KR102264108B1 - 동물 사료 조정을 위한 시스템 및 방법 - Google Patents

동물 사료 조정을 위한 시스템 및 방법 Download PDF

Info

Publication number
KR102264108B1
KR102264108B1 KR1020167015383A KR20167015383A KR102264108B1 KR 102264108 B1 KR102264108 B1 KR 102264108B1 KR 1020167015383 A KR1020167015383 A KR 1020167015383A KR 20167015383 A KR20167015383 A KR 20167015383A KR 102264108 B1 KR102264108 B1 KR 102264108B1
Authority
KR
South Korea
Prior art keywords
animal feed
digested
feed
sample
samples
Prior art date
Application number
KR1020167015383A
Other languages
English (en)
Other versions
KR20160098231A (ko
Inventor
카일 맥키니
앨리슨 로벨
벤자민 헨리
패트릭 베커
레베카 에이. 티몬스
Original Assignee
올텍 법인회사
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 올텍 법인회사 filed Critical 올텍 법인회사
Publication of KR20160098231A publication Critical patent/KR20160098231A/ko
Application granted granted Critical
Publication of KR102264108B1 publication Critical patent/KR102264108B1/ko

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

Abstract

본 출원은 동물 사료 성분의 소화율을 개선하기 위해 동물 사료를 분석하고 동물 사료를 조정하기 위한 시스템 및 방법을 제공한다. 사료의 시험관내 소화를 수행하고 소화된 사료 내의 잔류 성분의 농도를 NIR 분광법에 의해 분석함으로써 동물 사료의 소화율을 결정할 수 있다. 동물 사료 조성물을 조정하여 사료 내의 성분의 소화율을 개선할 수 있다. 본 출원의 시스템 및 방법을 사용하여 사료의 소화율에 대한 첨가제의 효과를 결정할 수 있다.

Description

동물 사료 조정을 위한 시스템 및 방법 {SYSTEMS AND METHODS FOR ADJUSTING ANIMAL FEED}
관련 출원의 상호 참조
본 출원은 PCT 국제 특허 출원으로서 2014년 2월 11일자로 출원되며, 그의 개시 내용이 원용에 의해 전체적으로 본 명세서에 포함된, 2013년 12월 17일자로 출원된 미국 특허 출원 제14/109,907호에 대한 우선권을 주장한다.
기술 분야
본 발명은 동물 사료를 조정하기 위한 시스템 및 방법에 관한 것이다. 특히, 본 출원은 영양소의 소화율에 대해 동물 사료를 분석하기 위한 시험관내 시스템 및 방법에 관한 것이다.
동물 사료 내의 영양소는 동물의 위장관 내에서 사료의 소화(digestion)에 의해 동물에게 이용가능하게 된다. 소화되는 영양소는 흡수되고 에너지, 성장, 및 발생을 위해 동물에 의해 사용된다. 소화되지 않는 영양소는 대부분 동물의 장관을 통과하여 사료의 영양가를 감소시킨다. 시험관내 또는 생체내 소화 모델을 사용하고 소화된 사료 내에 잔류하는 영양소를 습식 화학 분석 방법에 의해 분석함으로써 동물 사료의 소화율을 평가할 수 있다. 기존 방법의 단점은, 그들이 특정 사료에 대해 특이적이고, 고가이며, 시간 소모적이라는 것이다. 그러므로, 동물 사료의 소화율을 분석하기 위한, 널리 응용가능하고, 덜 고가이며, 덜 시간-소모적인 방식을 제공하는 것이 유익할 것이다.
본 출원은, 동물 사료 성분의 소화율을 개선하기 위해 동물 사료를 분석하고 동물 사료를 조정하기 위한 시스템 및 방법에 관한 것이다. 특히, 본 출원은 동물 사료 샘플의 시험관내 소화, 및 동물 사료 성분의 소화율을 결정하기 위한 소화된 사료 샘플의 본 명세서에 정의된 바와 같은 NIR 분석에 관한 것이다. 본 출원의 실시양태에서는, 생체내 동물 소화와 유사하게 설계된 시험관내 절차를 사용하여 동물 사료 샘플을 소화시킨다. 소화된 동물 사료 샘플을 NIR 분광법을 사용하여 스캐닝하여 스펙트럼 데이터를 생성시키고, 이를 컴퓨터 모델과 비교하여 소화된 동물 사료 샘플 내의 적어도 하나의 잔류 성분의 예측 농도를 제공한다. 적어도 하나의 잔류 성분의 농도의 예측은 동물 사료 조성물 내의 그 성분의 소화율의 결정을 가능하게 한다.　 예를 들어, 단백질이 동물 사료 조성물의 성분이고, 소화 후에, 단백질의 잔류량을 결정하여 동물 사료 샘플 내의 단백질의 소화율의 척도를 제공한다. 동물 사료 조성물을 선택하고/하거나 조정하여 단백질, 인, 탄수화물, 지방, 총 에너지(gross energy), 또는 섬유질과 같은 성분의 소화율을 개선할 수 있다. 동물 사료 조성물을 조정하는 단계는 하나 이상의 사후 첨가제(post additive)를 첨가하는 단계를 포함한다. 다양한 사후-첨가제를 시험하여 이러한 사후-첨가제가 동물 사료 성분의 소화율을 개선하는지 여부를 결정할 수 있다.
본 출원은, 적어도 하나의 효소를 사용하여 시험관내에서 동물 사료 샘플을 소화시켜 적어도 하나의 잔류 성분을 포함하는 소화된 동물 사료를 생성시키는 단계; 소화된 동물 사료를 NIR 분광법을 사용하여 스캐닝하여 스펙트럼 데이터를 생성시키는 단계; 및 스펙트럼 데이터를 잔류 성분의 컴퓨터 모델과 비교하여 소화된 동물 사료의 적어도 하나의 잔류 성분의 예측 농도를 생성시키는 단계를 포함하는, 사료를 분석하는 방법을 포함한다. 본 명세서에 기재된 방법은 NIR 컴퓨터 모델을 사용하여 시험관내에서 소화된 동물 사료 샘플의 잔류 성분의 유형 및 양을 예측하는 방법이다. 실시양태에서, 이러한 방법은 사료 성분의 소화율을 개선하기 위해 사료 조성물을 선택하고/하거나 사료 조성물을 조정하기에 유용하다.
본 출원의 실시양태에서, 동물 사료 샘플을 소화시키는 단계는 펩신 또는 판크레아틴 또는 양자 모두를 사용하는 단계를 포함한다. 다른 실시양태에서, 동물 사료 샘플을 소화시키는 단계는 소화된 샘플을 고체 성분 및 액체 성분으로 분리하는 단계를 추가로 포함하고, 소화된 동물 사료를 스캐닝하는 단계는 고체 성분을 스캐닝하는 단계를 포함한다. 또 다른 실시양태에서, 적어도 하나의 잔류 성분은 단백질, 인, 지방, 총 에너지, 탄수화물, 및 섬유질로 구성된 그룹 중에서 선택된다. 다른 실시양태에서, 동물 사료 샘플은 사전 첨가제(pre additive)를 포함한다. 실시양태에서, 사전 첨가제는 적어도 하나의 효소를 포함한다.
본 출원의 실시양태에서는, 소화된 샘플로부터 스펙트럼 데이터를 수용하는 단계 및 스펙트럼 데이터를 잔류 성분의 컴퓨터 모델과 비교하여 적어도 하나의 잔류 성분의 예측 농도를 얻는 단계를 포함하는 컴퓨터 구현 방법(computer implemented method)을 사용하여 스펙트럼 데이터를 비교한다.
본 출원의 실시양태에서, 제1항의 방법은 하기 단계를 추가로 포함한다: 소화된 동물 사료 샘플의 적어도 하나의 잔류 성분의 예측 농도에 기초하여 동물 사료 조성물을 조정하여 사전결정된 동물용 영양 프로파일을 얻는 단계. 다른 실시양태에서, 동물 사료 조성물을 조정하여 사전결정된 동물용 영양 프로파일을 얻는 단계는 적어도 하나의 사후 첨가제를 첨가하는 단계를 포함한다. 실시양태에서, 사후 첨가제는 효소를 포함한다.
본 출원은 하기 단계를 포함하는, 동물 사료 조성물의 조정을 추가로 포함한다: 동물 사료 조성물 내의 사료 성분의 사전결정된 영양 프로파일을 동정하는 단계; 하기 단계를 포함하는 방법에 의해 동물 사료 조성물 내의 사료 성분의 잔류 성분의 농도를 예측하는 단계: 적어도 하나의 효소를 사용하여 시험관내에서 동물 사료 샘플을 소화시켜 적어도 하나의 잔류 성분을 포함하는 소화된 동물 사료를 생성시키는 단계; 소화된 동물 사료를 NIR 분광법을 사용하여 스캐닝하여 스펙트럼 데이터를 생성시키는 단계; 스펙트럼 데이터를 적어도 하나의 잔류 성분의 컴퓨터 모델과 비교하여 잔류 성분의 예측 농도를 생성시키는 단계; 및 적어도 하나의 잔류 성분의 예측 농도에 기초하여 동물 사료 조성물을 조정하여 사료 성분의 사전결정된 영양 프로파일을 얻는 단계. 본 출원의 실시양태에서, 사료 성분은 단백질, 인, 지방, 총 에너지, 탄수화물, 섬유질, 및 그의 조합으로 구성된 그룹 중에서 선택된다. 다른 실시양태에서, 적어도 하나의 잔류 성분은 단백질, 인, 지방, 총 에너지, 탄수화물, 및 섬유질로 구성된 그룹 중에서 선택된다.
본 출원의 실시양태에서, 동물 사료 샘플을 소화시키는 단계는 펩신 또는 판크레아틴 또는 양자 모두를 사용하는 단계를 포함한다. 다른 실시양태에서, 동물 사료 샘플을 소화시키는 단계는 소화된 샘플을 고체 성분 및 액체 성분으로 분리하는 단계를 추가로 포함하고, 소화된 동물 사료를 스캐닝하는 단계는 고체 성분을 스캐닝하는 단계를 포함한다. 다른 실시양태에서, 동물 사료 샘플은 사전 첨가제를 포함한다. 실시양태에서, 사전 첨가제는 적어도 하나의 효소를 포함한다.
본 출원의 실시양태에서는, 소화된 샘플로부터 스펙트럼 데이터를 수용하는 단계 및 스펙트럼 데이터를 잔류 성분의 컴퓨터 모델과 비교하여 적어도 하나의 잔류 성분의 예측 농도를 얻는 단계를 포함하는 컴퓨터 구현 방법을 사용하여 스펙트럼 데이터를 비교한다.
본 출원의 실시양태에서, 동물 사료 조성물을 조정하는 단계는 사료에 사후 첨가제를 첨가하는 단계를 포함한다. 실시양태에서, 사후 첨가제는 적어도 하나의 효소를 포함한다. 실시양태에서, 사후 첨가제는 소화된 사료 내의 잔류 성분의 양을 조정한다.
본 출원은 또한, 하기 단계를 포함하는, 사료 분석용 컴퓨터 모델을 개발하는 방법을 포함한다: 적어도 하나의 효소를 사용하여 시험관내에서 복수의 동물 사료 샘플을 소화시켜 복수의 소화된 동물 사료 샘플을 생성시키며, 여기서 복수의 소화된 동물 사료 샘플 각각은 적어도 하나의 잔류 성분을 포함하는 단계; 복수의 소화된 동물 사료 샘플 각각을 NIR 분광법을 사용하여 스캐닝하여 복수의 소화된 동물 사료 샘플 각각에 대한 스펙트럼 데이터를 생성시키는 단계; 습식 화학 방법을 사용하여 복수의 소화된 동물 사료 샘플 각각 내의 적어도 하나의 잔류 성분의 농도를 결정하는 단계; 및 복수의 소화된 동물 사료 샘플 각각의 적어도 하나의 잔류 성분의 농도 대 복수의 소화된 동물 사료 샘플의 상응하는 샘플의 스펙트럼 데이터 사이의 예측 관계를 설정함으로써 컴퓨터 모델을 생성시키는 단계.
본 출원의 일부 실시양태에서, 복수의 소화된 사료 샘플 각각을 스캐닝하는 단계는 복수의 소화된 동물 사료 샘플 각각의 스펙트럼 데이터를 수학적으로 조작하는 단계를 추가로 포함한다. 다른 실시양태에서, 컴퓨터 모델을 생성시키는 단계는 하기 단계를 포함하는 컴퓨터 구현 방법을 포함한다: 복수의 소화된 동물 사료 샘플 각각에 대한 스펙트럼 데이터를 수용하는 단계; 복수의 소화된 동물 사료 샘플 각각에 대한 스펙트럼 데이터를 복수의 소화된 동물 사료 샘플의 상응하는 샘플 내의 적어도 하나의 잔류 성분의 농도에 관련시키는 단계; 및 스펙트럼 데이터 및 복수의 소화된 동물 사료 샘플의 적어도 하나의 잔류 성분의 농도에 기초하는 예측 관계를 설정하여 컴퓨터 모델을 생성시키는 단계.
본 출원의 실시양태에서, 복수의 동물 사료 샘플을 소화시키는 단계는 펩신 또는 판크레아틴 또는 양자 모두를 사용하는 단계를 포함한다. 다른 실시양태에서, 동물 사료 샘플을 소화시키는 단계는 소화된 샘플을 고체 성분 및 액체 성분으로 분리하는 단계를 추가로 포함하고, 소화된 동물 사료를 스캐닝하는 단계는 고체 성분을 스캐닝하는 단계를 포함한다. 또 다른 실시양태에서, 적어도 하나의 잔류 성분은 단백질, 인, 지방, 총 에너지, 탄수화물, 및 섬유질로 구성된 그룹 중에서 선택된다.
본 출원의 실시양태에서, 습식 화학 방법은 단백질, 인, 지방, 총 에너지, 탄수화물, 및 섬유질로 구성된 그룹 중에서 선택된 적어도 하나의 잔류 성분의 농도에 대해 복수의 소화된 사료 샘플의 각각의 샘플을 분석하는 단계를 포함한다. 다른 실시양태에서, 습식 화학 방법은 고체 성분을 액체와 혼합하여 혼합물을 형성하는 단계; 및 복수의 소화된 동물 사료 샘플 각각 내에서 단백질, 인, 지방, 총 에너지, 탄수화물, 및 섬유질로 구성된 그룹 중에서 선택된 적어도 하나의 잔류 성분의 농도에 대해 혼합물의 조성을 분석하는 단계를 포함한다.
도 1은 본 출원의 방법의 실시양태의 도식을 나타낸다.
도 2는 본 출원의 실시양태에 따라 가공된 가금류 사료 샘플의 예시적인 NIR 스펙트럼 데이터를 나타낸다.
도 3은 본 출원의 실시양태에 따라 가공된 가금류 사료 내의 단백질에 대한 NIR 모델을 나타낸다.
도 4는 본 출원의 실시양태에 따라 가공된 가금류 사료 내의 인에 대한 NIR 모델을 나타낸다.
도 5는 본 출원의 실시양태에 따라 가공된 가금류 사료 내의 총 에너지에 대한 NIR 모델을 나타낸다.
도 6은 본 출원의 실시양태에 따라 가공된 돼지 사료 샘플에 대한 예시적인 NIR 스펙트럼 데이터를 나타낸다.
도 7은 본 출원의 실시양태에 따라 가공된 돼지 사료 내의 단백질에 대한 NIR 모델을 나타낸다.
도 8은 본 출원의 실시양태에 따라 가공된 돼지 사료 내의 총 에너지에 대한 NIR 모델을 나타낸다.
정의
본 명세서에서 관사("a" 및 "an")는 관사의 하나 또는 하나 초과(즉, 적어도 하나)의 문법적 목적어를 지칭하기 위해 사용된다. 예를 들어, "한 요소"는 하나의 요소 또는 하나 초과의 요소를 의미한다.
본 출원에 사용되는 용어 "첨가제(들)"는 다른 물질에 첨가되는 물질을 지칭한다. 예를 들어, 동물 사료에 첨가제를 첨가하여 하나 이상의 사료 성분의 소화율을 개선할 수 있다. 첨가제는 효소, 효소의 혼합물, 단백질, 비타민, 광물질, 곡물, 말토덱스트린, 보충제, 및 그의 조합을 포함한다. "사전-첨가제(들)"는 동물 사료 샘플의 성분으로서 존재하며 분석시에, 또는 분석 직전에 사료 샘플에 첨가되지 않는 물질이다. 전형적으로 사전-첨가제는 본 기술 분야에서 사용되는 동물 사료 내에 이미 존재하며, 효소 또는 효소의 혼합물을 포함하지만 이로 제한되지 않는다. "사후-첨가제"는 분석시에, 또는 분석 직전에 동물 사료 조성물 샘플에 첨가되는 물질이다. 사후-첨가제는 전형적으로 사후-첨가제가 사료 성분의 소화율을 변경하는지 여부를 결정하기 위해 사료 샘플에 첨가되며, 효소 또는 효소의 혼합물을 포함하지만 이로 제한되지 않는다.
본 출원에 사용되는 용어 "분석물(들)"은, 분석 절차를 사용하여 그의 특성(예를 들어, 농도)을 결정하고자 하는 화학적 구성요소를 지칭한다.
본 출원에 사용되는 용어 "동물(들)"은 식품 공급원으로서 사육되거나 사용되는 비-인간 동물을 지칭한다. 예를 들어, 동물은 소, 염소, 양, 말, 가금류, 버팔로, 알파카, 라마, 당나귀, 노새, 토끼, 닭, 거위, 칠면조, 또는 돼지와 같은 사육되는 가축을 포함하지만 이로 제한되지 않는다.
본 출원에 사용되는 용어 "컴퓨터 모델(들)"은, 예를 들어 NIR에 의해 얻어진 스펙트럼 데이터에 기초하여 혼합물(예를 들어, 사료)의 성분의 농도를 예측하는 모델을 지칭한다. 본 출원의 실시양태에서는, 복수의 샘플 중 각각의 샘플로부터의 스펙트럼 데이터를 각각의 샘플에 대해 습식 화학 분석 방법에 의해 결정된 잔류 성분의 농도에 관련시킨다. 미지 샘플의 스펙트럼을 모델과 비교함으로써 모델을 사용하여 미지 샘플의 구성요소의 양(예를 들어, 농도)의 추산을 제공할 수 있다.
본 출원에 사용되는 용어 "소화하기", "소화된", 및 "소화"는 재료의 성분을 분해하거나 와해시킴으로써 재료를 변화시키는 단계를 지칭한다. 일부 실시양태에서 소화는, 예를 들어 열, 화학물질, 및/또는 효소를 사용하여 재료의 성분을 분해하는 시험관내 과정이다.
본 출원에 사용되는 용어 "사료(들)" 또는 "동물 사료(들)"는 동물에 의해 소비되고 에너지 및/또는 영양소를 동물의 식이에 제공하는 재료(들)를 지칭한다. 전형적으로 동물 사료는 농축물(들), 사전혼합물(들) 부산물(co-product)(들), 또는 펠렛과 같은 형태로 존재할 수 있는 다수의 상이한 성분을 포함한다. 사료 및 사료 성분의 예는 완전 혼합 사료(TMR: Total Mixed Ration), 옥수수, 대두, 여물(forage)(들), 곡물(들), 주정박(distiller grain)(들), 발아 곡물, 콩류, 비타민, 아미노산, 광물질, 당밀, 섬유질(들), 꼴(fodder)(들), 풀(grass)(들), 건초, 짚, 사일리지(silage), 낟알(kernel)(들), 잎, 밀(meal), 가용물(들), 및 보충제(들)를 포함하지만 이로 제한되지 않는다. 동물 사료의 일부 성분 또는 성분의 구성요소는 근적외선 분광법(NIR: Near Infrared Spectroscopy)에 의해 검출가능하다. 동물 사료의 다른 성분은, 낮은 농도, 성분을 차폐하는 복합체 내의 존재로 인해, 또는 성분의 물리적 특징 또는 화학적 특징이 NIR 검출에 적합하지 않기 때문에 NIR에 의해 검출가능하지 않거나 불량하게 검출가능할 수 있다.
본 출원에 사용되는 용어 "생체내"는 살아있는 생물학적 유기체 내부에서 일어나는 과정을 지칭한다.
본 출원에 사용되는 용어 "시험관내"는 살아 있는 유기체 외부의 인공 환경 내에서 일어나는 과정, 및 정상적으로는 유기체 내부에서 일어날 것이지만 인공 환경 내에서 일어나도록 강제된 생물학적 과정 또는 반응을 지칭한다. 시험관내 환경은 시험관 및 세포 배양물을 포함할 수 있지만 이로 제한되지 않는다.
본 출원에 사용되는 용어 "영양소(들)"는 유기체가 생활하고/하거나 성장하기 위해 필요한 물질을 지칭한다. 영양소는 단백질, 지방, 탄수화물(예를 들어, 당), 섬유질, 비타민, 칼슘, 철, 니아신, 질소, 산소, 탄소, 인, 포타슘, 소듐 클로라이드, 및 그의 혼합물과 같은 화합물을 포함하지만 이로 제한되지 않는다.
본 출원에 사용되는 용어 "NIR 분광법" 또는 "NIR"은 800-2500 nm 범위의 파장을 가진 근적외선 방사를 사용하여 샘플의 흡광도를 스캐닝하고 측정하여 흡광도 스펙트럼을 생성시키는 단계를 지칭한다. NIR은 배진동 및 조합 진동(combination vibration)에 기인하는 화학 결합에 의한 흡광도를 측정하기 위해 사용되며, 간접 정량 분석 방법으로서 가장 유용하다. 샘플을 스캐닝함으로써 얻어진 스펙트럼을 보정(예를 들어, 컴퓨터 모델)과 비교함으로써 물질의 화학적 구성요소의 양 또는 유형을 예측하기 위해 NIR 분광법을 사용한다. 예를 들어 푸리에(Fourier) 변환에 의해, 스펙트럼을 추가로 수학적으로 조작할 수 있다. NIR 분광계는 반사율 모드 또는 투과율 모드로 작동하도록 구성될 수 있다. NIR 장비의 특이적 예는 브루커(Bruker) MPA FT-NIR[메사추세츠주 빌레리카 소재의 브루커 옵틱스 인코포레이티드(Bruker Optics, Inc.)로부터 입수가능함], 및 안타리스(Antaris)™ FT-NIR 어낼라이저(Analyzer)[메사추세츠주 월섬 소재의 써모 사이언티픽(Thermo Scientific)으로부터 입수가능함]를 포함한다.
본 출원에 사용되는 "사전결정된 영양 프로파일(들)"은 동물 사료 내의 사료 성분 또는 성분들의 목적하는 양을 지칭하며, 이에 대해서는 소화율이 관련 특징이다. 영양사 또는 농부는 특정 사료 내의 성분의 목적하는 양을 설정할 수 있다. 예를 들어, 본 명세서에 기재된 방법을 사용하여 결정된 동물 사료 내의 단백질의 소화율을 감안하기 위하여 동물 사료 내의 단백질 또는 첨가제의 양을 조정할 필요가 있을 수 있다. 덜 소화성인 형태인 단백질을 가진 동물 사료는, 목적하는 양을 달성하기 위해 동물 사료 내의 단백질의 증가 및/또는 그 동물 사료 내의 단백질의 소화율을 증가시키는 사후 첨가제의 첨가를 필요로 할 수 있다.
본 출원에 사용되는 "예측 농도(들)"는 소화된 사료 샘플 내에서 NIR 분광법 및 컴퓨터 모델을 사용하여 검출되는 영양소 또는 잔류 성분의 양을 지칭한다. 본 출원의 실시양태에서는, 소화된 동물 사료를 NIR 분광법을 사용하여 스캐닝하여 스펙트럼 데이터를 생성시키고; 스펙트럼 데이터를 적어도 하나의 잔류 성분의 컴퓨터 모델과 비교하여 소화된 동물 사료의 적어도 하나의 잔류 성분의 예측 농도를 생성시킨다. 예측 농도는 샘플 내의 적어도 하나의 잔류 성분의 실제 농도의 추산이다.
본 출원에 사용되는 용어 "잔류 성분(들)"은 하나 이상의 성분을 혼합물로부터 제거하고/하거나 혼합물 내에서 변화시킨 후에 혼합물 내에 잔류하는 성분을 지칭한다. 본 출원의 실시양태에서, 잔류 성분은 단백질, 인, 지방, 탄수화물, 및 섬유질을 포함하지만 이로 제한되지 않는 개별적인 성분이다. 다른 실시양태에서, 잔류 성분은 수분 함량, 총 에너지, 및 회분 함량을 포함하지만 이로 제한되지 않는 소화된 샘플의 특징이다.
본 출원에 사용되는 용어 "동물 사료 샘플(들)"은 동물 사료의 대표적인 일부를 지칭한다. 본 출원의 실시양태에서, 동물 사료의 대표적인 일부는 동물 사료의 것과 유사한 비율로 동일한 성분을 함유한다. 대표적인 샘플은 바람직하게는 균질하거나 실질적으로 균질하다.
본 출원에 사용되는 용어 "스펙트럼 데이터"는 방사가 재료와 상호작용할 경우에 얻어지는 데이터를 지칭한다. 예를 들어, 스펙트럼 데이터는 근적외선 파장에서의 방사가 재료와 상호작용하고 재료 내의 화학 결합의 진동에 의해 흡수될 경우에 얻어진다. 주어진 파장에서 재료로부터 다시 반사되거나 재료를 통해 투과되는 방사의 양을 측정함으로써 흡광도의 강도를 측정할 수 있다. 주어진 파장에서의 흡수의 강도는 재료 내의 화학 결합의 양 및 유형에 대응한다.
상세한 설명
본 출원은 동물 사료를 분석하기 위한 시스템 및 방법에 관한 것이다. 특히, 본 출원은 동물 사료 내의 사료 성분의 소화율을 분석하기 위한 시스템 및 방법에 관한 것이다. 부가적으로, 본 출원의 시스템 및 방법은 사료 성분의 소화율에 대한 사전-첨가제 및/또는 사후-첨가제의 효과를 결정하기 위해 사용된다.
사료 성분의 소화율에 대해 동물 사료를 분석하는 방법은, 흔히 여러 대의 실험실 장비 및 상이한 성분에 대한 다중 어세이를 필요로 하는 고가이고 시간 소모적인 절차(예를 들어, 소화 방법 및 습식 화학 방법)를 포함한다. 습식 화학 방법을 사용하는 단일 분석은 단백질, 당, 인, 총 에너지, 및 지방과 같은 잔류 성분의 분석을 위해 샘플을 상이한 부분으로 분할하는 단계를 포함한다. 이 분석은 샘플을 파괴한다.
반면에, 본 출원에 제공된 시스템 및 방법은 단일 샘플을 사용하여 다중 성분의 예측 농도를 제공하며, 신속하고, 분석을 위한 시간 및 비용을 감소시키며, 사료 조성물의 조정을 가능하게 하여 동물 사료 조성물 내의 사료 성분의 소화율을 개선한다.
컴퓨터 모델을 개발하기 위한 시스템 및 방법
본 출원은 하기 단계를 포함하는, 사료 분석용 컴퓨터 모델을 개발하는 방법을 포함한다: 적어도 하나의 효소를 사용하여 복수의 동물 사료 샘플을 시험관내에서 소화시켜 복수의 소화된 동물 사료 샘플을 생성시키며, 여기서 복수의 소화된 동물 사료 샘플 각각은 적어도 하나의 잔류 성분을 포함하는 단계; 복수의 소화된 동물 사료 샘플 각각을 NIR 분광법을 사용하여 스캐닝하여 복수의 소화된 동물 사료 샘플 각각에 대한 스펙트럼 데이터를 생성시키는 단계; 습식 화학 방법을 사용하여 복수의 소화된 동물 사료 샘플 각각 내의 적어도 하나의 잔류 성분의 농도를 결정하는 단계; 및 복수의 소화된 동물 사료 샘플 각각의 적어도 하나의 잔류 성분의 농도 대 복수의 소화된 동물 사료 샘플의 상응하는 샘플의 스펙트럼 데이터 사이의 예측 관계를 설정함으로써 컴퓨터 모델을 생성시키는 단계.
시험관내 소화 어세이
컴퓨터 모델을 개발하기 위하여, 복수의 소화된 사료 샘플을 생성시키고 분석한다. 적어도 하나의 효소를 사용하여 시험관내에서 동물 사료 샘플을 소화시킨다.
동물 사료 샘플의 성분은 사료 샘플의 공급원에 따라 변동된다. 예를 들어, 상이한 지리적 영역에 위치하고/하거나 상이한 동물 품종을 갖는 농장들은 상이한 성분을 가진 사료를 가질 수 있다. 부가적으로, 영양사 또는 농부는 특정 사료 내의 성분의 목적하는 양을 설정하거나 성분의 목적하는 양에 기초하여 특정 사료를 선택할 수 있다. 사료 및 사료 성분의 예는 완전 혼합 사료(TMR), 옥수수, 대두, 여물(들), 곡물(들), 주정박(들), 발아 곡물, 콩류, 비타민, 아미노산, 광물질, 당밀, 섬유질(들), 꼴(들), 풀(들), 건초, 짚, 사일리지, 낟알(들), 잎, 밀, 가용물(들), 및 보충제(들)를 포함하지만 이로 제한되지 않는다.
본 출원의 실시양태에서는, 가금류 또는 돼지와 같은 특정 동물을 위한 복수의 상이한 동물 사료 샘플을 소화시킨다. 복수의 샘플은 결정 계수(R2) 값이 적어도 50, 60, 70, 80, 90, 또는 100, 또는 50 내지 100의 임의의 수인 컴퓨터 모델을 제공하기에 충분한 샘플 수를 갖는다. 본 출원의 실시양태에서, 복수의 샘플은 적어도 25, 35, 50, 또는 100개 이상의 샘플을 포함한다. 특이적 실시양태에서, 복수의 샘플은 적어도 50개의 고유한 샘플을 포함한다.
본 출원의 실시양태에서는, 각각의 샘플을 시험관내에서 적어도 하나의 효소로 소화시킨다. 본 출원의 실시양태에서, 효소 및 소화 조건은 동물 유형의 생체내 소화와 유사하도록 선택된다. 실시양태에서, 동물은 단위 동물(monogastric animal)이다. 실시양태에서, 동물은 돼지 또는 가금류이다. 예를 들어, 위의 소화에 참여하는 하나의 효소는 펩신이고, 장 소화에 참여하는 효소는 판크레아틴이다. 이들 효소 중 하나 또는 양자 모두가 시험관내 소화 어세이에 채택된다.
본 출원의 실시양태에서, 펩신은 7, 6, 5, 4, 3, 2, 또는 그 사이의 임의의 수 미만의 산성 pH에서 사용된다. 일부 실시양태에서, 펩신을 이용하는 소화는 동물의 위 내에서의 생체내 소화에 상응하는 시간, 예를 들어, 돼지의 경우에 적어도 1 내지 6 시간 동안 수행된다. 예를 들어, 가금류의 경우에는 약 30 분 내지 2 시간이다. pH, 온도, 및 시간의 조건은 동물 유형에 따라 조정될 수 있다.
본 출원의 실시양태에서, 샘플을 판크레아틴으로 소화시킨다. 샘플을 판크레아틴으로 소화시킬 경우, 소화는 적어도 6.0의 pH에서 수행된다. 일부 실시양태에서, 판크레아틴을 이용하는 소화는 동물의 장 내에서의 생체내 소화에 상응하는 시간, 예를 들어, 돼지의 경우에 적어도 18 시간 내지 48 시간 동안 수행된다. 예를 들어, 가금류의 경우에는 약 30 분 내지 2 시간이다. pH, 온도, 및 시간의 조건은 동물 유형에 따라 조정될 수 있다.
일부 실시양태에서는, 동물 종 내에서의 샘플의 생체내 소화와 유사한 조건 하에서 동물 사료 샘플을 펩신으로 소화시킨 후에 판크레아틴으로 소화시킨다. 동물은 소, 염소, 양, 말, 가금류, 버팔로, 알파카, 라마, 당나귀, 노새, 토끼, 닭, 거위, 칠면조, 또는 돼지를 포함하지만 이로 제한되지 않는, 식품의 공급원으로서 사육되거나 사용되는 동물을 포함한다.
본 출원의 일부 실시양태에서, 동물의 생체내 소화 과정에 따라 시험관내 소화 어세이에는 더 많거나 더 적은 단계가 존재할 수 있다. 예를 들어, 돼지의 경우, 시험관내 소화 어세이는 위 단계 및 장 단계를 포함하지만 이로 제한되지 않는다. 예를 들어, 가금류의 경우에 시험관내 소화 어세이는 소낭 단계, 사낭 단계, 및 소장 단계를 포함하지만 이로 제한되지 않는다. 위 단계 또는 사낭 단계에서는, 산성 pH에서 소화가 수행되며 펩신과 같은 효소가 포함된다. 장 단계에서는 중성 내지 약산성 pH에서 소화가 수행되며 판크레아틴과 같은 효소가 포함된다. 다른 소화 효소가 이용될 수 있다. 하나 이상의 소화 효소가 단계 중 임의의 하나 또는 단계의 조합에 채택된다.
소화된 동물 사료 샘플은 적어도 하나의 잔류 성분을 포함한다. 잔류 성분은 사료 성분의 소화 후에 사료 샘플 내에 잔류할 수 있는 성분이다. 예를 들어, 사료 샘플 내의 사료 성분은 단백질이지만 모든 단백질이 생체내에서, 또는 시험관내 어세이에서 소화될 수는 없으므로, 소화 후에 잔류 단백질 성분이 잔류한다. 다른 잔류 성분은 인, 지방, 총 에너지, 탄수화물, 또는 섬유질을 포함한다.
본 출원의 실시양태에서, 복수의 샘플을 소화시키는 방법은 각각의 샘플을 액체 성분 및 고체 성분으로 분리하는 단계를 포함한다. 전형적으로 이러한 분리는 원심분리 또는 여과를 사용하여 일어난다.
복수의 소화된 샘플 각각을 NIR 분광법 및 습식 화학 방법에 의해 분석한다.
NIR 분광법
복수의 소화된 동물 사료 샘플 각각을 NIR 분광법을 사용하여 스캐닝하여 스펙트럼 데이터를 생성시킨다. 근적외선 분광법(NIR, NIRS라고도 공지됨)은 샘플의 적어도 하나의 잔류 성분의 예측 농도(예를 들어, 분석물의 농도)를 생성시키기 위해 사용되는 분광학적 기술이다. NIR은 800-2500 nm 범위의 파장에 의존하며, 분자 내의 배진동 및 조합 진동의 측정에 가장 유용하다. NIR 측정은 전형적으로 샘플 제조를 필요로 하지 않거나 거의 필요로 하지 않으므로, 대부분의 샘플을 전처리, 조작, 또는 파괴 없이 측정할 수 있다.
전형적인 NIR 기기는 통상적으로 선택된 파장 범위에 걸쳐 샘플을 여러번 스캐닝하고 스캔을 평균하여 스펙트럼을 생성시킨다. NIR 기기는 투명한 샘플의 투과율 또는 불투명한 샘플의 반사율을 측정하도록 구성될 수 있다. 분자의 배진동 및 조합 밴드 내의 상당한 중첩으로 인해, NIR 기술은 전형적으로 다변량 보정 기술에 의존한다. NIR 컴퓨터 모델은 다중 분석물을 위한 모델(예를 들어, 보정)을 포함할 수 있으며, 수십, 수백, 또는 심지어 수천개의 샘플을 포함할 수 있다.
본 출원의 실시양태에서, 스펙트럼 데이터를 가공하여 그것이 모델을 생성시키기에 유용한 형태로 되게 한다. 본 출원의 실시양태에서는, 스펙트럼 데이터를 수학적으로 조작하여 잡음을 최소화하고/하거나, 주성분을 추출하고/하거나, 배경을 감산한다.
본 출원의 실시양태에서는, 소화된 샘플을 액체 및 고체 성분으로 분리하고 고체 성분을 스캐닝한다. 고체 성분은 적어도 하나의 잔류 성분을 포함한다. NIR 스캔은 혼합물 내의 각각의 성분의 예측 농도를 제공할 뿐 아니라 혼합물의 하나 초과의 성분을 동정할 수 있다. NIR 스캔은 스펙트럼 데이터를 생성시키며, 이를 사용하여 각각의 잔류 성분에 대한 컴퓨터 모델을 개발한다.
화학 분석
NIR 상에서 스캐닝한 샘플을 1차 분석 방법(primary analytical method), 즉, 습식 화학 방법을 사용하여 또한 분석한다. 습식 화학 방법은 단백질, 인, 지방, 총 에너지, 탄수화물, 또는 섬유질과 같은 성분의 분석에 사용되는 1차 표준 방법(primary reference method)을 포함한다. 이러한 어세이는 당업자에게 공지되어 있다. 단백질의 경우, 분석 방법은 질소의 결정 및 자외 가시선 분광법에 의한 분석을 포함한다. 인의 경우, 분석 방법은 유도 결합 플라즈마 시스템에 의한 인의 결정을 포함한다. 총 에너지는 봄베 열량계(bomb calorimeter)에서 결정할 수 있다.
분석 화학 방법은 액체 샘플 또는 건조 샘플 상에 사용할 수 있다. 본 출원의 실시양태에서는, 소화된 샘플을 액체 성분 및 고체 성분으로 분리한다. 양자 모두의 성분을 습식 화학 방법을 사용하여 분석할 수 있다. 예를 들어, 방출된 인은 액체 성분 내에서 결정할 수 있고, 잔류 인은 고체 성분 내에서 결정할 수 있다. 일부 실시양태에서는, 고체 성분 내의 적어도 하나의 잔류 성분의 습식 화학 분석을 용이하게 하기 위하여 고체 성분을 액체와 혼합한다.
습식 화학 분석은 각각의 소화된 샘플 내의 적어도 하나의 잔류 성분의 농도를 제공한다. 본 출원의 실시양태에서는, 다중 잔류 성분이 측정된다.
컴퓨터 모델의 생성
본 출원의 실시양태에서, 방법은 복수의 소화된 동물 사료 샘플 각각의 적어도 하나의 잔류 성분의 농도 대 복수의 소화된 동물 사료 샘플 각각의 상응하는 샘플의 스펙트럼 데이터 사이의 예측 관계를 설정함으로써 컴퓨터 모델을 생성시키는 단계를 포함한다.
컴퓨터 구현 방법을 통한 데이터의 수학적 조작을 사용하여 다양한 샘플의 스펙트럼을 습식 화학 결과에 관련시켜 보정을 생성시킨다. 본 출원의 실시양태에서, 컴퓨터 구현 방법은 하기 단계를 포함한다: 복수의 소화된 동물 사료 샘플 각각에 대한 스펙트럼 데이터를 수용하는 단계; 복수의 소화된 동물 사료 샘플 각각에 대한 스펙트럼 데이터를 복수의 소화된 동물 사료 샘플 각각의 상응하는 샘플 내의 적어도 하나의 잔류 성분의 농도에 관련시키는 단계; 및 스펙트럼 데이터 및 복수의 소화된 동물 사료 샘플 각각 내의 적어도 하나의 잔류 성분의 농도에 기초하는 예측 관계를 설정하여 컴퓨터 모델을 생성시키는 단계.
스펙트럼 데이터는 소화된 샘플을 스캐닝할 때 생성된다. 스펙트럼 데이터를 수학적으로 가공하여 모델을 생성시키기에 유용한 형태로 되게 할 수 있다. 본 출원의 실시양태에서는, 스펙트럼 데이터를 수학적으로 조작하여 잡음을 최소화하고/하거나, 주성분을 추출하고/하거나, 배경을 감산한다.
이어서, 각각의 샘플로부터의 스펙트럼 데이터를 습식 화학 방법에 의해 결정된 상응하는 샘플의 적어도 하나의 잔류 성분의 농도에 관련시킨다. 스펙트럼 데이터를 적어도 하나의 잔류 성분의 농도에 관련시키는 단계는 특정 샘플에 대한 적어도 하나의 잔류 성분의 농도를 NIR 분광계 내로 입력할 경우에 일어난다.
하나 이상의 통계 방법을 사용하여 샘플 내의 적어도 하나의 잔류 성분의 농도와 그 데이터에 대한 스펙트럼 데이터 사이의 예측 관계를 설정하는 모델을 생성시키기 위해 복수의 샘플 각각 내의 적어도 하나의 잔류 성분의 농도 사이의 관계를 사용한다. 통계 방법은 주성분 분석, 선형 회귀 분석, 또는 부분 최소 제곱 분석을 포함한다. 다수의 통계 방법을 사용하여 그 잔류 성분에 대한 컴퓨터 모델을 구축할 수 있다.
본 출원의 실시양태에서, NIR 모델은 결정 계수, R2 값에 의해 특성화되며, 이는 컴퓨터 모델의 예측력을 반영한다. 본 출원의 실시양태에서, 컴퓨터 모델의 R2 값은 적어도 50, 60, 70, 80, 90, 또는 100, 또는 50 내지 100의 임의의 수이다.
전형적으로 검증 방법을 사용하여 컴퓨터 모델을 검증한다. 본 출원의 실시양태에서, 검증 방법은 복수의 샘플을 모델 구축 세트 및 검증 세트로 분할하는 컴퓨터 구현 방법이다. 샘플을 세트에 배정하는 단계는 전형적으로 무작위로 실행된다. 모델 구축 세트로부터의 데이터를 이용하여 본 명세서에 기재된 바와 같이 모델을 구축한다. 검증 세트로부터의 데이터를 사용하여 모델의 예측력을 시험한다. 검증 세트의 샘플을 모델에 대해 시험하여 적어도 하나의 잔류 성분의 예측 농도를 생성시킨다. 이어서, 이 예측 농도를 습식 화학에 의해 결정된 샘플의 실제 농도와 비교한다. 이 비교는 R2 값 및/또는 표준 오차의 결정을 가능하게 한다. 단일 잔류 검증 방법(leave one out validation method)과 같은 다른 유형의 검증 또한 채택될 수 있다.
일단 컴퓨터 모델이 생성되면 그것은 NIR 분광계 내에 저장된다. 본 출원의 실시양태에서, NIR 분광계는 본 명세서에 기재된 컴퓨터 모델을 생성시키는 단계 또는 컴퓨터 모델을 검증하는 단계의 컴퓨터 구현을 구현하는 명령어를 가진 마이크로프로세서 및 메모리를 포함한다. 본 출원의 실시양태에서, 메모리는 각각의 잔류 성분에 대한 컴퓨터 모델, 및/또는 각각의 샘플에 대한 스펙트럼 데이터의 데이터베이스를 저장하는 역할을 한다. 컴퓨터 모델은 미지 농도의 적어도 하나의 잔류 성분을 가진 샘플의 적어도 하나의 잔류 성분의 예측 농도를 제공하기에 유용하다.
본 출원의 실시양태에 따라, 본 출원의 시스템은 사료 샘플의 시험관내 소화를 수행하는 단계 및 소화된 샘플의 NIR 분석에 적합한 시스템 및 장비를 포함한다. 다른 실시양태에 따라, 본 출원의 시스템은 소화된 샘플의 습식 화학 분석을 수행하는 단계에 적합한 시스템 및 장비 또한 포함한다. 예시적인 실시양태에 따라, 시스템은 전형적인 실험실 장비 및 유리 기구, 예를 들어 플라스크, 비이커, 시험관, 저울, 피펫, 인큐베이터, 진탕기, 교반기, 수조 등을 포함할 수 있다. 시스템은 분석기, 예를 들어 ICP, 질소 분석기, 및 봄베 열량계 또한 포함할 수 있다.
실시양태에 따라, 시스템은 NIR을 작동시키는 단계 및 컴퓨터 모델(예를 들어, 보정)을 개발하고 사용하는 단계에 적합한 컴퓨터 및 소프트웨어가 장착된 NIR 분석기를 추가로 포함한다. 대안적인 실시양태에 따라, 컴퓨터 모델은 인터넷과 같은 통신 기반시설을 통해 컴퓨터에 의해 접속되는 원격 컴퓨터 상에 저장될 수 있다. 예시적인 실시양태에서, NIR은 사료 샘플 스캐닝을 위한 회전 샘플 컵 조립체로 구성된다.
본 출원의 방법 및 시스템은 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다. 소프트웨어는 프로그램 저장 장치, 또는 사용자의 전산 환경(예를 들어, 애플릿) 및 검토자의 전산 환경에 구현된 소프트웨어의 상이한 일부 상에 분명하게 구체화된 응용 프로그램으로서 구현될 수 있으며, 여기서 검토자는 원격지에(예를 들어, 서비스 제공자의 시설에) 위치할 수 있다.
실시양태에서, 컴퓨터는 프로세서 단위를 포함한다. 프로세서 단위가 작동하여 정보를 수용하며, 이는 일반적으로 스펙트럼 데이터(예를 들어, NIR 스펙트럼), 및 공지 데이터의 데이터베이스[예를 들어, 복수의 샘플로부터 실험적으로 결정된 정보(예를 들어, 습식 화학 결과)]를 포함한다. 이러한 수용된 정보를 데이터베이스 내에 적어도 일시적으로 저장하고, 데이터를 분석할 수 있다.
예를 들어, 사용자에 의한 데이터 입력 중에, 또는 그 후에, 데이터 가공의 일부를 사용자측 전산 환경에서 수행할 수 있다. 예를 들어, 플랫폼을 표시하기 위해 정의된 시험 코드, 담체/진단 시험(carrier/diagnostic test), 또는 양자 모두; 정의된 플랙을 사용하는 데이터의 가공, 및/또는 플랙 구성의 생성을 제공하도록 사용자측 전산 환경을 프로그래밍할 수 있으며, 여기서 응답은 검토자의 전산 환경 내에 결과를 제공하고/하거나 보고서를 생성시키기 위한 하나 이상의 알고리듬의 후속 실행을 위해 시험 코드 및 플랙 구성의 형태로 검토자의 전산 환경에 가공되거나 부분적으로 가공된 응답으로서 전송된다.
사료 샘플을 분석하기 위한 시스템 및 방법
본 출원은 동물 사료의 적어도 하나의 잔류 성분의 컴퓨터 모델을 사용하는 방법을 포함한다. 이러한 방법은 상이한 사료 조성물을 비교하고 사료 조성물을 조정하여 사료 성분의 소화율을 개선하기에 유용하다. 본 출원의 실시양태에서, 사료를 분석하는 방법은 하기 단계를 포함한다: 적어도 하나의 효소를 사용하여 동물 사료 샘플을 시험관내에서 소화시켜 적어도 하나의 잔류 성분을 포함하는 소화된 동물 사료를 생성시키는 단계; 소화된 동물 사료를 NIR 분광법을 사용하여 스캐닝하여 스펙트럼 데이터를 생성시키는 단계; 및 스펙트럼 데이터를 적어도 하나의 잔류 성분의 컴퓨터 모델과 비교하여 소화된 동물 사료의 적어도 하나의 잔류 성분의 예측 농도를 생성시키는 단계.
이전에 기재된 바와 같이, 동물 사료 샘플은 성분이 상이할 수 있고 상이한 공급원으로부터 얻어질 수 있다. 본 출원의 실시양태에서, 동물 사료 샘플은 사전-첨가제를 포함한다. 사전-첨가제는 효소를 포함한다. 본 명세서에 기재된 바와 같이 적어도 하나의 효소를 이용하는 시험관내 소화를 사용하여 사료 샘플을 소화시킨다. 본 방법에 사용되는 샘플은 소화 후에 미지량의 적어도 하나의 잔류 성분을 갖는다.
예를 들어, 소화된 샘플 내의 적어도 하나의 잔류 성분의 농도를 동정하기 위하여 샘플을 분석한다. 잔류 성분은 단백질, 인, 지방, 총 에너지, 탄수화물, 및 섬유질을 포함하지만 이로 제한되지 않는다. 잔류 성분의 분석은 사료 샘플의 소화율을 결정하기에 유용하다. 소화된 샘플을 NIR 분광법을 사용하여 스캐닝하고 스펙트럼을 NIR 분광계 내에 저장한다. 어느 사료 조성물이 사료 성분의 더 큰 소화율을 제공하는지를 동정하기 위하여 상이한 유형의 사료 샘플을 서로 비교할 수 있다. 예를 들어, 소화 후에 제1 사료 조성물이 다른 사료 조성물보다 더 낮은 잔류 단백질, 총 에너지, 또는 인 성분을 갖는다면, 제1 사료 조성물이 선택된다.
컴퓨터 모델을 사용하여 샘플을 분석하는 경우, 샘플을 스캐닝함으로써 생성된 스펙트럼을 모델과 비교하며, 이어서 이는 샘플의 조성물의 예측 농도를 회신한다. 전형적으로 NIR 측정은 단지 수 분이 걸리고 즉시 결과를 회신하므로, NIR 측정을 신속하고 편리하게 만든다.
본 출원의 실시양태에 따라, NIR 측정을 시험관내 소화 어세이와 조합하여 샘플의 소화율을 결정한다. 기존의 NIR 방법은 사료 샘플을 현상태로(즉, 샘플 전처리 없이) 스캐닝하는 단계 및 사료 샘플의 성분의 양을 추산하는 단계를 포함한다. 그러나, 이러한 방법은 사료의 초기 조성을 예측하기 위해서만 작동하며, 어느 사료 샘플이 개선된 소화율을 가질 것인지를 구별할 수 없다. 그러므로, 소화된 샘플을 습식 화학 방법을 사용하여 분석할 필요가 없으므로 시간 및 자원을 절약하면서, 소화 어세이를 사용하여 사료 샘플을 가공하고 소화된 샘플을 NIR을 사용하여 스캐닝하여, 사료 샘플의 성분의 소화율의 더 정확한 예측을 가능하게 하는 방법이 개발되었다. 본 방법은 소화 어세이에 의해 전달되는 정보와 NIR 측정의 속도 및 편리성을 조합한다.
본 출원의 실시양태에서, 본 출원은 적어도 하나의 효소로 제1 동물 사료 조성물의 제1 샘플을 소화시키고 제2 동물 사료 조성물의 제2 샘플을 소화시키며, 여기서 제1 및 제2 사료 조성물은 적어도 하나의 사료 성분이 서로 상이한 단계; 소화된 동물 사료의 제1 및 제2 샘플을 NIR 분광법을 사용하여 스캐닝하여 각각의 샘플의 적어도 하나의 잔류 성분에 대한 스펙트럼 데이터를 생성시키는 단계; 각각의 샘플로부터의 스펙트럼 데이터를 적어도 하나의 잔류 성분의 컴퓨터 모델과 비교하여 소화된 동물 사료의 제1 및 제2 샘플의 적어도 하나의 잔류 성분의 예측 농도를 생성시키는 단계; 및 소화된 동물 사료의 제1 및 제2 샘플의 적어도 하나의 잔류 성분의 예측 농도를 비교함으로써 적어도 하나의 잔류 성분의 목적하는 농도 또는 사전결정된 농도를 가진 동물 사료 조성물을 선택하는 단계를 포함한다. 일부 실시양태에서는, 단백질, 인, 또는 총 에너지와 같은 잔류 성분의 감소를 제공하는 동물 사료 조성물이 선택된다.
본 출원의 실시양태에서, 방법은 사료 샘플의 소화율에 대한 사후-첨가제의 효과를 결정하는 단계를 제공한다. 이러한 방법은 사료 조성물에 사후 첨가제를 첨가하는 단계가 사료의 소화율을 개선하거나 사료 성분의 사전결정된 영양 프로파일을 가진 사료 조성물을 제공하는지 여부를 결정하기에 유용하다. 본 출원의 실시양태에서는, 소화 전에, 또는 소화시에 하나 이상의 사후-첨가제가 사료 샘플에 첨가된다. 사료 성분의 소화율을 개선하는 능력에 대해 상이한 첨가제를 비교할 수 있다. 본 출원의 실시양태에서 사후-첨가제는 적어도 하나의 효소, 효소의 혼합물, 또는 효소의 미생물 공급원을 가진 기질을 포함한다.
본 출원에서, 방법은 또한 상이한 성분을 가진 사료 조성물의 효율을 비교하기에 유용하다. 그 경우에, 제1 사료 샘플은 제1 조성을 갖고, 제2 사료 조성물은제2 조성을 가지며, 여기서 제1 및 제2 사료 조성물은 적어도 하나의 사료 성분이 서로 상이하다. 실시양태에서, 제1 및 제2 사료 조성물은 상이한 성분을 갖거나 동일한 성분을 상이한 양을 가짐으로써 서로 상이하다. 실시양태에서, 존재 또는 양이 상이한 성분은 인, 지방, 단백질, 총 에너지, 탄수화물, 섬유질, 사전-첨가제, 및 그의 조합으로 구성된 그룹 중에서 선택된다.
본 출원의 실시양태에서, 본 출원은 적어도 하나의 효소로 제1 동물 사료 조성물의 제1 샘플을 소화시키고 제2 동물 사료 조성물의 제2 샘플을 소화시키며, 여기서 제2 사료 조성물은 적어도 하나의 사후-첨가제의 존재에 의해, 또는 상이한 사후-첨가제를 가짐으로써 제1 조성물과 상이한 단계; 소화된 동물 사료의 제1 및 제2 샘플을 NIR 분광법을 사용하여 스캐닝하여 각각의 소화된 샘플의 적어도 하나의 잔류 성분에 대한 스펙트럼 데이터를 생성시키는 단계; 각각의 샘플로부터의 스펙트럼 데이터를 적어도 하나의 잔류 성분의 컴퓨터 모델과 비교하여 소화된 동물 사료의 제1 및 제2 샘플의 적어도 하나의 잔류 성분의 예측 농도를 생성시키는 단계; 및 소화된 동물 사료의 제1 및 제2 샘플의 적어도 하나의 잔류 성분의 예측 농도를 비교함으로써 적어도 하나의 잔류 성분의 목적하는 농도 또는 사전결정된 농도를 가진 동물 사료 조성물을 선택하는 단계를 포함한다. 일부 실시양태에서는, 단백질, 인, 또는 총 에너지와 같은 잔류 성분의 감소를 제공하는 사후-첨가제가 선택된다.
동물 사료를 조정하기 위한 시스템 및 방법
본 출원은 동물 사료의 적어도 하나의 잔류 성분의 컴퓨터 모델의 사용 방법을 포함한다. 이러한 방법은 상이한 사료 조성물을 비교하고 사료 조성물을 조정하여 사료 성분의 소화율을 개선하기에 유용하다. 본 출원의 실시양태에서, 동물 사료 조성물을 조정하는 단계는 하기 단계를 포함한다: 동물 사료 조성물의 사료 성분의 사전결정된 영양 프로파일을 동정하는 단계; 하기 단계를 포함하는 방법에 의해 동물 사료 내의 사료 성분의 잔류 성분의 농도를 예측하는 단계: 적어도 하나의 효소를 사용하여 시험관내에서 동물 사료 샘플을 소화시켜 적어도 하나의 잔류 성분을 포함하는 소화된 동물 사료를 생성시키는 단계; 소화된 동물 사료를 NIR 분광법을 사용하여 스캐닝하여 스펙트럼 데이터를 생성시키는 단계; 스펙트럼 데이터를 적어도 하나의 잔류 성분의 컴퓨터 모델과 비교하여 잔류 성분의 예측 농도를 생성시키는 단계; 및 적어도 하나의 잔류 성분의 예측 농도에 기초하여 동물 사료 조성물을 조정하여 사료 성분의 사전결정된 영양 프로파일을 얻는 단계.
따라서, 일부 실시양태에서, 본 발명은 단백질, 지방, 총 에너지, 소화성 에너지, 인 방출, 당 방출, 섬유질, 탄수화물 등에 대한 효소적 효과에 대해 사료(예를 들어, 동물 사료)를 분석하고, 사료의 소화율에 대해 사후-첨가제가 가지는 효과를 결정하는 효율적인 방법을 제공한다. 본 출원에 기재된 시스템 및 방법은 다수의 사료를 다중 성분에 대해 분석하기 위해 사용될 수 있으며 생체내 실험을 수행하지 않고 신속하게 갱신될 수 있다.
본 출원은 임의의 다수의 동물 사료의 분석에 유용하며 특정 사료의 분석으로 제한되지 않는다. 동물 사료는 사육되는 가축(예를 들어, 소, 염소, 양, 말, 가금류, 버팔로, 알파카, 라마, 당나귀, 노새, 토끼, 및 돼지)을 먹이기 위해 특이적으로 사용되는 임의의 식품이다. 동물 사료는 흔히 완전 혼합 사료(TMR), 옥수수, 대두, 여물(들), 곡물(들), 주정박(들), 발아 곡물, 콩류, 비타민, 아미노산, 광물질, 당밀, 섬유질(들), 꼴(들), 풀(들), 건초, 짚, 사일리지, 낟알(들), 잎, 밀, 가용물(들), 및 보충제(들)를 포함한다.
하나 이상의 사후-첨가제, 예를 들어 효소(예를 들어, 소화 효소)를 사료에 첨가함으로써 사료 성분의 소화율을 개선할 수 있다. 예를 들어, 피타아제, 프로테아제, 진균 프로테아제, 셀룰라아제, 자일라나아제, 산 포스파타아제, 베타-글루카나아제, 펙티나아제, 및 알파 아밀라아제와 같은 효소를 사료에 첨가하여(즉, 첨가제로서 사용함) 소화율을 개선할 수 있다. 효소는 정제된 형태, 부분적으로 정제된 형태, 또는 정제되지 않은 형태로 제공될 수 있다. 효소는 천연(예를 들어, 진균) 또는 합성 기원일 수 있거나, 시험관내에서 생성(예를 들어, 재조합)될 수 있다. 일부 실시양태에서는, 프로테아제(예를 들어, 펩신)를 첨가한다. 일부 실시양태에서는, 구매가능한 효소 또는 효소 혼합물을 첨가한다[예를 들어, 켄터키주 니콜라스빌 소재의 올텍(Alltech)으로부터 입수가능한 올자임(Allzyme) SSF].
사후-첨가제를 특정 사료 조성물에 첨가하는 단계가 바람직할 것인지 여부를 결정하기 위하여, 사료 조성물의 소화율 성분을 아는 것이 유익하다. 실시양태에 따라, 동물 사료 샘플을 시험관내에서 소화시켜 적어도 하나의 잔류 성분을 포함하는 소화된 사료를 생성시키는 단계, 소화된 사료를 NIR을 사용하여 스캐닝하여 스펙트럼 데이터를 생성시키는 단계, 스펙트럼 데이터를 적어도 하나의 잔류 성분의 컴퓨터 모델과 비교하는 단계, 및 잔류 성분의 예측 농도를 생성시키는 단계에 의해 사료 조성물을 분석할 수 있다. 하나 이상의 잔류 성분의 예측 농도를 사료 성분의 사전결정된 영양 프로파일 또는 목적하는 영양 프로파일과 비교할 수 있다. 본 출원의 일부 실시양태에서, 잔류 성분의 양이 사료 성분의 사전결정된 영양 프로파일 또는 목적하는 영양 프로파일에서보다 더 높은 경우, 하나 이상의 사후-첨가제, 예를 들어 효소(예를 들어, 소화 효소)를 첨가함으로써 영양 프로파일을 향상시킬 수 있다.
"사전결정된 영양 프로파일(들)"은 동물 사료 내의 사료 성분 또는 성분들의 목적하는 양을 지칭하며, 이에 대해서는 소화율이 관련 특징이다. 영양사 또는 농부는 특정 사료 내의 성분의 목적하는 양을 설정할 수 있다. 예를 들어, 본 명세서에 기재된 방법을 사용하여 결정된 동물 사료 내의 단백질의 소화율을 감안하기 위하여 동물 사료 내의 단백질 또는 첨가제의 양을 조정할 필요가 있을 수 있다. 덜 소화성인 형태인 단백질을 가진 동물 사료는, 목적하는 양을 달성하기 위해 동물 사료 내의 단백질의 증가 및/또는 그 동물 사료 내의 단백질의 소화율을 증가시키는 사후 첨가제의 첨가를 필요로 할 수 있다.
다른 실시양태에 따라, 본 시스템 및 방법을 사용하여 2개 이상의 사료의 소화율을 비교할 수 있으며, 그 중의 하나 이상은 효소(예를 들어, 소화 효소)와 같은 사후-첨가제를 포함할 수 있다. 예를 들어, 본 시스템 및 방법을 사용하여 하나의 사료 샘플이 다른 사료 샘플과 비교하여 우월한 영양 프로파일을 가지고 있음을 보여줄 수 있으며, 이는 상기 하나의 사료 샘플이 더 소화성인 성분을 갖기 때문이다.
하기의 실시예는 본 발명의 소정의 바람직한 실시양태 및 측면을 입증하고 추가로 예시하기 위해 제공되며, 그의 범위를 제한하는 것으로 해석되어서는 안된다.
실시예
실시예 1: NIR 모델
돼지 및 가금류 사료의 소화된 샘플에 대해 NIR 모델을 생성시켰다. 소화된 샘플 내의 잔류 성분의 함량을 추산함으로써 소화 어세이와 함께 모델을 사용하여 사료 샘플의 소화율을 평가할 수 있다.
도 1은 본 명세서에 기재된 바와 같이 사료 샘플을 소화시키고 분석하는 방법에 대한 예시적인 도식을 나타낸다. 도면은 초기 사료 샘플에 시험관내 소화를 적용하고 NIR 및 습식 화학을 사용하여 총 에너지, 단백질, 인, 및 당 함량의 잔류량에 대해 소화물을 분석하였음을 나타낸다.
시험관내에서 영양소의 소화와 유사한 소화 어세이를 사용하여 가금류 및 돼지 사료의 샘플을 소화시켰다. 어세이는 문헌[참조: Boisen S., A multienzyme assay for pigs, Chapter 10, A Model for Feed Evaluation Based on Invitro Digestible Dry Matter and Protein, Invitro Digestion for Pig and Poultry, 1990, M.F. Fuller]으로부터 변형되었다.
소화된 샘플을 단백질, 총 에너지, 및 인에 대한 습식 화학 방법을 사용하여 분석하였다. 소화된 사료 및 액체로 구성된 최종 덩어리를 고체 성분 및 액체 성분으로 분리하였다. 고체 성분을 건조시키고 건조된 고체를 NIR 분광계를 사용하여 스캐닝하였다. 소화된 가금류 사료 내의 단백질, 인, 및 총 에너지에 대해, 그리고 소화된 돼지 사료 내의 단백질 및 총 에너지에 대해 NIR 모델을 생성시켰다.
소화 어세이
하기의 소화 어세이를 사용하여 돼지 및 가금류 사료 샘플을 소화시켰다. 어세이 중에 사후-첨가제(올자임 SSF)를 첨가함으로써 일부 샘플을 변경하였다.
시재료:
다양한 기원의 가금류 및 돼지 사료 샘플을 사용하였다. 가금류 및 돼지 사료 샘플은 양자 모두 주로 옥수수 및 대두 밀로 구성되었다.
켄터키주 니콜라스빌 소재의 올텍으로부터 입수가능한 올자임 SSF 사료 첨가제를, 사료에 첨가되는 효소(예를 들어, 사후 첨가제)의 공급원으로서 사용하였다. 올자임 SSF는 적어도 300 U의 피타아제를 포함하는 효소 복합체를 함유한다.
시약:
A. HCl: 0.2 M, 1M, 2 M, 및 4 M
B. 0.6 M NaOH
C. 1 M NaHCO3
D. 시그마(Sigma)로부터의 펩신(P7012); 10 mg 펩신/mL 탈이온수 또는 2.25 mg 펩신/mL 탈이온수
E. 시그마로부터의 판크레아틴(P3292); 50 mg 판크레아틴/mL 탈이온수 또는 2.315 mg 판크레아틴/mL 탈이온수
F. 15% 트리클로로아세트산(TCA)
G. 아세테이트 완충제: 0.1 M(pH 6.0) 및 0.2 M(pH 6.8)
H. 클로람페니콜 용액; 5 mg 클로람페니콜/1 mL 알코올
I. TCA 정지 용액
J. 3 부피의 1 M 황산, 1 부피의 2.5%(w/v) 암모늄 몰리브데이트, 및 1 부피의 10%(w/v) 아스코르브산으로부터 제조된 발색 시약
K. 디니트로살리실산, NaOH, 포타슘 소듐 타르트레이트 테트라하이드레이트, 및 탈이온수로부터 제조된 DNS 용액(암색병 내에 저장)
L. 덱스트로스 표준품: 0 mg/mL; 0.2 mg/mL; 0.4 mg/mL; 0.6 mg/mL; 0.8 mg/mL; 및 1.0 mg/mL
포스페이트 표준품: 물 중의 0 μM; 5.625 μM; 11.25 μM; 22.5 μM; 45 μM; 및 90 μM 포타슘 포스페이트.
절차
효소 첨가제
사후-첨가제로서 실험에 사용될 액체 효소 산물을 생성시키기 위해, 올자임 SSF로부터 효소를 탈이온수로 추출하고 0.1 M 소듐 아세테이트 완충제로 1:2,500,000 희석하였다.
돼지 소화 어세이
1차 소화 - 위
2 그램의 분쇄 돼지 사료 샘플을 49 mL의 0.1 M 소듐 아세테이트 완충제와 혼합하였다. 상기 기재된 올자임 SFF 산물로부터 제조된 1 mL의 액체 사후 첨가제와 혼합함으로써, 사후-첨가제의 첨가에 의해 일부 샘플을 변경하였다. HCl을 이용하여 용액의 pH를 2로 조정하였다. 2.0 mL의 펩신 용액(10 mg 펩신/mL 탈이온수) 및 1.0 mL의 클로람페니콜 용액을 첨가하였다. 용액을 교반하고 55 RPM에서 6 시간 동안 39 ℃ 교반 수조에 넣었다. 용액을 매 시간 교반하였다.
2차 소화 - 소장
1차 소화 후에, 샘플을 20 mL의 0.2 M 소듐 아세테이트 완충제 및 10 mL의 0.6 M NaOH와 혼합하였다. 0.6 M NaOH를 이용하여 용액의 pH를 6.8로 조정하였다. 2.0 mL의 판크레아틴 용액(50 mg 판크레아틴/mL 탈이온수)을 첨가하였다. 용액을 교반하고 39 ℃ 교반(55 RPM) 수조에 18 시간 동안 넣었다. 용액을 교반하고 14000 g에서 20 분 동안 원심분리하였다.
가금류 소화 어세이
소낭 단계
2.5 그램의 분쇄 가금류 사료 샘플을 6 ml의 증류수와 혼합하였다. 상기 기재된 올자임 SFF 산물과 7 ml의 증류수로부터 제조된 1 mL의 액체 사후 첨가제와 혼합함으로써, 사후-첨가제의 첨가에 의해 일부 샘플을 변경하였다. 샘플을 40 ℃에서 30 분 동안 인큐베이션하였다.
사낭 단계
소낭 단계에서의 인큐베이션 후에 1M HCl을 이용하여 샘플을 pH 3.0으로 조정하였다. 2.0 mL의 펩신 용액(2.25 mg 펩신/mL 탈이온수) 및 1.0 mL의 클로람페니콜 용액을 각각의 샘플에 첨가하였다. 용액을 교반하고 40 ℃ 수조에 45 분 동안 넣었다.
소장
사낭 단계 후에, 샘플을 1 mL의 NaHCO3와 혼합하여 6.5의 pH를 얻었다. 2.0 mL의 판크레아틴 용액(2.315 mg 판크레아틴/mL 탈이온수)을 첨가하였다. 용액을 교반하고 40 ℃ 수조에 60 분 동안 넣었다. 용액을 교반하고 14000 g에서 20 분 동안 원심분리하였다.
습식 화학 분석
시험관내 소화 절차는 소화된 사료의 고체 부분 및 액체 부분으로 구성된 최종 덩어리를 남겼다. 추가 분석을 위해 샘플을 고체 성분 및 액체 성분(즉, 상등액)으로 분리하였다. 고체 성분을 동결 건조하여 최종 건조물 부분을 수득하였다.
장비:
인 분석을 위한 베리안(Varian) 720-ES ICP
질소(단백질) 분석을 위한 레코 트루스펙(Leco TruSpec) CHN
총 에너지 분석을 위한 파르(Parr) 6100 봄베 열량계
단백질, 인, 및 총 에너지
소화된 샘플의 최종 건조물 부분을 단백질, 인, 및 총 에너지에 대해 분석하였다. 질소 연소 분석기를 사용하고 질소 함량을 단백질로 전환함으로써 단백질 함량을 결정하였다. 인 함량은 ICP(유도 결합 플라즈마) 시스템을 사용하여 결정하였다. 총 에너지 함량은 봄베 열량계를 사용하여 결정하였다.
NIR 모델
소화된 샘플의 최종 건조물 부분을 NIR 회전 컵 조립체를 사용하여 스캐닝하여 NIR 반사율 데이터를 수집하였다. 다양한 샘플의 NIR 스캔을 기록하고 각각의 샘플에 대한 습식 화학 결과와 관련시켜 소화된 샘플의 각각의 성분(단백질, 인, 및 총 에너지)에 대한 컴퓨터 모델을 생성시켰다.
장비:
메사추세츠주 빌레리카 소재의 브루커 옵틱스 인코포레이티드로부터 입수가능한, 회전 컵 조립체를 가진 브루커 MPA FT-NIR, 모델 번호 122000.
설정:
분해능 16 cm-1
스캔 32: 각각의 샘플을 32회 스캐닝하고 스캔을 각각의 샘플에 대해 단일 스캔 파일로 평균하도록 기기를 설정함
파수 범위 10000 cm-1-4000 cm-1
흡광도는 "스피어 마크로샘플(sphere macrosample)" 구획을 사용하여 측정함
결과 - 가금류 사료 소화 어세이
소화 어세이에 따라 가금류 사료 샘플을 소화시켰다. 소화된 샘플의 최종 건조물 부분을 NIR 상에서 스캐닝하였다. 소화된 가금류 사료 샘플의 예시적인 NIR 스캔을 도 2에 나타낸다.
소화된 샘플을 단백질, 인, 및 총 에너지에 대해 습식 화학 분석에 의해 분석하였다. 소화된 샘플의 단백질 함량은 13-34%의 범위였고; 인 함량은 750-5900 ppm의 범위였으며; 총 에너지는 3300-5200 cal/g의 범위였다. 이어서, 각각의 샘플의 단백질, 인, 및 총 에너지 함량을 NIR 스캔과 관련시켜 각각의 성분에 대한 NIR 모델을 개발하였다.
가금류 사료에 대한 NIR 단백질 모델의 컴퓨터-생성된 교차 검증을 도 3에 나타낸다. 모델은 29개의 샘플을 포함하였다. 모델에 대한 R2은 86.66이었고 RMSECV(교차-검증의 제곱근 평균 제곱 오차)는 2.68이었다. R2 값은 데이터가 모델에 얼마나 잘 적합되는지, 그리고 관찰된 결과가 모델에 의해 얼마나 잘 예측되는지를 표시한다. RMSECV는 데이터 내의 편차의 척도이다.
가금류 사료에 대한 NIR 인 모델의 컴퓨터-생성된 교차 검증을 도 4에 나타낸다. 모델은 24개의 샘플을 포함하였다. 모델에 대한 R2은 75.94였고 RMSECV는 554였다.
가금류 사료에 대한 NIR 총 에너지 모델의 컴퓨터-생성된 교차 검증을 도 5에 나타낸다. 모델은 18개의 샘플을 포함하였다. 모델에 대한 R2은 87.72였고 RMSECV는 148이었다. 모델 내의 샘플의 수를 증가시킴으로써 모델의 R2 및 RMSEV를 개선할 수 있을 것으로 예상된다.
결과 - 돼지 사료 소화 어세이
소화 어세이에 따라 돼지 사료 샘플을 소화시켰다. 소화된 샘플의 최종 건조물 부분을 NIR 회전 컵 조립체를 사용하여 스캐닝하여 NIR 반사율 데이터를 수집하였다. 소화된 돼지 사료 샘플의 예시적인 스캔을 도 6에 나타낸다.
소화된 샘플을 단백질 및 총 에너지에 대해 습식 화학 분석에 의해 분석하였다. 소화된 샘플의 단백질 함량은 6-47%의 범위였고 총 에너지는 3900-5300 cal/g의 범위였다. 이어서, 각각의 샘플의 단백질 및 총 에너지 함량을 NIR 스캔과 관련시켜 각각의 성분에 대한 NIR 모델을 개발하였다.
돼지 사료에 대한 NIR 단백질 모델의 컴퓨터-생성된 교차 검증을 도 7에 나타낸다. 모델에 대한 R2은 98.86이었고 RMSECV는 0.708이었다.
돼지 사료에 대한 NIR 총 에너지 모델의 컴퓨터-생성된 교차 검증을 도 8에 나타낸다. 모델에 대한 R2은 80.5였고 RMSECV는 141이었다.
토의
결과는, 소화된 사료 샘플 내의 소화되지 않은(즉, 잔류) 성분의 함량을 예측하기 위한 소화 어세이와 함께 사용하기 위해 개발될 수 있는 다양한 NIR 모델을 나타낸다. 예시적인 모델에 사용된 비교적 적은 수의 샘플에도 불구하고, 돼지 사료에 대한 단백질 모델이 특히 성공적이었다(98.86의 R2). 모델은, 소화된 사료 샘플 내의 실제 단백질 함량을 고도로 예측할 수 있으며, 고가이고 시간-소모적인 습식 화학 방법을 수행하는 대신에 사용할 수 있는 것으로 나타났다. 샘플의 수가 증가함에 따라 모델의 정확도가 증가할 수 있다. 특히, 인 및 총 에너지 모델의 예측가능성은 모델 내에 더 많은 샘플을 포함함으로써 개선될 수 있을 것으로 예상된다.
실시예 2
돼지에 대한 잔류 단백질 모델의 검증.
돼지 사료의 소화물에 대한 잔류 단백질 모델의 예측가능성을 검증하였다. 검증 방법은, 미지 특징을 가진 사료 샘플을 분석하기 위해 본 명세서에 기재된 방법이 어떻게 사용되는지를 반영한다.
돼지 사료 샘플의 세트를 실시예 1에 기재된 바와 같이 소화시키고 NIR을 사용하여 스캐닝하였다. 또한 습식 화학을 사용하여 각각의 샘플을 단백질 함량에 대해 특성화하였다. 샘플을 검증 세트 및 모델 구축 세트로 분할하였다. 모델 구축 세트 내의 샘플을 사용하여 본 명세서에 기재된 바와 같이 모델을 생성시켰다. 모델 내에서 검증 세트를 시험하여 각각의 샘플에 대한 잔류 단백질의 예측 농도를 생성시켰다. 각각의 샘플에 대한 예측 농도를 습식 화학을 사용하여 결정된 샘플 내의 잔류 단백질의 농도(실제)와 비교하였다. 결과를 표 1에 나타낸다:
파일 이름 실제 예측 차이
러시아 소우 플라스크(Russia Sow Flask) 8.2 8.84625 8.64 0.206
러시아 소우 플라스크 8.1 8.84625 8.798 0.0478
러시아 소우 플라스크 8.0 8.84625 8.691 0.155
러시아 소우 플라스크 7.2 8.5775 8.841 -0.263
러시아 소우 플라스크 7.1 8.5775 8.922 -0.345
러시아 소우 플라스크 7.0 8.5775 8.965 -0.387
러시아 소우 플라스크 6.2 10.0781 9.498 0.58
러시아 소우 플라스크 6.1 10.0781 9.513 0.565
러시아 소우 플라스크 6.0 10.0781 9.522 0.556
러시아 소우 플라스크 5.2 8.51 8.502 0.00811
러시아 소우 플라스크 5.1 8.51 8.587 -0.0568
러시아 소우 플라스크 5.0 8.51 8.646 -0.136
러시아 소우 플라스크 4.2 8.44 8.314 0.126
러시아 소우 플라스크 4.1 8.44 8.303 0.137
러시아 소우 플라스크 4.0 8.44 8.446 -0.00599
러시아 소우 플라스크 3.2 8.495 8.738 -0.243
러시아 소우 플라스크 3.1 8.495 8.871 -0.376
이들 결과는 모델이 샘플 내의 잔류 단백질의 농도의 고도의 예측가능성을 가졌음을 나타낸다.
본 출원의 소정의 실시양태가 기재되었지만, 다른 실시양태가 존재할 수 있다. 본 명세서는 상세한 설명을 포함하지만, 본 발명의 범위는 하기의 청구범위에 의해 표시된다. 추가로, 본 명세서가 구조적 특징부 및/또는 방법론적 행위에 특이적인 표현으로 기재되었지만, 청구범위는 상기 기재된 특징부 또는 행위로 제한되지 않는다. 오히려, 상기 기재된 특이적 특징부 및 행위는 본 발명의 예시적 측면 및 실시양태로서 개시된다. 본 명세서의 설명을 읽은 후에는, 본 발명의 사상 또는 청구된 주제의 범위로부터 벗어나지 않으면서 다양한 다른 측면, 실시양태, 변형, 및 그의 균등물이 당업자에게 떠오를 수 있다.

Claims (18)

  1. 하기 단계를 포함하는, 돼지 또는 가금류의 사료의 조정된 조성물을 선택하기 위하여 돼지 또는 가금류의 사료를 분석하는 방법:
    a) 동물 사료 조성물을 갖는 동물 사료 샘플을 시험관내에서 소화(digestion)시켜 i) 단백질, 인, 지방 및 탄수화물로 구성된 그룹 중에서 선택되는 하나 이상의 잔류 성분, 및 ii) 총 에너지(gross energy) 중 하나 이상을 포함하는 소화된 동물 사료를 생성하는 단계로서, 여기서 소화된 동물 사료는 i) 단백질, 인, 지방, 또는 탄수화물 중 하나 이상의 미지의 농도 수치 또는 ii) 소화된 동물 사료에 대한 미지의 총 에너지 양 수치 중 하나 이상을 포함하고, 동물 사료 샘플은 돼지 사료, 가금류 사료 또는 이의 혼합물로 이루어지고, 동물 사료 조성물은 옥수수, 대두, 곡물, 주정박, 콩류, 당밀, 또는 이들 중 임의의 혼합물 중 하나 이상을 포함하고, 상기 소화는 두 단계를 포함하며, 소화의 제1단계는 7 미만의 pH에서 시험관내 수행되고 펩신을 포함하는 하나 이상의 효소의 이용을 포함하며, 소화의 제2단계는 중성 내지 산성 pH에서 시험관내 수행되고 판크레아틴을 포함하는 하나 이상의 효소의 이용을 포함하여, 소화된 동물 사료를 제공하며, 상기 소화는 소화된 동물 사료를 고체 성분 및 액체 성분으로 분리하는 것을 더 포함하는 단계;
    b) 소화된 동물 사료의 고체 성분을 근적외선(NIR) 분광계를 사용하여 스캐닝하여 스펙트럼 데이터를 생성하는 단계;
    c) 소화된 동물 사료의 고체 성분의 스캐닝으로부터 생성된 스펙트럼 데이터를 하나 이상의 잔류 성분 또는 총 에너지의 컴퓨터 모델과 비교하여, 단백질, 인, 지방, 또는 탄수화물인 하나 이상의 잔류 성분의 예측 농도 수치 또는 소화된 동물 사료의 총 에너지 양의 예측 수치를 생성하는 단계로서, 여기서 스펙트럼 데이터는 소화된 동물 사료로부터 스펙트럼 데이터를 수용하는 단계 및 스펙트럼 데이터를 하나 이상의 잔류 성분 또는 총 에너지 양의 컴퓨터 모델과 비교하여 하나 이상의 잔류 성분의 예측 농도 수치 또는 소화된 동물 사료의 총 에너지 양의 예측 수치를 얻는 단계를 포함하는 컴퓨터로 구현되는 방법(computer implemented method)을 사용하여 비교되고,
    상기 컴퓨터 모델은,
    상이한 동물 사료 조성물을 갖는 복수의 동물 사료 샘플에 대해 b) 단계에 따라 스펙트럼 데이터를 얻는 단계로서, 복수의 동물 사료 샘플은 a) 단계에 따라 사전 소화되어 소화된 동물 사료의 고체 부분 및 액체 부분을 갖는 복수의 사전 소화된 동물 사료 샘플을 제공하는 것이고, 복수의 사전 소화된 동물 사료 샘플 각각에 대해 고체 부분이 액체 부분으로부터 분리되어 분리된 고체 부분을 형성하고, 복수의 사전 소화된 동물 사료 샘플 각각은 복수의 사전 소화된 동물 사료 샘플 각각의 분리된 고체 부분에 대해 수행되는 화학적 분석에 의해 결정되는, 단백질, 인, 지방, 또는 탄수화물인 하나 이상의 잔류 성분의 분석적으로 결정된(analytically-determined) 농도 수치, 또는 소화된 동물 사료의 분석적으로 결정된 총 에너지 양 수치를 또한 갖는 단계; 및
    복수의 동물 사료 샘플 각각에 대해 얻어진 스펙트럼 데이터를, 복수의 동물 사료 샘플 각각 내의 각 소화된 동물 사료의 분석적으로 결정된 농도 수치 또는 분석적으로 결정된 총 에너지 양 수치에 상관시켜 컴퓨터 모델을 생성하는 단계에 의해 생성되는 것인 단계;
    d) c) 단계로부터의 소화된 동물 사료의 예측 농도 수치 또는 총 에너지 양의 예측 수치를 소화된 동물 사료의 사전결정된 목적 농도 수치 또는 사전결정된 목적 총 에너지 양 수치와 비교하여, 1) a) 단계의 동물 사료 조성물의 하나 이상의 잔류 성분의 소화율 또는 2) a) 단계의 동물 사료 조성물의 총 에너지 양을 결정하는 단계; 및
    e) 비교 단계 d)에서 결정된 1) 소화율 또는 2) 총 에너지 양에 기초하여, 소화된 동물 사료의 하나 이상의 잔류 성분의 사전결정된 목적 농도 수치 또는 사전결정된 목적 총 에너지 양 수치를 제공하는 a) 단계의 동물 사료 조성물과는 상이한 조정된 동물 사료 조성물을 선택하는 단계.
  2. 제1항에 있어서,
    a) 단계의 동물 사료 샘플이 사전 첨가제(pre-additive)를 포함하고, 사전 첨가제가 하나 이상의 효소인 방법.
  3. 제1항에 있어서,
    f) e) 단계 후에, a) 단계에 따른 동물 사료 조성물의 조성을 갖는 동물 사료 조성물을 조정하여 e) 단계에 따른 선택된 조정된 동물 사료 조성물을 얻는 단계를 더 포함하는 방법.
  4. 제3항에 있어서,
    동물 사료 조성물을 조정하는 단계는 i) 단백질, 인, 지방 및 탄수화물로 구성된 그룹 중에서 선택된 잔류 성분, 및 ii) 총 에너지 중 하나 이상의 양을 a) 단계의 동물 사료 조성물에 비해 조정하는 것을 포함하는 방법.
  5. 제3항에 있어서,
    동물 사료 조성물을 조정하는 단계는, 조정 전에 동물 사료 조성물의 하나 이상의 잔류 성분에 대해 결정된 예측 농도 수치에 비해, 각각 a), b), 및 c) 단계에 따라 조정된 동물 사료 조성물을 소화, 스캐닝 및 비교함으로써 결정되는 조정된 동물 사료 조성물의 하나 이상의 잔류 성분의 예측 농도 수치의 감소를 제공하고, 하나 이상의 잔류 성분은 단백질, 인, 지방 또는 탄수화물 중 하나 이상인 방법.
  6. 제3항에 있어서,
    동물 사료 조성물을 조정하는 단계는 효소를 포함하는 하나 이상의 사후 첨가제(post-additive)를 부가하는 것을 포함하는 방법.
  7. 제1항에 있어서,
    a) 단계에서, 동물 사료 샘플이 돼지 사료이고, 제1소화 단계가 1 내지 6시간 동안 7 미만의 pH에서 수행되고, 제2소화 단계가 18시간 내지 48시간 동안 중성 내지 6.0 이상의 산성 pH에서 수행되어, 소화된 동물 사료를 생성하는 방법.
  8. 제1항에 있어서,
    동물 사료 샘플이 돼지 사료이고, 펩신은 돼지 펩신이고, 판크레아틴은 돼지 판크레아틴인 방법.
  9. 제1항에 있어서,
    동물 사료 샘플이 돼지 사료이고, 동물 사료 조성물이 옥수수를 포함하는 방법.
  10. 제1항에 있어서,
    동물 사료 샘플이 돼지 사료이고, 제1소화 단계 및 제2소화 단계는 아세테이트 완충제의 이용을 더 포함하는 방법.
  11. 제1항에 있어서,
    동물 사료 샘플이 가금류 사료이고, 동물 사료 샘플이 피타아제를 포함하는 하나 이상의 효소를 포함하고, 소화 단계는 동물 사료 샘플에 대해 수행되는 시험관내 소화 단계를 더 포함하는 방법.
  12. 제11항에 있어서,
    제1소화 단계가 펩신을 포함하고 7 미만의 pH에서 30분 내지 2시간 동안 수행되고, 제2소화 단계가 판크레아틴을 포함하고 6.0 이상의 pH에서 30분 내지 2시간 동안 수행되어, 소화된 동물 사료를 생성하는 방법.
  13. 제1항에 있어서,
    하나 이상의 잔류 성분이 단백질, 인 및 지방으로 구성된 그룹 중에서 선택되는 방법.
  14. 제3항에 있어서,
    동물 사료 조성물을 조정하는 단계는 하나 이상의 사후 첨가제를 부가하는 것을 포함하고, 사후 첨가제는 프로테아제, 셀룰라아제, 자일라나아제, 산 포스파타아제, 베타-글루카나아제, 펙티나아제, 알파 아밀라아제, 또는 이들의 임의의 조합으로 구성된 그룹 중에서 선택된 효소인 방법.
  15. 제14항에 있어서,
    사후 첨가제는 프로테아제인 방법.
  16. 제1항에 있어서,
    a) 단계의 고체 성분은 b) 단계의 스캐닝 전에 동결 건조되는 방법.
  17. 제1항에 있어서,
    a) 단계에서, 소화된 동물 사료는 총 에너지 양을 포함하고, c) 단계에서의 분석적으로 결정된 총 에너지 양 수치는 복수의 사전 소화된 동물 사료 샘플 각각에 대해 총 에너지 양 수치를 봄베 열량계(bomb calorimeter)에서 결정하는 것을 포함하는 방법에 의해 결정되는 방법.
  18. 제1항에 있어서,
    화학적 분석은 단백질, 인, 지방, 또는 탄수화물인 하나 이상의 잔류 성분에 대해 습식 화학법을 포함하고, 화학적 분석은 총 에너지에 대해 봄베 열량법(bomb calorimetry)을 포함하는 방법.
KR1020167015383A 2013-12-17 2014-02-11 동물 사료 조정을 위한 시스템 및 방법 KR102264108B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/109,907 2013-12-17
US14/109,907 US10537122B2 (en) 2013-12-17 2013-12-17 Systems and methods for adjusting animal feed
PCT/US2014/015736 WO2015094390A1 (en) 2013-12-17 2014-02-11 Systems and methods for adjusting animal feed

Publications (2)

Publication Number Publication Date
KR20160098231A KR20160098231A (ko) 2016-08-18
KR102264108B1 true KR102264108B1 (ko) 2021-06-14

Family

ID=53368102

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020167015383A KR102264108B1 (ko) 2013-12-17 2014-02-11 동물 사료 조정을 위한 시스템 및 방법

Country Status (18)

Country Link
US (1) US10537122B2 (ko)
EP (1) EP3082449B1 (ko)
KR (1) KR102264108B1 (ko)
CN (2) CN106061281A (ko)
AU (1) AU2014367218B2 (ko)
CA (1) CA2928153A1 (ko)
CL (1) CL2016001099A1 (ko)
CR (1) CR20160266A (ko)
DO (1) DOP2016000131A (ko)
EC (1) ECSP16026183A (ko)
ES (1) ES2815100T3 (ko)
IL (1) IL245522A0 (ko)
MX (1) MX2016007782A (ko)
PE (1) PE20161149A1 (ko)
PH (1) PH12016500852A1 (ko)
SA (1) SA516371309B1 (ko)
SG (1) SG11201603159QA (ko)
WO (1) WO2015094390A1 (ko)

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
IL293609A (en) * 2019-12-05 2022-08-01 The State Of Israel Ministry Of Agriculture & Rural Development Agricultural Res Organization Aro Vo A device for measuring concentrations of components in leaves of plants and a method for applying the device
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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080026129A1 (en) * 2006-07-27 2008-01-31 Beck James F System for real-time characterization of ruminant feed components
WO2008124819A1 (en) * 2007-04-10 2008-10-16 Kemin Industries, Inc. Use of a multi-protease system to improve the protein digestibility of animal feeds
WO2009011829A1 (en) 2007-07-19 2009-01-22 Can Technologies, Inc. System and method for measuring starch gelatinisation in a feed production system
US20090092715A1 (en) 2006-07-27 2009-04-09 Beck James F System for real-time characterization of ruminant feed rations
US20090272889A1 (en) * 2008-03-17 2009-11-05 David Kenneth Combs Method for measuring fiber digestibility
JP2009544320A (ja) 2006-07-27 2009-12-17 ニュートリ−イノベーションズ エルエルシー 反すう動物の飼料成分のリアルタイム特性付け用システム
KR100952041B1 (ko) 2010-01-18 2010-04-07 박춘근 돼지사육용 배합사료 조성물
US20130156932A1 (en) 2007-12-21 2013-06-20 Basf Se Method of increasing the milk and/or meat quantity of silage-fed animals

Family Cites Families (22)

* 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
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
US6750035B1 (en) 1999-08-06 2004-06-15 Novus International, Inc. In vitro digestibility assay
ES2267557T3 (es) 1999-08-31 2007-03-16 Adisseo France S.A.S. Mejoras en la produccion de alimentos para animales.
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
CA2527411A1 (en) * 2003-06-20 2004-12-29 Syngenta Participations Ag A method for the development of ruminant feed formulations
MXPA06014649A (es) 2004-06-21 2007-03-12 Novozymes As Proteasas.
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
RU2007149045A (ru) * 2005-06-24 2009-07-10 Новозимс А/С (Dk) Липазы для фармацевтического применения
WO2009017649A1 (en) * 2007-07-27 2009-02-05 Nutri Innovations Llc System for real-time characterization of ruminant feed rations
AU2008318505A1 (en) 2007-11-02 2009-05-07 Ceres, Inc. Materials and methods for use in biomass processing
EP2635683B1 (en) 2010-11-04 2023-06-07 Arista Cereal Technologies Pty Ltd High amylose wheat
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
BR112013027103B1 (pt) 2011-04-20 2019-12-24 Forage Genetics International, Llc. método para medir uma fração de fibras não digeridas no rúmen em uma ração a fim de diminuir os custos com ração ou melhorar a produção ou rendimento de leite

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080026129A1 (en) * 2006-07-27 2008-01-31 Beck James F System for real-time characterization of ruminant feed components
US20090092715A1 (en) 2006-07-27 2009-04-09 Beck James F System for real-time characterization of ruminant feed rations
JP2009544320A (ja) 2006-07-27 2009-12-17 ニュートリ−イノベーションズ エルエルシー 反すう動物の飼料成分のリアルタイム特性付け用システム
WO2008124819A1 (en) * 2007-04-10 2008-10-16 Kemin Industries, Inc. Use of a multi-protease system to improve the protein digestibility of animal feeds
WO2009011829A1 (en) 2007-07-19 2009-01-22 Can Technologies, Inc. System and method for measuring starch gelatinisation in a feed production system
US20090061055A1 (en) 2007-07-19 2009-03-05 Newcomb Mark D System and method for measuring starch gelatinization
US20130156932A1 (en) 2007-12-21 2013-06-20 Basf Se Method of increasing the milk and/or meat quantity of silage-fed animals
US20090272889A1 (en) * 2008-03-17 2009-11-05 David Kenneth Combs Method for measuring fiber digestibility
KR100952041B1 (ko) 2010-01-18 2010-04-07 박춘근 돼지사육용 배합사료 조성물

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"The Use of NIRS to Predict the Moisture, Nitrogen, Calcium, Total Phosphorus, Gross Energy & Phytate Phosphorus Contents of Broiler Excreta", Poultry Science 80:314-319(2001)

Also Published As

Publication number Publication date
CA2928153A1 (en) 2015-06-25
WO2015094390A1 (en) 2015-06-25
PE20161149A1 (es) 2016-10-29
US10537122B2 (en) 2020-01-21
US20150168364A1 (en) 2015-06-18
KR20160098231A (ko) 2016-08-18
EP3082449A4 (en) 2017-08-09
CL2016001099A1 (es) 2016-12-23
CN106061281A (zh) 2016-10-26
DOP2016000131A (es) 2016-11-30
PH12016500852B1 (en) 2016-06-20
AU2014367218A1 (en) 2016-05-19
AU2014367218B2 (en) 2017-09-21
SG11201603159QA (en) 2016-07-28
CN113588593A (zh) 2021-11-02
PH12016500852A1 (en) 2016-06-20
ECSP16026183A (es) 2018-08-31
SA516371309B1 (ar) 2020-12-08
EP3082449A1 (en) 2016-10-26
EP3082449B1 (en) 2020-08-05
CR20160266A (es) 2016-07-21
ES2815100T3 (es) 2021-03-29
MX2016007782A (es) 2016-09-09
IL245522A0 (en) 2016-06-30

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
Prache et al. Authentication of grass-fed meat and dairy products from cattle and sheep
Shi et al. N-glycan profile as a tool in qualitative and quantitative analysis of meat adulteration
Niemi et al. Rapid and accurate determination of protein content in North Atlantic seaweed by NIR and FTIR spectroscopies
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
da Paz et al. Use of near infrared spectroscopy for the evaluation of forage for ruminants
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
Khaleduzzaman et al. Development of local calibrations for the nutritional evaluation of fish meal and meat & bone meal by using near-infrared reflectance spectroscopy
Tejerina et al. Use of Near-Infrared Spectroscopy to Discriminate DFD Beef and Predict Meat Quality Traits in Autochthonous Breeds
Givens et al. Influence of growth type and season on the prediction of the metabolisable energy content of herbage by near-infrared reflectance spectroscopy
Ding et al. In situ monitoring of grape seed protein hydrolysis by Raman spectroscopy
CN105424861A (zh) 维生素b1在评估鸡蛋营养价值中的应用及评估方法
Knudsen et al. Assessment of the nutritive value of individual feeds and diets by novel technologies
Fujiwara et al. Applicability of near infrared spectroscopy as an alternative to acid detergent analysis for cattle and swine manure compost
Camps et al. Quantification of condensed tannins in sainfoin powder (Onobrychisviciifolia) by FT-NIR spectroscopy
Piltz New generation NIRS calibrations to improve diet evaluation and animal growth predictions
Dryden Near infrared spectroscopy: Applications in deer nutrition
Ferosekhan et al. Near Infrared Reflectance Spectroscopy and Aquafeeds

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant