蛋白质是家禽饲粮中的重要营养成分，蛋白质利用率低会导致家禽营养不良，降低其生长性能；蛋白质过剩会导致饲料资源浪费和氮排放过度，污染环境。蛋白质营养本质是氨基酸，精准评定家禽常用饲料可利用氨基酸含量可提高饲粮配方的准确性，实现精准饲养。因此，建立有效养分的动态预测模型可以高效快速地预测氨基酸消化率，以满足对饲料配方的需要。本文主要综述了饲料氨基酸利用率评定方法及家禽氨基酸消化率动态预测模型研究进展，为实现家禽的精准饲养提供参考。1饲料氨基酸利用率评定1.1体内法1.1.1生长测定法动物生长试验包含了所有可能影响生物利用率的因素，生长试验是估算生物利用率的最终标准[1]。但对于氨基酸生物利用率的评定，生长试验要求饲粮必须以评定的氨基酸为第一限制性氨基酸，添加水平要低于动物生长需要。因此，生长试验低估了氨基酸的生物利用率[2]。生长试验分析过程烦琐且成本高，一次仅能够评估一种氨基酸的生物利用率，并伴随着营养不良等问题。因此，测定氨基酸消化率可能比生长试验更适合估测氨基酸的生物利用度[3-4]。1.1.2消化率测定法1.1.2.1收粪法Bragg等[5]分析了家禽排泄物中的氨基酸含量以测定氨基酸消化率，是在家禽上测定氨基酸消化率较早的研究。但全收粪法方法操作烦琐、工作量大、存在粪尿污染问题。采用指示剂法可以有效解决上述问题。指示剂法具有操作简单、降低成本等优点。目前，使用较多的外源指示剂有三氧化二铬（Cr2O3）与二氧化钛（TiO2）。使用内源指示剂的研究较少，常见的为酸不溶灰分（AIA）[6-7]。目前，关于测定氨基酸消化率时是否切除盲肠仍存在争议。Parsons[8]发现，切除盲肠的公鸡氨基酸真消化率低于未切除盲肠。由于家禽肠道短，食物通过肠道的时间仅是其他单胃动物的1/2，所以有部分学者认为肠道菌群与氨基酸消化率之间不具有显著相关性[9-11]。对于高蛋白、不易消化的饲料，微生物对氨基酸消化率的影响可能更大[12-13]。Kim等[14]研究表明，切除盲肠的家禽饲喂高蛋白DDGS计算出的氨基酸消化率更高，蛋白含量较低的饲料计算出的氨基酸消化率更低。因此，家禽饲喂低蛋白饲料可以不用切除盲肠，但饲喂高蛋白饲料时需要考虑盲肠微生物对氨基酸消化率的影响。1.1.2.2回肠氨基酸消化率为了克服家禽收粪法盲肠微生物对氨基酸消化率的影响。Payne等[15]提出使用回肠消化率，并表明回肠消化率是一种有效的氨基酸消化率评价指标。Kadim等[16]使用收粪法与回肠食糜法测定了肉鸡对高粱、小麦、豆粕、肉骨粉、鱼粉和血粉的氨基酸消化率，表明全部试验原料中部分氨基酸的消化率存在显著差异，收粪法会高估部分氨基酸的消化率，但回肠氨基酸消化率更能够代表饲料蛋白的利用程度。近年来，回肠末端的氨基酸消化率成为家禽营养中描述饲料蛋白质的重要指标[17-18]。回肠氨基酸消化率根据校正方式的不同有3种表现形式，分别为表观回肠氨基酸消化率（AIDAA）、标准回肠氨基酸消化率（SIDAA）、真回肠氨基酸消化率（TIDAA）。过去AIDAA是饲料配方的重要参考指标，随着研究的不断深入，表观回肠消化率不能够区分回肠食糜中的日粮氨基酸和内源氨基酸来源，使用AIDAA还是SIDAA作为饲料配方参考指标被越来越多的学者讨论[19-20]。而SIDAA不会随着氨基酸采食量的改变发生变化，其更具说服力[21-22]。内源性损失（IAAend）可分为不受饲料成分影响的基础损失和由饲料成分特性（如抗营养因子和膳食纤维）引起的特定损失。特定损失不能够被直接测定，即使可以使用同位素追踪估算出特定损失，但该方法需要高昂的测试费及先进的技术条件，因此TIDAA不适合作为广泛测定指标。基础损失可以使用无氮日粮、回归法等更容易操作的方法测定，基础损失不随采食量的增加而增加[23]，所以SIDAA更适合描述饲料氨基酸可利用情况，配方师在进行饲料配方时应参考SIDAA，而非AIDAA、TIDAA值。针对内源氨基酸基础损失测定方法的不同，得出的结果差异较大。因此，统一标准是未来内源氨基酸的研究方向[24]。1.2体外法1.2.1化学评分化学评分法具有操作简单、快速、可重复性强等优势，常用于不同蛋白源饲料的比较。Carpenter[25]提出的1-氟-2,4-二硝基苯（FDNB）反应方程被广泛用于测定可利用氨基酸，尤其估算蛋白质中有效赖氨酸含量方面。除了FDNB方程，O-甲基异脲或胍化反应等均是有效的测定方法。但这些反应存在干扰性副产物、反应时间较长，使用化学评分法所得出的有效赖氨酸含量数据准确性不如动物试验。因此，化学评分法在现阶段评定饲料氨基酸利用率方面的研究中鲜有报道[26]。1.2.2酶解法酶解法是通过体外模拟试验动物的消化道，过滤或离心收集不溶性物质来测定其中未被完全消化的物质含量，计算其消化率[27]。胃蛋白酶消化率测定是评价饲料和蛋白质组分最常用的方法，有关胰酶法测定家禽氨基酸利用率的研究鲜有报道。胃蛋白酶法模拟家禽消化道操作简单，但无法代表完整的消化道。多酶法可以被用于估测家禽蛋白质的消化率，多酶复合物可以模拟较为完整的消化道，更接近动物的生理状态，结果更为可靠。Witten等[28]使用多酶法模拟家禽胃肠道测定谷物中氨基酸消化率，在适用猪消化道模拟技术的基础上进行了方法改进，结果显示，改进后的方法可以用于氨基酸消化率的估测，但体外酶解法不能够模拟内源性损失与微生物发酵，估测的结果低于标准氨基酸消化率。1.2.3近红外光谱分析技术（NIR）NIR是快速、准确测定饲料样品质量的一种技术。NIR可根据样品中化学键在不同波长光谱中的吸光度不同，对饲料样品进行定性、定量分析[29]。NIR在预测饲料原料营养参数中使用频繁。Carbas等[30]使用NIR、MIR（中红外光谱分析技术）分别测定豆类中的营养与参数，结果显示，NIR更适合评估蛋白质与植酸的含量，而MIR适合于评估氨基酸。NIR经济、快速、可重复性强，但现有的回肠氨基酸数据不能够建立准确的NIR模型。使用NIR预测小麦的蛋白质消化率变异较大，难以准确预测回肠消化率[31-32]。使用NIR预测饲料样品消化率会大幅缩短试验周期，给科研工作者带来便利。2家禽氨基酸消化率动态预测模型研究动态预测模型需测定预测因子含量，利用数学模型可以高效地估计氨基酸消化率，解决因饲料品种、来源、加工处理方式的不同而导致营养含量差异的问题。研究表明，饲料的营养成分与氨基酸消化率具有相关性，可利用饲料的营养成分建立动态预测模型[33]。但模型的建立需要大量的数据，数据越全面模型可信度越高，可通过优化模型提高相关性。目前，多元线性回归（MLR）和人工神经网络模型（ANN）被证明可以用于饲料氨基酸消化率动态预测模型的建立[34-35]。2.1多元线性回归多元线性回归法是最常用的氨基酸消化率动态预测模型，利用主成分分析与最小二乘法计算出回归系数，逐步引入或剔除自变量，建立预测因子与变量之间的最优线性回归方程。建立氨基酸消化率的多元线性回归方程中，饲料的物理特性（千粒重、容重等）、概略养分、纯养分、抗营养因子均是良好的预测因子。Kluth等[36]研究发现，饲料粗蛋白和氨基酸的摄入量与消化率之间具有线性相关性，表明多元线性回归方法可以用于氨基酸消化率的测定，无须考虑基础内源氨基酸的损失。选择合适的预测因子是建立良好多元线性回归方程模型的前提，不同饲料的营养成分均可能成为其氨基酸消化率的最佳预测因子。Sheikhhasa等[35]在肉鸡中测定了玉米籽粒的标准回肠氨基酸消化率，建立了相应预测方程，结果表明，总氨基酸浓度（TAA）与SIDAA之间高度相关，可使用TAA作为预测因子估计SIDAA值，建立模型的决定系数（R2）达0.9以上，其中赖氨酸、蛋氨酸、苏氨酸等模型的R2更是达到了0.99。陈思[37]研究表明，小麦的抗营养因子含量与其在肉鸡的氨基酸消化率有较强的相关性。Xie等[38]研究表明，不同来源全脂米糠的脂肪含量变异较大，不适合作为预测因子。因此，建议使用饲料原料化学成分含量变异较小的作为预测因子。预测因子的数量对模型的准确性有重要影响。潘迪子[39]通过饲喂6种不同地区的米糠，测定其在肉鸡上的标准回肠氨基酸消化率并建立预测模型，结果显示，14日龄肉鸡赖氨酸（Lys）最佳预测方程为SID Lys=115.63-3.29 CP + 0.52 ST（R2=0.98），选择了粗蛋白与淀粉含量2个预测因子建立Lys多元回归线性方程，R2为0.98，说明方程的拟合度较好。Sedghi等[40]测定了60个高粱样品在公鸡中的可消化氨基酸，使用了包括苏氨酸和缬氨酸等在内的10种氨基酸含量作为预测因子，大多数R2在0.6~0.7之间，过多的预测因子未达到理想的效果，拟合度较差。因此，预测因子的选择应该考虑易于检测的指标。选择合适的预测因子数量，多于5个预测因子对决定系数的改善并不明显；当预测因子较少时，增加了与原先预测因子相似的化学成分作为预测因子，提高了方程的决定系数，降低了标准误差（SEP）[35,37]。在家禽上建立的部分饲料氨基酸消化率的多元线性方程见表1。10.13557/j.cnki.issn1002-2813.2023.14.027.T001表1在家禽上建立的部分饲料氨基酸消化率的多元线性方程项目多元线性回归方程文献来源玉米SID Lys=-0.0123+0.0375 CP-0.015 ADF（R2=0.999）Sheikhhasa等[35]SID Met=-0.5327+0.0033 NFE+0.241 CF（R2=0.999）SID Thr=-0.0123+0.0375 CP-0.015 ADF（R2=0.999）小麦SID Lys14=1.099-0.276×可溶性戊聚糖（R2=0.677）陈思[37]SID Thr14=2.140-0.240×可溶性戊聚糖-0.040×总抗营养物质-0.092×葡聚糖（R2=0.996）SID Val28=0.970+3.443 Cys-1.783 Ser+0.130葡聚糖（R2=0.996）SID Gly28=0.853+0.01 NDF（R2=0.703）稻米SID Lys=62.00+（0.938淀粉-0.021 NDF）（R2=0.863）Xie等[38]SID Met=81.46+（0.578 CP）（R2=0.889）SID Thr=0.863+（6.311 CP）（R2=0.949）SID Trp=102.883-（1.77 CP）（R2=0.701）米糠SID Lys14=115.63-3.29 CP+0.52 ST（R2=0.980）潘迪子[39]SID Thr14=6.80 CP+0.50 EE-29.39（R2=0.990）SID Lys28=64.16+0.89 ST（R2=0.610）SID Thr28=25.58+3.32 CP+0.70 EE（R2=0.960）高粱TD Lys=+0.070-0.881 Thr+0.543 Val-0.158 Met-0.092 Ile-0.231 Leu+0.416 Phe+0.166 His+0.751 Lys+0.344 Arg+0.022 Gly（R2=0.680）Sedghi等[40]TD Met=-0.628-0.102 Thr-0.009 Val+1.005 Met-0.008 Ile-0.153 Leu+0.445 Phe+0.416 His-0.260 Lys+0.449 Arg-0.472 Gly（R2=0.774）TD Thr=-0.923-0.229 Thr+0.640 Val-0.066 Met-0.101 Ile-0.415 Leu+1.152 Phe+0.129 His-0.367 Lys+0.891 Arg-0.625 Gly（R2=0.604）注：Lys为赖氨酸，Met为蛋氨酸，Thr为苏氨酸，Val为缬氨酸，Cys为半胱氨酸，Arg为精氨酸，Gly为甘氨酸，Trp为色氨酸，Ile为异亮氨酸，Leu为异亮氨酸，Phe为苯丙氨酸，His为组氨酸，Arg为精氨酸，Gly为甘氨酸，CP为粗蛋白，ADF为酸性洗涤纤维，NFE为无氮浸出物，CF为粗纤维，NSP为非淀粉多糖，NDF为中性洗涤纤维，ST为淀粉，EE为粗脂肪。2.2人工神经网络模型ANN是另一种可以用来预测饲料氨基酸消化率的数学模型。人工神经网络模型是一种具备学习能力的自适应系统，建立预测变量与响应变量之间映射，可以无视变量之间是否存在线性关系，更适合量化变量间非线性或复杂且未知的关系[41]。ANN由输入层、隐藏层与输出层组成，具有较强的自我学习能力与容错性能，应用ANN建立动态预测模型比多元线性回归方程更准确，多变量模型优于单变量模型[42]。Wang等[43]收集了406组数据，随机将其分为70%的训练数据集与30%的测试训练集，分别建立了基于净能和可消化赖氨酸的生长育肥猪生长性能的多元回归及人工神经网络模型，进行了动物试验用来验证模型的有效性，结果表明，预测平均日增重和饲料转化率的最佳模型是使用了径向基函数的ANN模型，其中R2值分别为0.925、0.905，均方根误差（RMSE）分别为51、21。Ebadi等[44]比较MLR与ANN模型建立的高粱化学成分与家禽氨基酸消化率预测模型，发现ANN建立的预测模型氨基酸R2均大于0.9，其中亮氨酸、天冬氨酸等部分氨基酸R2可达0.99。Roudi等[45]通过建立家禽对小麦氨基酸消化率的数学模型，MLR模型的大多数氨基酸R2集中于0.75~0.85之间，ANN模型中大部分氨基酸R2大于0.9，其RMSE更低。因此，使用ANN模型预测氨基酸消化率具有相对更高的预测精度，其对建立家禽饲料氨基酸消化率的动态预测模型具有更重要价值，但ANN模型的建立也更复杂。2.3动态预测方程的应用传统的饲料配方是参考NRC等动物营养标准，根据饲料的营养价值，人工配比以满足动物生长需要。由于作物遗传育种、饲料加工工艺等众多因素影响，部分饲料数据已不能够满足饲料配方参考的需要。因此，建立可信度高的动态预测模型对实际生产有重要意义。动物营养模型是饲料配方软件的核心。陈波[46]基于NRC奶牛营养需要与主要养分预测模型开发了TMR日粮智能配方系统，其中包括了氨基酸流量计算模块。多元线性回归方程是动物营养中氨基酸消化率预测最常用的模型，可利用先前建立的模型开发智能饲料配方数据库，精准、快速地计算饲料合适配比，对家禽养殖业具有重要意义。ANN在氨基酸消化率预测模型中的应用较为少见，但在畜禽养殖业实际生产中的应用较广泛，大多集中于图像识别、行为监测以及疾病检测中[43]。NIR作为最有潜力的动物营养研究方法之一，由于缺乏基本的回肠氨基酸消化率数据导致不能够建立准确的校准方程，限制了NIR的应用。朱丽伟等[47]表示，NIR结合ANN可以快速检测出金苦荞叶片中的氨基酸含量，部分氨基酸预测模型拟合程度较好，预测值与真实值的相关系数均大于0.97。在建立有关肉鸡玉米籽粒与标准回肠氨基酸消化率的模型研究中，研究者也表示其建立的多元线性回归方程可为NIR校准模型的开发提供参考[35]。3展望目前，有关内源氨基酸的测定方法还未统一标准，建议补充测定内源氨基酸流量的有关研究，尽可能统一测定内源氨基酸的技术规程。使用多元回归方程作为预测饲料氨基酸消化率的动态预测模型仍是主流方法，建立可行度高的多元线性方程可满足对饲料氨基酸消化率的快速评定，降低试验成本。但氨基酸消化率与饲料品种、来源、加工方式等众多因素相关，现有的预测方程较少且可行性不强，不能满足现有饲料配方参考的需要。动物的生理阶段对氨基酸消化率影响也较大，建议系统地建立不同饲料以及不同生理阶段的家禽氨基酸消化率多元线性回归方程，完善家禽养殖饲料原料数据库。