的经消化的样品形成NIR模型。模型可以与消化测定结合使用以通过估算经消化的样品中的残留组分的含量来评估饲料样品的可消化性。
图1显示消化和分析文中所述的饲料样品的方法的例示性流程。图显示起初的饲料样品经受体外消化且使用NIR和湿化学针对总能量、蛋白质、磷和糖含量的残留量来分析消化。
使用类似于营养素体外消化的消化测定消化家禽和猪饲料的样品。该测定修改自Boisen S.，用于猪的多酶测定法(A multienzyme assay for pigs)，第10章，A model forFeed Evaluation based on Invitro Digestible Dry Matter and Protein，InvitroDigestion for Pig and Poultry (基于体外消化性干物质和蛋白质进行饲料评价的模型，用于猪和家禽的体外设计)，1990，M.F. Fuller。
使用湿化学方法针对蛋白质、总能量和磷分析经消化的样品。将由经消化的饲料和液体组成的最终物质分离成固体组分和液体组分。将固体组分干燥并使用NIR光谱仪扫描干燥的固体。针对经消化的家禽饲料中的蛋白质、磷和总能量和针对经消化的猪饲料中的蛋白质和总能量形成NIR模型。
消化测定
使用以下消化测定消化猪和家禽饲料的样品。在测定期间通过加入后添加剂(Allzyme SSF)改变一些样品。
起始材料：
使用各种来源的家禽和猪饲料样品。家禽和猪饲料样品两者主要包含玉米粗粉和大豆粗粉。
Allzyme SSF饲料添加剂（可得自Alltech，Nicholasville，KY）用作加到饲料的酶(例如后添加剂)的来源。Allzyme SSF包含含有至少300U肌醇六磷酸酶的酶复合物。
试剂：
A. HCl：0.2M、1M、2M和4M
B. 0.6M NaOH
C. 1M NaHCO3
D. 来自Sigma的胃蛋白酶(P7012)；10mg胃蛋白酶/mL去离子水或2.25mg胃蛋白酶/mL去离子水
E. 来自Sigma的胰酶(P3292)；50mg胰酶/mL去离子水或2.315mg胰酶/mL去离子水
F. 15%三氯乙酸(TCA)
G. 乙酸盐缓冲液：0.1M(pH 6.0)和0.2M(pH 6.8)
H. 氯霉素溶液；5mg氯霉素/1mL乙醇
I. TCA停止溶液
J. 由3体积1M硫酸、1体积2.5%(w/v)钼酸铵和1体积10%(w/v)抗坏血酸制备的有色试剂
K. 由二硝基水杨酸、NaOH、酒石酸钠钾四水合物和去离子水制备的DNS溶液(储存在黑瓶中)
L. 右旋糖标准样品：0mg/mL；0.2mg/mL；0.4mg/mL；0.6mg/mL；0.8mg/mL；和1.0mg/mL
磷酸盐标准样品：0µM；5.625µM；11.25µM；22.5µM；45µM；和90µM磷酸钾水溶液。
程序
酶添加剂
为了产生在实验中用作后添加剂的液体酶产物，从Allzyme SSF用去离子水提取酶并用0.1M乙酸钠缓冲液以1:2,500,000稀释。
猪消化测定
初级消化-胃
2克研磨猪饲料样品与49mL的0.1M乙酸钠缓冲液混合。通过与1mL液体后添加剂（由上述Allzyme SFF产品制备）混合加入后添加剂改变一些样品。用HCl将溶液的pH 调节至2。加入2.0mL的胃蛋白酶溶液(10mg胃蛋白酶/mL去离子水)和1.0mL氯霉素溶液。在55RPM下搅拌溶液，并置于39℃的搅拌水浴中，保持6小时。每小时一次搅拌溶液。
次级消化-小肠
在初级消化之后，将样品与20mL的0.2M乙酸钠缓冲液和10mL的0.6M NaOH混合。用0.6M NaOH将溶液的pH调节至6.8。加入2.0mL的胰酶溶液(50mg胰酶/mL去离子水)。搅拌溶液并置于39℃的搅拌(55RPM)水浴中，保持18小时。搅拌溶液并在14000g下离心20min。
家禽消化测定
嗉囊阶段
2.5克研磨家禽饲料样品与6mL蒸馏水混合。通过与1mL液体后添加剂（由上文所述的Allzyme SFF产品用7mL蒸馏水制备）混合加入后添加剂改变一些样品。样品在40℃下孵育30分钟。
砂囊阶段
在嗉囊阶段中孵育之后，用1M HCl将样品调节至pH 3.0。将2.0mL胃蛋白酶溶液(2.25mg胃蛋白酶/mL去离子水)和1.0mL氯霉素溶液加到各个样品。搅拌溶液并置于40℃水浴中，保持45分钟。
小肠
在砂囊阶段之后，样品与1mL NaHCO3混合以获得pH 6.5。加入2.0mL胰酶溶液(2.315mg胰酶/mL去离子水)。搅拌溶液并置于40℃水浴中，保持60分钟。搅拌溶液并在14000g下离心20min。
湿化学分析
体外消化程序留下由经消化的饲料的固体部分和液体部分组成的最终物质。将样品分离成固体组分和液体组分(即上清液)以进一步分析。将固体组分冷冻干燥以提供最终的干物质部分。
设备：
用于磷分析的Varian 720-ES ICP
用于氮(蛋白质)分析的Leco TruSpec CHN
用于总能量分析的Parr 6100弹式量热器
蛋白质、磷和总能量
针对蛋白质、磷和总能量分析经消化的样品的最终的干物质部分。使用氮燃烧分析仪并通过将氮内含物转化成蛋白质测定蛋白质含量。使用ICP(电感耦合等离子)系统测定磷含量。使用弹式量热器测定总能量含量。
NIR模型
使用NIR旋转杯组件扫描经消化的样品的最终的干物质部分以收集NIR反射率数据。记录各种样品的NIR扫描并与各个样品的湿化学结果关联以形成经消化的样品的各种组分(蛋白质、磷和总能量)的计算机模型。
设备：
Bruker MPA FT-NIR，型号122000，具有旋转杯组件，可得自Bruker Optics，Inc.，Billerica，MA。
设定：
分辨率16cm-1
扫描32次：设定仪器以扫描各个样品32次且使扫描平均成各个样品的单独扫描文件
波数范围10000cm-1-4000cm-1
使用“球体常量试样”隔室来测量吸光度
结果—家禽饲料消化测定
根据消化测定消化家禽饲料样品。在NIR上扫描经消化的样品的最终的干物质部分。经消化的家禽饲料样品的例示性NIR扫描在图2中显示。
通过湿化学方法针对蛋白质、磷和总能量分析经消化的样品。经消化的样品的蛋白质含量在13-34%范围中；磷含量在750-5900ppm范围中；且总能量在3300-5200cal/g范围中。随后各个样品的蛋白质、磷和总能量含量与NIR扫描关联以开发各种组分的NIR模型。
用于家禽饲料的NIR蛋白质模型的计算机产生的交叉验证在图3中显示。该模型包括29个样品。模型的R2为86.66且RMSECV(交叉验证的均方根误差)为2.68。R2值表明数据在多大程度上匹配模型和所观察到的成果在多大程度上被模型预测。RMSECV为数据变化的量度。
用于家禽饲料的NIR磷模型的计算机产生的交叉验证在图4中显示。模型包括24个样品。模型的R2为75.94且RMSECV为554。
家禽饲料的NIR总能量模型的计算机产生的交叉验证在图5中显示。该模型包括18个样品。模型的R2为87.72且RMSECV为148。预期模型的R2和RMSEV可以通过提高模型中样品的数目改善。
结果—猪饲料消化测定
根据消化测定消化猪饲料样品。使用NIR旋转杯组件扫描经消化的样品的最终的干物质部分以收集NIR反射率数据。经消化的猪饲料样品的例示性扫描在图6中显示。
通过湿化学方法针对蛋白质和总能量分析经消化的样品。经消化的样品的蛋白质含量在6-47%范围中且总能量在3900-5300cal/g范围中。随后各个样品的蛋白质和总能量含量与NIR扫描关联以开发各种组分的NIR模型。
用于猪饲料的NIR蛋白质模型的计算机产生的交叉验证在图7中显示。模型的R2为98.86且RMSECV为0.708。
用于猪饲料的NIR总能量模型的计算机产生的交叉验证在图8中显示。模型的R2为80.5且RMSECV为141。
讨论
结果显示各种NIR模型，其可被开发成与消化测定组合使用以预测经消化的饲料样品中的未消化的(即残留的)组分的含量。用于猪饲料的蛋白质模型特别成功(98.86的R2)，甚至在例示性模型中使用相对低的样品数目。该模型显示可高度预测经消化的饲料样品中的实际蛋白质含量且可以在进行昂贵和耗时的湿化学方法的场所中使用。模型的精度可以随样品数目提高而提高。具体而言，预期磷和总能量模型的可预测性可以通过在模型中包括更多样品来改善。
实施例2
用于猪的残留蛋白质模型的验证
验证用于猪饲料消化的残留蛋白质模型的可预测性。验证方法反映文中所述的方法如何用于分析具有未知性质的饲料样品。
一组猪饲料样品如实施例1中所述消化并使用NIR扫描。还使用湿化学针对蛋白质含量表征各个样品。将样品分成验证集和模型建立集。模型建立集中的样品用于形成如文中所述的模型。在模型中测试验证集以产生各个样品的残留蛋白质的预测浓度。各个样品的预测浓度与如使用湿化学测定的样品中的残留蛋白质的浓度(实际值)比较。结果在表1中显示：
表1
Figure 425198DEST_PATH_IMAGE001
这些结果表明所述模型具有高度的样品中残留蛋白质的浓度的可预测性。
虽然已经描述了本申请发明的某些实施方案，但是可以存在其他实施方案。虽然说明书包括详述，但是本发明的范围由以下权利要求指定。而且，虽然以对结构特征和/或方法行为具有特定性的语言描述了说明书，但是权利要求并不限于上文所述的特征或行为。相反，上文所述的特定特征和行为公开为本发明的说明性方面和实施方案。在不偏离本发明的精神或所要求保护的主题的范围的情况下，本领域技术人员在阅读文中的描述之后可以想到各种其他方面、实施方案、修改及其等效物。

Claims (14)

1.一种分析饲料的方法，所述方法包括以下步骤：
a) 使用至少一种酶体外消化动物饲料的样品以产生包含至少一种残留组分的经消化的动物饲料，其中所述至少一种残留组分选自蛋白质、磷、脂肪、总能量、碳水化合物和纤维，其中所述动物饲料组成选自混合的总份食 (TMR)、玉米、大豆、草料、谷物、酒糟、发芽谷、豆荚、维生素、氨基酸、矿物质、糖蜜、纤维、粗饲料、草、干草、稻草、青贮、核、叶、和粗粉，其中所述动物饲料的样品用胃蛋白酶消化，然后用胰酶在至少6.0的pH 下消化，且其中消化动物饲料的样品还包括将经消化的动物饲料分离成固体组分和液体组分；
b) 使用NIR光谱法扫描所述经消化的动物饲料的固体组分以产生光谱数据；
c) 使由扫描所述经消化的动物饲料的固体组分而生成的所述光谱数据与所述至少一种残留组分的计算机模型比较以产生所述经消化的动物饲料的至少一种残留组分的预测浓度，其中所述光谱数据使用计算机执行方法进行比较，其包含从所述经消化的样品接收光谱数据并将所述光谱数据与所述残留组分的计算机模型比较以获得所述至少一种残留组分的预测浓度，
其中所述计算机模型通过下述这样生成：接收多个经消化的动物饲料样品中的每一个的光谱数据，将多个经消化的动物饲料样品中的每一个的光谱数据与在所述多个经消化的动物饲料样品中的每一个的相应样品中通过分析湿化学化学方法确定的所述至少一种残留组分的浓度相关，并且基于所述光谱数据和所述在多个经消化的动物饲料样品中的每一个中的至少一种残留组分的浓度建立预测关系；
d) 将一种或多种残留化合物的预测浓度与饲料组分的预定营养特性进行比较；和
e) 基于所述经消化的动物饲料的至少一种残留组分的预测浓度调节所述动物饲料组成以获得动物的预定营养特性。
2.权利要求1的方法，其中所述动物饲料的样品包含预添加剂。
3.权利要求2的方法，其中所述预添加剂包含至少一种酶。
4.权利要求1的方法，其中调节所述动物饲料组成以获得动物的预定营养特性包括加入选自蛋白质、磷、脂肪、总能量、碳水化合物和纤维的组分。
5.权利要求4的方法，其中调节所述动物饲料组成以获得动物的预定营养特性包括加入至少一种后添加剂。
6.权利要求5的方法，其中所述后添加剂包含酶。
7.权利要求6的方法，其中所述后添加剂调节所述经消化的饲料中的残留组分的量。
8.权利要求6的方法，其中所述酶选自肌醇六磷酸酶、蛋白酶、真菌蛋白酶、纤维素酶、木聚糖酶、酸性磷酸酶、β-葡聚糖酶、果胶酶和α淀粉酶。
9.权利要求8的方法，其中所述酶为蛋白酶。
10.权利要求1的方法，其中所述动物饲料组成包含玉米。
11.权利要求1的方法，其中所述至少一种残留组分选自蛋白质、磷、脂肪和总能量。
12.权利要求11的方法，其中所述至少一种残留组分选自蛋白质、脂肪和总能量。
13.权利要求1的方法，其用于猪，其中利用胃蛋白酶的消化进行1至6小时，且利用胰酶的消化进行至少18小时至48小时。
14.权利要求1的方法，其用于家禽，其中利用胃蛋白酶的消化进行30分钟至2小时，且利用胰酶的消化进行30分钟至2小时。
CN202110776422.8A 2013-12-17 2014-02-11 用于调节动物饲料的系统和方法 Pending CN113588593A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/109907 2013-12-17
US14/109,907 US10537122B2 (en) 2013-12-17 2013-12-17 Systems and methods for adjusting animal feed
CN201480069305.6A CN106061281A (zh) 2013-12-17 2014-02-11 用于调节动物饲料的系统和方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201480069305.6A Division CN106061281A (zh) 2013-12-17 2014-02-11 用于调节动物饲料的系统和方法

Publications (1)

Publication Number Publication Date
CN113588593A true CN113588593A (zh) 2021-11-02

Family

ID=53368102

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110776422.8A Pending CN113588593A (zh) 2013-12-17 2014-02-11 用于调节动物饲料的系统和方法
CN201480069305.6A Pending CN106061281A (zh) 2013-12-17 2014-02-11 用于调节动物饲料的系统和方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201480069305.6A Pending CN106061281A (zh) 2013-12-17 2014-02-11 用于调节动物饲料的系统和方法

Country Status (18)

Country Link
US (1) US10537122B2 (zh)
EP (1) EP3082449B1 (zh)
KR (1) KR102264108B1 (zh)
CN (2) CN113588593A (zh)
AU (1) AU2014367218B2 (zh)
CA (1) CA2928153A1 (zh)
CL (1) CL2016001099A1 (zh)
CR (1) CR20160266A (zh)
DO (1) DOP2016000131A (zh)
EC (1) ECSP16026183A (zh)
ES (1) ES2815100T3 (zh)
IL (1) IL245522A0 (zh)
MX (1) MX2016007782A (zh)
PE (1) PE20161149A1 (zh)
PH (1) PH12016500852A1 (zh)
SA (1) SA516371309B1 (zh)
SG (1) SG11201603159QA (zh)
WO (1) WO2015094390A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2839029A1 (en) * 2014-01-02 2015-07-02 Alltech, Inc. Systems and methods for estimating feed efficiency and carbon footprint for meat producing animal
CN106442398A (zh) * 2016-10-17 2017-02-22 中国农业科学院饲料研究所 一种饲喂家禽用小麦中有效磷含量的快速测定方法和应用
CN106260626A (zh) * 2016-10-31 2017-01-04 韦忠 一种杂交羊饲养饲料
CN108195793A (zh) * 2016-12-08 2018-06-22 中国农业机械化科学研究院 植物源性饲料原料氨基酸含量的通用模型构建方法
CN107831124A (zh) * 2017-10-31 2018-03-23 北京挑战生物技术有限公司 一种饲料中有效磷含量的仿生消化测定方法
CN108460235A (zh) * 2018-04-04 2018-08-28 西南科技大学 一种通过数学模型预测猪饲料磷表观全肠道消化率的方法
CN115380201A (zh) * 2019-12-05 2022-11-22 以色列农业和农村发展部农业研究组织(Aro)(火山中心) 用于测量植物叶片中元素浓度的装置及其实施方法
CN111175166A (zh) * 2020-01-06 2020-05-19 华南农业大学 一种用于测定鸭饲料养分利用率的体外仿生消化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5922343A (en) * 1996-07-03 1999-07-13 Stucker; Dennis R. Method of introducing carbohydrase enzymes to a ruminant feed for increasing the rate and extent of fiber digestion in the ruminant
US6040188A (en) * 1997-11-18 2000-03-21 The Regents Of The University Of California In vitro gastrointestinal mimetic protocol for measuring bioavailable contaminants
WO2004113506A2 (en) * 2003-06-20 2004-12-29 Syngenta Participations Ag A method for the development of ruminant feed formulations
CN101208429A (zh) * 2005-06-24 2008-06-25 诺维信公司 用于药物用途的脂肪酶
WO2009017649A1 (en) * 2007-07-27 2009-02-05 Nutri Innovations Llc System for real-time characterization of ruminant feed rations
WO2012145679A2 (en) * 2011-04-20 2012-10-26 Forage Genetics International, Llc. Methods and systems for adjusting ruminally digestible starch and fiber in animal diets

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3437489A (en) 1964-06-20 1969-04-08 Seiji Arakawa Process for producing fishmeals
HU188116B (en) 1981-12-19 1986-03-28 Budapesti Mueszaki Egyetem,Hu Method and apparatus for forming optimum mixing ratio of the foods, particularly fodders
FR2737781B1 (fr) 1995-08-10 2004-07-16 Rhone Poulenc Nutrition Animal Mesure de la digestibilite des aliments chez les ruminants
AUPN692895A0 (en) 1995-12-01 1996-01-04 Commonwealth Scientific And Industrial Research Organisation Animal performance prediction
US6750035B1 (en) 1999-08-06 2004-06-15 Novus International, Inc. In vitro digestibility assay
ATE333801T1 (de) 1999-08-31 2006-08-15 Adisseo France Sas Verbesserungen in der herstellung von tierfutter
US6855548B2 (en) 2000-02-08 2005-02-15 F. Hoffman-La Roche Ag Use of acid-stable proteases in animal feed
EP1188382A1 (en) * 2000-09-15 2002-03-20 Aventis Animal Nutrition S.A. Improvements in or relating to the production of animal feed
US6907351B2 (en) 2001-08-01 2005-06-14 Aventis Animal Nutrition S.A. Customer-based prediction method and system using near infrared reflectance spectra of materials
US6805074B2 (en) * 2002-12-23 2004-10-19 Cargill, Incorporated System and method of customizing an animal feed based on heat increment
US8357408B2 (en) 2004-06-21 2013-01-22 Novozymes A/S Proteases
US7153504B2 (en) * 2004-07-30 2006-12-26 Can Technologies, Inc. Stabilized pancreas product
US8396670B2 (en) 2004-08-16 2013-03-12 Venture Milling, Inc. Process, system and method for improving the determination of digestive effects upon an ingestable substance
US20080026129A1 (en) 2006-07-27 2008-01-31 Beck James F System for real-time characterization of ruminant feed components
CA2666065A1 (en) * 2006-07-27 2008-01-31 Nutri-Innovations Llc Method and feed for enhancing ruminant animal nutrition
US20090092715A1 (en) * 2006-07-27 2009-04-09 Beck James F System for real-time characterization of ruminant feed rations
US8815315B2 (en) * 2007-04-10 2014-08-26 Kemin Industries, Inc. Use of a multi-protease system to improve the protein digestibility of animal feeds containing vegetable meals
WO2009011829A1 (en) 2007-07-19 2009-01-22 Can Technologies, Inc. System and method for measuring starch gelatinisation in a feed production system
MX2010004863A (es) 2007-11-02 2010-07-28 Ceres Inc Materiales y metodos para usarse en el procesamiento de biomasa.
CA2707814C (en) * 2007-12-21 2012-10-02 Basf Se Method for increasing the milk of milk producing animals fed with silage obtained from plants treated with a strobilurin compound
US8501493B2 (en) * 2008-03-17 2013-08-06 Wisconsin Alumni Research Foundation Method for measuring fiber digestibility
KR100952041B1 (ko) * 2010-01-18 2010-04-07 박춘근 돼지사육용 배합사료 조성물
RU2619636C2 (ru) 2010-11-04 2017-05-17 Ариста Сириэл Текнолоджиз Пти Лтд Высокоамилозная пшеница
CN105639112B (zh) 2011-04-20 2020-03-10 福雷吉遗传国际有限公司 调节动物饲料中瘤胃可消化淀粉和纤维的方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5922343A (en) * 1996-07-03 1999-07-13 Stucker; Dennis R. Method of introducing carbohydrase enzymes to a ruminant feed for increasing the rate and extent of fiber digestion in the ruminant
US6040188A (en) * 1997-11-18 2000-03-21 The Regents Of The University Of California In vitro gastrointestinal mimetic protocol for measuring bioavailable contaminants
WO2004113506A2 (en) * 2003-06-20 2004-12-29 Syngenta Participations Ag A method for the development of ruminant feed formulations
CN101208429A (zh) * 2005-06-24 2008-06-25 诺维信公司 用于药物用途的脂肪酶
WO2009017649A1 (en) * 2007-07-27 2009-02-05 Nutri Innovations Llc System for real-time characterization of ruminant feed rations
WO2012145679A2 (en) * 2011-04-20 2012-10-26 Forage Genetics International, Llc. Methods and systems for adjusting ruminally digestible starch and fiber in animal diets

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
T.N.SMITH等: "The Use of Near-Infrared Reflectance Spectroscopy to Predict the Moisture,Nitrogen, Calcium, Total Phosphorus, Gross Energy, and Phytate Phosphorus Contents of Broiler Excreta", 《POULRY SCIENCE》 *

Also Published As

Publication number Publication date
PH12016500852B1 (en) 2016-06-20
EP3082449B1 (en) 2020-08-05
EP3082449A4 (en) 2017-08-09
MX2016007782A (es) 2016-09-09
SG11201603159QA (en) 2016-07-28
CL2016001099A1 (es) 2016-12-23
CA2928153A1 (en) 2015-06-25
IL245522A0 (en) 2016-06-30
KR20160098231A (ko) 2016-08-18
US20150168364A1 (en) 2015-06-18
KR102264108B1 (ko) 2021-06-14
CR20160266A (es) 2016-07-21
DOP2016000131A (es) 2016-11-30
EP3082449A1 (en) 2016-10-26
ES2815100T3 (es) 2021-03-29
AU2014367218B2 (en) 2017-09-21
WO2015094390A1 (en) 2015-06-25
CN106061281A (zh) 2016-10-26
ECSP16026183A (es) 2018-08-31
US10537122B2 (en) 2020-01-21
AU2014367218A1 (en) 2016-05-19
PE20161149A1 (es) 2016-10-29
SA516371309B1 (ar) 2020-12-08
PH12016500852A1 (en) 2016-06-20

Similar Documents

Publication Publication Date Title
KR102264108B1 (ko) 동물 사료 조정을 위한 시스템 및 방법
Li et al. Comparative review and the recent progress in detection technologies of meat product adulteration
KR102264109B1 (ko) 동물 사료의 컴퓨터 모델을 위한 시스템 및 방법
Bai et al. Relationship between molecular structure characteristics of feed proteins and protein in vitro digestibility and solubility
Pérez-Marı́n et al. Near-infrared reflectance spectroscopy (NIRS) for the mandatory labelling of compound feedingstuffs: chemical composition and open-declaration
Shi et al. N-glycan profile as a tool in qualitative and quantitative analysis of meat adulteration
Lecrenier et al. Official feed control linked to the detection of animal byproducts: past, present, and future
Stachniuk et al. Peptide markers for distinguishing guinea fowl meat from that of other species using liquid chromatography–mass spectrometry
Baeten et al. Vibrational spectroscopy methods for the rapid control of agro-food products
Gao et al. A novel near infrared spectroscopy analytical strategy for meat and bone meal species discrimination based on the insight of fraction composition complexity
Tyska et al. Prediction of fumonisins B1 and B2 in corn distiller's dried grains with solubles through near‐infrared reflectance spectroscopy
Glencross et al. Using Near Infrared Reflectance Spectroscopy (NIRS) to predict the protein and energy digestibility of lupin kernel meals when fed to rainbow trout, O ncorhynchus mykiss
CN110546499A (zh) 确定对饲料原料营养价值的加工影响的方法
Willard et al. A new rapid and quantitative assay to determine the phytase activity of feed
BR112016011347B1 (pt) Método para analisar alimentos para suínos ou aves domésticas
Knudsen et al. Assessment of the nutritive value of individual feeds and diets by novel technologies
Tellado et al. Fecal-FT-NIRS as a noninvasive tool for assessing diet quality of Mediterranean deer
Camps et al. Quantification of condensed tannins in sainfoin powder (Onobrychisviciifolia) by FT-NIR spectroscopy
Putri et al. Accuracy of single and mix calibration as method to determine ruminant feedstuffs nutrient utilization using Near-Infrared Reflectance Spectroscopy
Noel et al. The development of models to predict the nutritional value of feedstuffs and feed mixture using NIRS
Song et al. Estimation of dry matter and crude protein residues originating from exogenous digestive enzymes based on the amounts of pepsin and pancreatin used in 2-step in vitro digestibility procedures for non-ruminants
Dryden Near infrared spectroscopy: Applications in deer nutrition
Appiah Developing prediction equation for digestibility of nutrients in faeces from individual atlantic salmon

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination