用于动物饲料的计算机模型的系统和方法

文档序号:10692775阅读:569来源:国知局
用于动物饲料的计算机模型的系统和方法
【专利摘要】本申请提供了用于分析动物饲料以及用于调整动物饲料以提高动物饲料组分的消化率的系统和方法。动物饲料的消化率可以通过如下方式测定:对饲料进行体外消化,并通过NIR光谱分析经消化的饲料中残留组分的浓度。可以调整动物饲料组合物以提高所述饲料中组分的消化率。本申请的系统和方法可被用于确定添加剂对饲料消化率的影响。
【专利说明】
用于动物饲料的计算机模型的系统和方法
[0001] 相关申请的交叉引用 本申请作为PCT国际专利申请提交于2014年2月11日,并要求享有提交于2013年12月17 日的美国专利申请系列号14/109,926的优先权,其公开内容以其整体通过引用并入本文。
技术领域
[0002] 本发明涉及用于调整动物饲料的系统和方法。具体地讲,本申请涉及用于分析动 物饲料的营养物质消化率的体外系统和方法。
【背景技术】
[0003] 动物饲料中的营养物质通过饲料在动物胃肠道中的消化而被动物获得。经消化的 营养物质被动物吸收并用于能量、生长和发育。未消化的营养物质大部分穿过动物肠道,降 低了饲料的营养价值。可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 的饲料中残留的营养物质来评估动物饲料的消化率。现有方法的缺点在于其专门针对特定 的饲料、昂贵并且耗时。因此,提供广泛适用、便宜并且耗时少的方法以分析动物饲料的消 化率将是有利的。
[0004] 发明概述 本申请涉及用于分析动物饲料以及用于调整动物饲料以提高动物饲料组分的消化率 的系统和方法。具体地讲,本申请涉及动物饲料样品的体外消化以及经消化的饲料样品的 (如本文所定义的)NIR分析以测定动物饲料组分的消化率。在本申请的实施方案中,使用被 设计成类似于体内动物消化的体外程序来消化动物饲料样品。使用NIR光谱扫描经消化的 动物饲料样品以生成光谱数据,将其与计算机模型比较以提供经消化的动物饲料样品中至 少一种残留组分的预测浓度。对所述至少一种残留组分浓度的预测使得能够测定动物饲料 组合物中该组分的消化率。例如,蛋白质是动物饲料组合物的组分,而经过消化后,测定了 蛋白质的残留量,并为动物饲料样品中蛋白质的消化率提供了量度。可选择和/或调整动物 饲料组合物以提高组分(如蛋白质、磷、碳水化合物、脂肪、总能量或纤维)的消化率。调整动 物饲料组合物包括加入一种或多种后添加剂(post additive)。各种后添加剂可经过测试 以确定此类后添加剂是否会提高动物饲料组分的消化率。
[0005] 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 样品以生成包含至少一种残留组分的经消化的动物饲料;使用NIR光谱扫描该经消化的动 物饲料以生成光谱数据;以及将该光谱数据与该残留组分的计算机模型比较以生成该经消 化的动物饲料中所述至少一种残留组分的预测浓度。如本文中所述的方法是使用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数量的方法。在实施方案 中,此类方法可用于选择饲料组合物和/或调整该饲料组合物以提高饲料组分的消化率。
[0006] 在本申请的实施方案中,消化动物饲料样品包括使用胃蛋白酶或胰酶制剂或两 者。在其它实施方案中,消化动物饲料样品还包括将经消化的样品分成固体组分和液体组 分,并且扫描经消化的动物饲料包括扫描所述固体组分。在又其它实施方案中,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。在其它实施方案中,动物饲 料样品包含预添加剂(pre additive)。在实施方案中,预添加剂包含至少一种酶。
[0007] 在本申请的实施方案中,使用计算机实现的方法对光谱数据进行比较,所述方法 包括从经消化的样品接收光谱数据,并将该光谱数据与该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。
[0008] 在本申请的实施方案中,根据权利要求1的方法还包括:根据经消化的动物饲料样 品的所述至少一种残留组分的预测浓度,调整该动物饲料组合物以获得针对动物的预定营 养概况。在其它实施方案中,调整动物饲料组合物以获得针对动物的预定营养概况包括加 入至少一种后添加剂。在实施方案中,后添加剂包含酶。
[0009] 本申请还包括调整动物饲料组合物,其包括步骤:鉴定该动物饲料组合物中饲料 组分的预定营养概况;通过如下方法预测动物饲料组合物中该饲料组分的残留组分浓度 (所述方法包括:使用至少一种酶体外消化动物饲料样品以生成包含至少一种残留组分的 经消化的动物饲料;使用NIR光谱扫描该经消化的动物饲料以生成光谱数据;将该光谱数据 与所述至少一种残留组分的计算机模型比较以生成该残留组分的预测浓度);并根据所述 至少一种残留组分的预测浓度,调整该动物饲料组合物以获得该饲料组分的预定营养概 况。在本申请的实施方案中,饲料组分选自蛋白质、磷(phosphorous)、脂肪、总能量、碳水化 合物、纤维及其组合。在其它实施方案中,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。
[0010] 在本申请的实施方案中,消化动物饲料样品包括使用胃蛋白酶或胰酶制剂或两 者。在其它实施方案中,消化动物饲料样品还包括将经消化的样品分成固体组分和液体组 分,并且扫描经消化的动物饲料包括扫描所述固体组分。在其它实施方案中,动物饲料样品 包含预添加剂。在实施方案中,预添加剂包含至少一种酶。
[0011] 在本申请的实施方案中,使用计算机实现的方法对光谱数据进行比较,所述方法 包括从经消化的样品接收光谱数据,并将该光谱数据与该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。
[0012] 在本申请的实施方案中,调整动物饲料组合物包括向饲料中加入后添加剂。在实 施方案中,后添加剂包含至少一种酶。在实施方案中,后添加剂调整经消化的饲料中残留组 分的量。
[0013] 本申请还包括开发用于分析饲料的计算机模型的方法,所述方法包括步骤:使用 至少一种酶体外消化多个动物饲料样品以生成多个经消化的动物饲料样品,其中所述多个 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光谱扫描所述多个经 消化的动物饲料样品中的每一个以生成针对所述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所述多个经消化的动物饲料样品中的每一个中所述至少 一种残留组分的浓度;以及通过在所述多个经消化的动物饲料样品中的每一个的所述至少 一种残留组分的浓度与所述多个经消化的动物饲料样品的对应样品的光谱数据之间建立 预测关系,而生成计算机模型。
[0014] 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 括对多个经消化的动物饲料样品中的每一个的光谱数据进行数学处理的步骤。在其它实施 方案中,生成计算机模型包括计算机实现的方法,所述方法包括步骤:接收多个经消化的动 物饲料样品中的每一个的光谱数据;将所述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对应样品中的所述至少一种残留组分的浓度联系起 来;以及根据所述光谱数据和所述多个经消化的动物饲料样品的所述至少一种残留组分的 浓度,建立预测关系以生成所述计算机模型。
[0015] 在本申请的实施方案中,消化多个动物饲料样品包括使用胃蛋白酶或胰酶制剂或 两者。在其它实施方案中,消化动物饲料样品还包括将经消化的样品分成固体组分和液体 组分,并且扫描经消化的动物饲料包括扫描所述固体组分。在又其它实施方案中,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。
[0016] 在本申请的实施方案中,湿化学方法包括分析多个经消化的饲料样品中的每个样 品的所述至少一种残留组分的浓度,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。在其它实施方案中,湿化学方法包括将固体组分与液体混合以形成混 合物;并针对所述多个经消化的动物饲料样品中的每一个中的所述至少一种残留组分的浓 度对该混合物的组成进行分析,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。
[0017] 附图简述 图1示出了本申请的方法的实施方案的示意图。
[0018] 图2示出了根据本申请的实施方案处理的家禽饲料样品的示例性NIR光谱数据。 [0019]图3示出了根据本申请的实施方案处理的家禽饲料中蛋白质的NIR模型。
[0020]图4示出了根据本申请的实施方案处理的家禽饲料中磷的NIR模型。
[0021]图5示出了根据本申请的实施方案处理的家禽饲料中总能量的NIR模型。
[0022]图6示出了根据本申请的实施方案处理的猪饲料样品的示例性NIR光谱数据。
[0023]图7示出了根据本申请的实施方案处理的猪饲料中蛋白质的NIR模型。
[0024]图8示出了根据本申请的实施方案处理的猪饲料中总能量的NIR模型。
[0025] 发明详述 定义 本文中所用的冠词"一(个/种)"("a"和"an")指代物品的一(个/种)或多于一(个/种) (即,至少一(个/种))语法对象。譬如,"要素"意指一个(种)要素或多于一个(种)要素。
[0026] 如本申请中所用,术语"添加剂"指代被加入到另一种物质中的物质。例如,可将添 加剂加入到动物饲料中以提高一种或多种饲料组分的消化率。添加剂包括酶、酶的混合物、 蛋白质、维生素、矿物质、谷物、麦芽糖糊精、补充剂及其组合。"预添加剂"是作为动物饲料 样品的组分存在的物质,并且其并非是在分析时或即将分析前被加入到饲料样品中的。预 添加剂通常已经存在于本领域所用的动物饲料中,并且包括但不限于酶或酶的混合物。"后 添加剂"是在分析时或即将分析前被加入到动物饲料组合物样品中的物质。后添加剂通常 被加入到饲料样品中以确定该后添加剂是否会改变饲料组分的消化率,并且其包括但不限 于酶或酶的混合物。
[0027] 如本申请中所用,术语"分析物"指代化学成分,其性质(例如,浓度)要使用分析程 序加以测定。
[0028] 如本申请中所用,术语"动物"指代饲养或用作食物来源的非人动物。例如,动物包 括但不限于驯养的家畜,如牛、山羊、绵羊、马、家禽、野牛、羊驼、美洲驼、驴、骡子、兔子、鸡、 鹅、火鸡或猪。
[0029]如本申请中所用,术语"计算机模型"指代根据所获得的光谱数据(例如,通过NIR) 而预测混合物(例如,饲料)组分浓度的模型。在本申请的实施方案中,将来自多个样品中的 每个样品的光谱数据与由分析式湿化学化学方法为每个样品所测定的残留组分的浓度联 系起来。通过将未知样品的光谱与模型进行比较,该模型可用于提供所述未知样品的成分 的量(例如,浓度)的估计值。
[0030] 如本申请中所用,术语"消化"(digesting)、"经消化的(d i ge s t ed )"和"消化" (digestion)指代通过降解或分解其组分而改变材料。在一些实施方案中,消化是体外过 程,其使用例如,热、化学品和/或酶以降解所述材料的组分。
[0031] 如本申请中所用,术语"饲料"或"动物饲料"指代动物所食用的材料,其为动物的 膳食提供能量和/或营养物质。动物饲料通常包含多种不同组分,这些组分可以如浓缩物、 预混物、副产品(co-product)或球团的形式存在。饲料和饲料组分的实例包括但不限于:全 混合日粮(TMR)、玉米、大豆、草料(forage)、谷物、酒糟、发芽谷物、豆类、维生素、氨基酸、矿 物质、糖蜜、纤维、草料(fodder)、青草、干草、稻草、青饲料、谷粒、叶子、谷物粗粉(meal)、 可溶物和补充剂。动物饲料的一些组分或组分的成分可以通过近红外光谱(NIR)检测。动物 饲料的其它组分由于低浓度、存在于掩盖该组分的复合物中而不能通过NIR检测或可能检 测很差,或者因为该组分的物理或化学特征使其本身就不适于NIR检测。
[0032] 如本申请中所用,术语"体内"指代在活的生物体内发生的过程。
[0033] 如本申请中所用,术语"体外"指代在活的生物体外部的人工环境中发生的过程, 并且指代通常将在生物体内发生但却使之在人工环境中发生的生物过程或反应。体外环境 可包括但不限于试管和细胞培养。
[0034] 如本申请中所用,术语"营养物质"指代生物体生存和/或生长所需的物质。营养物 质包括但不限于化合物如蛋白质、脂肪、碳水化合物(例如,糖类)、纤维、维生素、钙、铁、烟 酸、氮、氧、碳、磷、钾、氯化钠及其混合物。
[0035]如本申请中所用,术语"NIR光谱"或"NIR"指代使用波长在800-2500 nm范围内的 近红外辐射扫描并测量样品的吸光度以产生吸收光谱。NIR被用于测量由泛频(overtone) 和组合振动引起的化学键的吸光度,并且最常用作间接定量分析方法。NIR光谱被用于通过 将由扫描样品得到的光谱与标定(例如,计算机模型)比较来预测物质的化学成分的量或类 型。可对光谱进行进一步数学处理,例如,通过傅立叶变换。NIR光谱仪可被配置成以反射或 透射模式工作。NIR设备的具体实例包括Bruker MPA FT_NIR(可购自Bruker Optics, Inc.,Billerica, ΜΑ)和Antaris? FT-NIR 分析仪(可购自Thermo Scientific, Waltham, MA)。
[0036]如本申请中所用,"预定营养概况"指代动物饲料中一种或多种饲料组分的所需 量,对其消化率是相关特征。营养学家或农夫可以设定特定饲料中组分的所需量。例如,可 能需要调整动物饲料中蛋白质或添加剂的量,以将使用如本文中所述的方法测定的动物饲 料中蛋白质的消化率考虑在内。含有以不易消化形式的蛋白质的动物饲料可能需要增加该 动物饲料中的蛋白质和/或加入提高该动物饲料中蛋白质的消化率的后添加剂,以达到所 需的量。
[0037]如本申请中所用,"预测浓度"指代使用NIR光谱和计算机模型在经消化的饲料样 品中检测到的营养物质或残留组分的量。在本申请的实施方案中,使用NIR光谱扫描经消化 的动物饲料以生成光谱数据;并将该光谱数据与所述至少一种残留组分的计算机模型比较 以生成所述经消化的动物饲料的所述至少一种残留组分的预测浓度。预测浓度是对样品中 所述至少一种残留组分的实际浓度的估计值。
[0038]如本申请中所用,术语"残留组分"指代在一种或多种组分已从混合物中被移除 和/或改变后,仍然留在该混合物中的组分。在本申请的实施方案中,残留组分是单独的组 分,其包括但不限于蛋白质、磷、脂肪、碳水化合物和纤维。在其它实施方案中,残留组分是 经消化的样品的特征,其包括但不限于含水量、总能量和含灰量。
[0039]如本申请中所用,术语"动物饲料样品"指代动物饲料的具有代表性的部分。在本 申请的实施方案中,动物饲料的具有代表性的部分含有与该动物饲料比例相似比例的相同 组分。具有代表性的样品优选为均质的或基本上均质的。
[0040] 如本申请中所用,术语"光谱数据"指代当辐射与材料相互作用时所得到的数据。 例如,当近红外波长的辐射与材料相互作用并被该材料中化学键的振动所吸收时,得到光 谱数据。吸光度的强度可以通过测量在给定波长上从该材料反射回来或经该材料透射的辐 射的量而测得。在给定波长上的吸收强度取决于该材料中化学键的量和类型。
[0041] 发明详述 本申请涉及用于分析动物饲料的系统和方法。具体地讲,本申请涉及用于分析动物饲 料中饲料组分的消化率的系统和方法。另外,本申请的系统和方法被用于确定预添加剂和/ 或后添加剂对饲料组分消化率的影响。
[0042] 针对饲料组分而分析动物饲料的方法涉及昂贵且耗时的程序(例如,消化方法和 湿化学方法),常常需要多台实验室设备和多种测定法以用于不同的组分。使用湿化学方法 的单个分析涉及将样品分成不同的部分以用于分析残留组分(如蛋白质、糖类、磷、总能量 和脂肪)。该分析会破坏样品。
[0043] 相反,本申请提供的系统和方法使用单个样品提供多种组分的预测浓度,是快速 的,降低了分析时间和成本并且使得能够调整饲料组合物以提高动物饲料组合物中饲料组 分的消化率。
[0044] 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,所述方法包括步骤:使用至少一 种酶体外消化多个动物饲料样品以生成多个经消化的动物饲料样品,其中所述多个经消化 的动物饲料样品中的每一个均包含至少一种残留组分;使用NIR光谱扫描所述多个经消化 的动物饲料样品中的每一个以生成针对所述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所述多个经消化的动物饲料样品中的每一个中所述至少一种 残留组分的浓度;以及通过在所述多个经消化的动物饲料样品中的每一个的所述至少一种 残留组分的浓度与所述多个经消化的动物饲料样品的对应样品的光谱数据之间建立预测 关系,而生成计算机模型。
[0045] 体外消化测定 为了开发计算机模型,产生并分析了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。
[0046] 动物饲料样品的组分根据该饲料样品的来源而有差别。例如,位于不同地理区域 和/或具有不同动物品种的农场可能有着含不同组分的饲料。此外,营养学家或农夫可以设 定特定饲料中组分的所需量或根据该组分的所需量来选择特定的饲料。饲料和饲料组分的 实例包括但不限于:全混合日粮(TMR)、玉米、大豆、草料(forage)、谷物、酒糟、发芽谷物、豆 类、维生素、氨基酸、矿物质、糖蜜、纤维、草料(fodder )、青草、干草、稻草、青贮饲料、谷粒、 叶子、谷物粗粉、可溶物和补充剂。
[0047] 在本申请的实施方案中,将用于特定动物(如家禽或猪)的多个不同的动物饲料样 品消化。所述多个样品具有的样品数目足以为计算机模型提供至少50、60、70、80、90或100 或50至100间任意数的决定系数(R 2)值。在本申请的实施方案中,多个样品包含至少25、35、 50或100或更多个样品。在特定实施方案中,多个样品包含至少50个独特的样品。
[0048] 在本申请的实施方案中,用至少一种酶体外消化每个样品。在本申请的实施方案 中,对酶和消化条件进行选择使之类似于该类动物的体内消化。在实施方案中,动物为单胃 动物。在实施方案中,动物为猪或家禽。例如,涉及胃部消化的一种酶是胃蛋白酶,而涉及肠 道消化的酶是胰酶制剂。在所述体外消化测定中采用了这些酶中的一种或两种。
[0049] 在本申请的实施方案中,胃蛋白酶被用在小于7、6、5、4、3、2或其间任意数的酸性 pH下。在一些实施方案中,用胃蛋白酶进行消化的时间对应于动物胃中的体内消化,例如, 对于猪而言,至少1至6小时。例如,对于家禽而言,约30分钟至2小时。可根据动物种类调整 pH、温度和时间条件。
[0050] 在本申请的实施方案中,用胰酶制剂消化样品。当用胰酶制剂消化样品时,该消化 在至少6.0的pH下进行。在一些实施方案中,用胰酶制剂进行消化的时间对应于动物肠中的 体内消化,例如,对于猪而言,至少18小时至48小时。例如,对于家禽而言,约30分钟至2小 时。可根据动物种类调整pH、温度和时间条件。
[0051 ]在一些实施方案中,动物饲料样品在类似于该样品在该动物物种中体内消化的条 件下,先经胃蛋白酶消化,然后经胰酶制剂消化。动物包括饲养或用作食物来源的动物,包 括但不限于牛、山羊、绵羊、马、家禽、野牛、羊盤、美洲盤、驴、骡子、兔子、鸡、鹪、火鸡或猪。
[0052]在本申请的一些实施方案中,根据动物的体内消化过程,在体外消化测定中可能 存在更多或更少的步骤。例如,对于猪而言,体外消化测定包括但不限于胃阶段和肠阶段。 例如,对于家禽而言,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,消化是在酸性pH下进行并且包括酶如胃蛋白酶。在肠阶段,消化是在中性至微酸 性pH下进行并且包括酶如胰酶制剂。可使用其它消化酶。在任一阶段中或在阶段的任意组 合中,采用了 一种或多种消化酶。
[0053]经消化的动物饲料样品包含至少一种残留组分。残留组分是在饲料样品中的饲料 组分消化后可能保留下的组分。例如,饲料样品中的饲料组分为蛋白质,但并非所有蛋白质 均可在体内消化或在体外测定中被消化,使得在消化后保留下残留的蛋白质组分。其它残 留组分包括磷、脂肪、总能量、碳水化合物或纤维。
[0054]在本申请的实施方案中,消化多个样品的方法包括将每个样品分成液体组分和固 体组分。此类分离通常使用离心或过滤进行。
[0055]通过NIR光谱和湿化学方法对所述多个经消化的样品中的每一个进行分析。
[0056] NIR 光谱 使用NIR光谱扫描多个经消化的动物饲料样品中的每一个以生成光谱数据。近红外光 谱(NIR,也称为NIRS)是用于产生所述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依靠在800-2500 nm范围内的波长,并且最常用于测量分子内的泛 频和组合振动。由于NIR测量通常几乎不需要或不需要样品制备,所以大多数样品无需预处 理、加工或解构(destruction)即可测量。
[0057]典型的NIR仪器通常在选定的波长范围内扫描样品多次并将扫描平均化以生成光 谱。NIR仪器可被配置成测量透明样品的透射率或不透明样品的反射率。由于分子的泛频和 组合谱带存在相当多的重叠,所以NIR技术通常依靠多元校正技术。NIR计算机模型可包括 用于多个分析物的模型(例如,标定)并且可包含数十、数百或甚至数千个样品。
[0058]在本申请的实施方案中,光谱数据经处理以将其变为可用于生成模型的形式。在 本申请的实施方案中,光谱数据经数学处理以使噪声最小化、提取主成分和/或扣除背景。
[0059] 在本申请的实施方案中,将经消化的样品分成液体和固体组分并扫描固体组分。 固体组分包含至少一种残留组分。NIR扫描可以识别混合物的多于一种组分以及提供混合 物中各组分的预测浓度。NIR扫描生成用于开发针对各残留组分的计算机模型的光谱数据。
[0060] 化学分析 经过NIR扫描的样品也使用主要的分析方法,即,湿化学方法进行了分析。湿化学方法 包括用于分析组分(如蛋白质、磷、脂肪、总能量、碳水化合物或纤维)的主要参考方法。此类 测定法是本领域技术人员已知的。对于蛋白质而言,分析方法包括测定氮以及通过紫外-可 见光谱进行分析。对于磷而言,分析方法包括通过电感耦合等离子体系统测定磷。总能量可 以在弹式热量计中测定。
[0061] 可将分析化学方法用在液体或干燥样品上。在本申请的实施方案中,经消化的样 品被分成液体组分和固体组分。两种组分均可以使用湿化学方法进行分析。例如,在液体组 分中可以测定释放出的磷,而在固体组分中可以测定残留的磷。在一些实施方案中,将固体 组分与液体混合以便于对固体组分中的至少一种残留组分进行湿化学分析。
[0062] 湿化学分析提供了每个经消化的样品中至少一种残留组分的浓度。在本申请的实 施方案中,测量了多种残留组分。
[0063]生成计算机模型 在本申请的实施方案中,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所述多个经消化的动物饲料样品中的每一个的对应样品的光 谱数据之间建立预测关系,从而生成计算机模型。
[0064]凭借计算机实现的方法使用数学处理数据,将各种样品的光谱与湿化学结果联系 起来以产生标定。在本申请的实施方案中,计算机实现的方法包括步骤:接收多个经消化的 动物饲料样品中的每一个的光谱数据;将所述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对应样品中的所述至少一种残留组分 的浓度联系起来;以及根据所述光谱数据和所述多个经消化的动物饲料样品中的每一个中 的所述至少一种残留组分的浓度,建立预测关系以生成所述计算机模型。
[0065] 当扫描经消化的样品时,生成光谱数据。光谱数据可经数学处理以将其变为可用 于生成模型的形式。在本申请的实施方案中,光谱数据经数学处理以使噪声最小化、提取主 成分和/或扣除背景。
[0066] 然后将来自各样品的光谱数据与对应样品的至少一种残留组分的浓度(如由湿化 学方法所测定的)联系起来。当特定样品的所述至少一种残留组分的浓度被输入到NIR光谱 仪中时,光谱数据与所述至少一种残留组分的浓度发生关联。
[0067] 与所述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联被用于使 用一种或多种在样品中至少一种残留组分的浓度与该数据的光谱数据之间建立预测关系 的统计方法来生成模型。统计方法包括主成分分析、线性回归分析或偏最小二乘法分析。可 使用任意数量的统计方法来构建针对该残留组分的计算机模型。
[0068] 在本申请的实施方案中,NIR模型由决定系数,R2值来表征,其反映了该计算机模 型的预测能力。在本申请的实施方案中,计算机模型的R 2值为至少50、60、70、80、90或100, 或50至100之间的任意数。
[0069]通常使用验证方法来验证计算机模型。在本申请的实施方案中,验证方法是计算 机实现的方法,其中将多个样品划分为模型构建组和验证组。样品的分组通常是随机进行 的。来自模型构建组的数据被用于如本文所述构建模型。来自验证组的数据被用于测试该 模型的预测能力。针对该模型测试验证组的样品以生成所述至少一种残留组分的预测浓 度。然后将此预测浓度与该样品的实际浓度(如由湿化学所测定的)比较。此比较结果使得 能够确定R 2值和/或标准误差。也可以采用其它类型的验证如留一法(leave one out)验 证。
[0070] 计算机模型一经生成即存储在NIR光谱仪内。在本申请的实施方案中,NIR光谱仪 包括微处理器和存储器,所述存储器具有指令以实现如本文所述计算机实现的生成计算机 模型或验证计算机模型。在本申请的实施方案中,存储器用于存储针对各残留组分的计算 机模型,和/或各样品的光谱数据的数据库。计算机模型可用于提供含有未知浓度的至少一 种残留组分的样品的所述至少一种残留组分的预测浓度。
[0071] 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体外消化以及经 消化样品的NIR分析的系统和设备。根据其它实施方案,本申请的系统也包括适用于进行经 消化样品的湿化学分析的系统和设备。根据示例性实施方案,系统可包括典型的实验室设 备和玻璃器皿,如烧瓶、烧杯、试管、天平、移液器、培养箱、摇床、搅拌器、水浴等。系统也可 包括分析仪,如ICP、氮分析仪和弹式热量计。
[0072] 根据实施方案,系统还包括配有适用于操作NIR以及用于开发和使用计算机模型 (例如,标定)的计算机和软件的NIR分析仪。根据可选的实施方案,计算机模型可被存储在 远程的计算机上,通过计算机经由通信基础设施(如互联网)访问。在示例性实施方案中, NIR配置有旋转样品杯组件用于扫描饲料样品。
[0073] 本申请的方法和系统可作为硬件和软件的组合而实现。软件可作为有形地体现在 程序存储设备上的应用程序,或在用户计算环境(例如,小应用程序)中以及浏览者的计算 环境上实现的软件的不同部分来实现,其中所述浏览者可以位于远程站点(例如,位于服务 提供商的设施)。
[0074] 在实施方案中,计算机包括处理器单元。处理器单元运行以接收信息,所述信息通 常包括光谱数据(例如,NIR光谱)和已知数据(例如,来自多个样品的经实验测定的信息(例 如,湿化学结果))的数据库。可以将此接收到的信息至少暂时存储在数据库中并分析数据。
[0075]例如,在用户输入数据期间或之后,可在用户端的计算环境中进行部分数据处理。 例如,可对用户端的计算环境进行编程从而提供经定义的测试代码以指代平台、载体/诊断 测试或二者;使用经定义的标志处理数据,和/或生成标志配置,其中响应作为经处理或部 分处理的响应以测试代码和标志配置的形式被传输到浏览者的计算环境,用于后续执行一 种或多种算法以在该浏览者的计算环境中提供结果和/或生成报告。
[0076] 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。此类方法可用于 比较不同的饲料组合物以及调整饲料组合物以提高饲料组分的消化率。在本申请的实施方 案中,分析饲料的方法包括步骤:使用至少一种酶体外消化动物饲料样品以生成包含至少 一种残留组分的经消化的动物饲料;使用NIR光谱扫描该经消化的动物饲料以生成光谱数 据;以及将该光谱数据与该至少一种残留组分的计算机模型比较以生成该经消化的动物饲 料中所述至少一种残留组分的预测浓度。
[0077] 如前所述,动物饲料的样品可以在组分上有所不同并且可以得自不同的来源。在 本申请的实施方案中,动物饲料样品包含预添加剂。预添加剂包括酶。使用如本文所述用至 少一种酶的体外消化来消化饲料样品。本方法中所用的样品在消化后具有未知量的至少一 种残留组分。
[0078] 分析该样品,例如,以鉴定该经消化的样品中所述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。对残留组分的分析可用于 测定饲料样品的消化率。使用NIR光谱扫描经消化的样品并将光谱存储在NIR光谱仪中。不 同类型的饲料样品可以相互比较以确定哪种饲料组合物提供了该饲料组分的更高的消化 率。例如,如果第一种饲料组合物较另一种饲料组合物在消化后具有更低的残留蛋白质、总 能量或磷组分,则选择所述第一种饲料组合物。
[0079] 当计算机模型被用于分析样品时,将通过扫描该样品所产生的光谱与该模型比 较,该模型然后返回该样品的组成的预测浓度。NIR测量通常仅持续几分钟并且即刻返回结 果,使得NIR测量快捷而方便。
[0080] 根据本申请的实施方案,将NIR测量与体外消化测定结合以测定样品的消化率。现 有的NIR方法包括按原样扫描饲料样品(即,不进行样品预处理)以及估计饲料样品组分的 量。然而,此类方法仅适用于预测饲料的初始组成而不能够区分哪个饲料样品将具有提高 的消化率。因此,已经开发了一种方法,其中使用消化测定法处理饲料样品并使用NIR扫描 该经消化的样品,使得能够更准确地预测该饲料样品的组分的消化率,同时,因为不需要使 用湿化学方法分析该经消化的样品,所以节省了时间和资源。该方法兼具消化测定法所传 达的信息以及NIR测量的速度和便利。
[0081] 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 一种饲料组分上彼此不同;使用NIR光谱扫描所述经消化的动物饲料的所述第一和第二样 品,以针对各样品的至少一种残留组分生成光谱数据;将所述来自各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,以生成经消化的动物饲料的所述第一和第二样品 的所述至少一种残留组分的预测浓度;并通过比较经消化的动物饲料的所述第一和第二样 品的所述至少一种残留组分的所述预测浓度,来选择具有所需或预定浓度的所述至少一种 残留组分的动物饲料组合物。在一些实施方案中,选择提供残留组分(如蛋白质、磷或总能 量)降低的动物饲料组合物。
[0082]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消化率的影响的方 法。此类方法可用于确定向饲料组合物加入后添加剂是否会提高该饲料的消化率,或者是 否会提供具有预定营养概况的饲料组分的饲料组合物。在本申请的实施方案中,在消化前 或消化时向饲料样品中加入了一种或多种后添加剂。可以比较不同的添加剂提高饲料组分 消化率的能力。在本申请的实施方案中,后添加剂包括至少一种酶、酶的混合物或具有酶的 微生物来源的底物。
[0083]在本申请中,方法也可用于比较具有不同组分的饲料组合物的效率。在这种情况 下,第一饲料样品具有第一组合物,第二饲料样品具有第二组合物,其中所述第一和第二饲 料组合物在至少一种饲料组分上有所不同。在实施方案中,所述第一和第二饲料组合物彼 此不同之处在于具有不同组分或具有相同组分但量不同。在实施方案中,在存在或数量上 有所不同的组分选自磷、脂肪、蛋白质、总能量、碳水化合物、纤维、预添加剂及其组合。
[0084] 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与所述第一组 合物不同之处在于存在至少一种后添加剂或在于具有不同的后添加剂;使用NIR光谱扫描 所述经消化的动物饲料的所述第一和第二样品,以针对各经消化的样品的至少一种残留组 分生成光谱数据;将所述来自各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,以生成经消化的动物饲料的所述第一和第二样品的所述至少一种残留组分的预测浓 度;并通过比较经消化的动物饲料的所述第一和第二样品的所述至少一种残留组分的所述 预测浓度,来选择具有所需或预定浓度的所述至少一种残留组分的动物饲料组合物。在一 些实施方案中,选择提供残留组分(如蛋白质、磷或总能量)降低的后添加剂。
[0085] 用于调整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。此类方法可用于 比较不同的饲料组合物以及调整饲料组合物以提高饲料组分的消化率。在本申请的实施方 案中,调整动物饲料组合物包括步骤:鉴定该动物饲料组合物的饲料组分的预定营养概况; 通过如下方法预测动物饲料中该饲料组分的残留组分浓度(所述方法包括:使用至少一种 酶体外消化动物饲料样品以生成包含至少一种残留组分的经消化的动物饲料;使用NIR光 谱扫描该经消化的动物饲料以生成光谱数据;将该光谱数据与所述至少一种残留组分的计 算机模型比较以生成该残留组分的预测浓度);并根据所述至少一种残留组分的预测浓度, 调整该动物饲料组合物以获得该饲料组分的预定营养概况。
[0086] 因此,在一些实施方案中,本发明提供了有效的方法针对酶对蛋白质、脂肪、总能 量、消化能、磷释放、糖释放、纤维、碳水化合物等的影响来分析饲料(例如,动物饲料),并确 定后添加剂对该饲料的消化率的影响。本申请中所述的系统和方法可被用于分析大量饲料 的多种组分,并且可以迅速更新而无需进行体内试验。
[0087] 本申请可用于分析任意数量的动物饲料,并且不限于分析特定的饲料。动物饲料 是专门用于喂养经驯化的家畜(例如,牛、山羊、绵羊、马、家禽、野牛、羊驼、美洲驼、驴、骡 子、兔子和猪)的任何食物。动物饲料通常包括:全混合日粮(TMR)、玉米、大豆、草料 (forage)、谷物、酒糟、发芽谷物、豆类、维生素、氨基酸、矿物质、糖蜜、纤维、草料(fodder)、 青草、干草、稻草、青贮饲料、谷粒、叶子、谷物粗粉、可溶物和补充剂。
[0088] 可以通过向饲料中加入一种或多种后添加剂如酶(例如,消化酶)来提高饲料组分 的消化率。例如,酶如植酸酶、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、果胶酶和淀粉酶,可以被加入到饲料中(即,用作添加剂)以提高消化率。酶可以 纯化形式、部分纯化形式或粗制形式提供。酶可以是天然(例如,真菌的)或合成来源,或可 以体外产生(例如,重组的)。在一些实施方案中,加入了蛋白酶(例如,胃蛋白酶)。在一些实 施方案中,加入了可商购获得的酶或酶混合物(例如,All zyme SSF,可得自All tech, Nicholasville, KY)〇
[0089] 为了确定向特定饲料组合物中加入后添加剂是否将会是可取的,知晓该饲料组合 物组分的消化率是有利的。根据实施方案,可以通过如下方式分析饲料组合物:体外消化动 物饲料样品以生成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 料以生成光谱数据、将所述光谱数据与至少一种残留组分的计算机模型比较并生成所述残 留组分的预测浓度。可以将一种或多种残留组分的预测浓度与该饲料组分的预定或所需营 养概况进行比较。在本申请的一些实施方案中,如果残留组分的量高于该饲料组分的预定 或所需营养概况,则可以通过加入一种或多种后添加剂如酶(例如,消化酶)来增强所述营 养概况。
[0090] "预定营养概况"指代动物饲料中一种或多种饲料组分的所需量,对其消化率是相 关特性。营养学家或农夫可以设定特定饲料中组分的所需量。例如,可能需要调整动物饲料 中蛋白质或添加剂的量,以将使用如本文中所述的方法测定的动物饲料中蛋白质的消化率 考虑在内。含有以不易消化形式的蛋白质的动物饲料可能需要增加该动物饲料中的蛋白质 和/或加入提高该动物饲料中蛋白质的消化率的后添加剂,以达到所需的量。
[0091] 根据另一个实施方案,系统和方法可被用于比较两种或更多种饲料的消化率,所 述饲料的一种或多种可包含后添加剂如酶(例如,消化酶)。例如,系统和方法可被用于证 明,由于一种饲料样品含有更易消化的组分,所以所述一种饲料样品相比另一种饲料样品 具有更优异的营养概况。
[0092] 提供了下列实施例以证实并进一步说明本发明的某些优选的实施方案和方面,而 不应当将之理解为对本发明范围的限制。 实施例
[0093] 实施例1:NIR模型 针对猪和家禽饲料的经消化的样品,建立了NIR模型。模型可与消化测定法结合使用, 以通过估计经消化的样品中残留组分的含量来评价饲料样品的消化率。
[0094] 图1示出了如本文所述消化和分析饲料样品的方法的示例性方案。该图显示,初始 饲料样品经受体外消化,并使用NIR和湿化学分析消化物的总能量、蛋白质、磷和糖含量的 残留量。
[0095] 使用类似于营养物质体外消化的消化测定法消化家禽和猪饲料样品。该测定法改 进自 Boisen S. , A multienzyme assay for pigs, Chapter 10, A Model for Feed Evaluation Based on InviiroDigestible Dry Matter and Protein, Invitro Digestion for Pig and Poultry, 1990, M.F.Fuller。
[0096] 使用湿化学方法分析经消化样品的蛋白质、总能量和磷。将由经消化的饲料和液 体组成的最终团块(mass)分成固体组分和液体组分。干燥固体组分,并使用NIR光谱仪扫描 干燥后的固体。针对经消化的家禽饲料中的蛋白质、磷和总能量,以及针对经消化的猪饲料 中的蛋白质和总能量,建立了NIR模型。
[0097]消化测定法 使用以下消化测定法消化猪和家禽饲料样品。在测定过程中,一些样品通过加入后添 加剂(Allzyme SSF)而发生了改变。
[0098] 起始原料: 使用了各种来源的家禽和猪饲料样品。家禽和猪饲料样品均主要由玉米和大豆粗粉构 成。
[0099] Allzyme SSF饲料添加剂(可得自Alltech, Nicholasville, KY)被用作饲料中所 加入的酶(例如,后添加剂)的来源。Allzyme SSF含有包含至少300 U植酸酶的酶复合物。 [0100]试剂: A. HC1:0.2 M、1M、2 Μ和4 Μ Β. 0.6 Μ NaOH C. 1Μ NaHC03 0. 来自5181^(?7012)的胃蛋白酶;1〇1^胃蛋白酶>1^去离子水或2.25 1!^胃蛋白 酶/mL去离子水 E. 来自Sigma(P3292)的胰酶制剂;50mg胰酶制剂/mL去离子水或2.315mg胰酶制 剂/mL去呙子水 F. 15%三氯乙酸(TCA) G. 乙酸缓冲液:0.1 M(pH 6.0)和 0.2 M(pH 6.8) Η.氯霉素溶液;5mg氯霉素/1 mL酒精 1. TCA终止溶液 J. 显色剂由3体积的1 Μ硫酸、1体积的2.5%(w/v)钼酸铵和1体积的10%(w/v)抗坏血 酸制备 K. DNS溶液(存放于暗色瓶中),由二硝基水杨酸、NaOH、四水合酒石酸钾钠和去离子水 制备 L. 右旋糖标准品:0 mg/mL;0.2 mg/mL;0.4 mg/mL;0.6 mg/mL;0.8 mg/mL和1.0 mg/ mL 磷酸盐标准品:〇 μΜ;5·625 μΜ;11·25 μΜ;22·5 μΜ;45 μΜ和90 μΜ磷酸钾水溶液。
[0101] 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品,用去离子水将酶从Allzyme SSF中提 取出来,并用0.1 Μ乙酸钠缓冲液稀释1:2,500,000。
[0102]猪消化测定法 初级消化-胃 将两克研碎的猪饲料样品与49 mL的0.1 Μ乙酸钠缓冲液混合。一些样品通过加入后 添加剂(通过与1 mL的由上述Allzyme SFF产品制备而来的液体后添加剂混合)而发生改 变。用HC1将溶液的pH调整至2。加入2.0 mL的胃蛋白酶溶液(10 mg胃蛋白酶/mL去离子 水)和1.0 mL的氯霉素溶液。搅拌溶液并置于39°C、55 RPM的搅拌水浴中6小时。每小时搅拌 一次溶液。
[0103] 次级消化-小肠 在初级消化后,将样品与20 mL的0.2 Μ乙酸钠缓冲液和10 mL的0.6 M NaOH混合。用 0.6 M NaOH将溶液的pH调整至6.8。加入2.0 mL的胰酶制剂溶液(50 mg胰酶制剂/mL去离 子水)。搅拌溶液并置于39°C的搅拌(55 RPM)水浴中18小时。搅拌溶液并以14000 g离心20 min〇
[0104] 家禽消化测定法 嗉囊阶段 将两克半研碎的家禽饲料样品与6 ml的蒸馏水混合。一些样品通过加入后添加剂(通 过与1 mL的由上述Allzyme SFF产品制备而来的液体后添加剂以及7 ml的蒸馏水混合)而 发生改变。将样品在40 °C温育30分钟。
[0105] 砂囊阶段 在嗉囊阶段的温育后,用1M HC1将样品调整至pH 3.0。向每个样品中加入2.0 mL的胃 蛋白酶溶液(2.25mg胃蛋白酶/mL去离子水)和1.0 mL的氯霉素溶液。搅拌溶液并置于40 °(:的水浴中45分钟。
[0106] 企邀 在砂囊阶段后,将样品与1 mL的NaHC03混合以得到6.5的pH。加入2.0 mL的胰酶制剂溶 液(2.315 mg胰酶制剂/mL去离子水)。搅拌溶液并置于40°C的水浴中60分钟。搅拌溶液并 以 14000 g离心20 min。
[0107] 湿化学分析 体外消化程序留下了由经消化的饲料的固体部分和液体部分组成的最终团块。样品被 分成固体组分和液体组分(即,上清液)以用于进一步分析。将固体组分冻干以得到最终的 干物质部分。
[0108] 设备: Varian 720-ES ICP用于磷分析 Leco TruSpec CHN用于氮(蛋白质)分析 Parr 6100弹式热量计用于总能量分析。
[0109] 蛋白质、憐和总能量 分析了经消化样品的最终干物质部分的蛋白质、磷和总能量。使用氮燃烧分析仪并通 过将氮含量转换成蛋白质来测定蛋白质含量。使用ICP(电感耦合等离子体)系统测定磷含 量。使用弹式热量计测定总能量含量。
[0110] NIR 模型 使用NIR旋转杯组件扫描经消化样品的最终干物质部分,以收集NIR反射率数据。记录 各种样品的NIR扫描并与各样品的湿化学结果关联起来,以针对经消化样品的各组分(蛋白 质、磷和总能量)建立计算机模型。
[0111] 设备: Bruker MPA FT-NIR,型号 122000,配有旋转杯组件,可得自Bruker Optics, Inc., Billerica, MA〇
[0112] 设置: 分辨率16 cm ^ 扫描32:仪器被设定为扫描每个样品32次并将每个样品的扫描平均成单个扫描文件 波数范围 10000 cm-^4000 cm-1 使用"球状常量试样(sphere macrosample)"室测量吸光度。
[0113] 结果一家禽饲料消化测定法 根据消化测定法消化家禽饲料样品。在NIR上扫描经消化样品的最终干物质部分。经消 化的家禽饲料样品的示例性NIR扫描示于图2中。
[0114] 通过湿化学方法分析了经消化样品的蛋白质、磷和总能量。经消化样品的蛋白质 含量在13-34%的范围内;磷含量在750-5900 ppm的范围内;而总能量在3300-5200 cal/g的 范围内。然后将每个样品的蛋白质、磷和总能量含量与NIR扫描关联起来,以开发出针对各 个组分的NIR模型。
[0115]家禽饲料的NIR蛋白质模型的计算机生成的交叉验证示于图3中。该模型包含29个 样品。该模型的R2为86.66,而RMSECV (交叉验证的均方根误差)为2.68。R2值表明数据与该模 型的拟合程度以及该模型对观测结果的预测水平。RMSECV是数据变化的量度。
[0116] 家禽饲料的NIR磷模型的计算机生成的交叉验证示于图4中。该模型包含24个样 品。该模型的R2为75.94,而RMSECV为554。
[0117] 家禽饲料的NIR总能量模型的计算机生成的交叉验证示于图5中。该模型包含18个 样品。该模型的R2为87.72,而RMSECV为148。预计,这些模型的R 2和RMSEV可以通过增加模型 中的样品数量而改善。
[0118] 结果一猪饲料消化测定法 根据消化测定法消化猪饲料样品。使用NIR旋转杯组件扫描经消化样品的最终干物质 部分,以收集NIR反射率数据。经消化的猪饲料样品的示例性扫描示于图6中。
[0119] 通过湿化学方法分析了经消化样品的蛋白质和总能量。经消化样品的蛋白质含量 在6-47%的范围内,而总能量在3900-5300 cal/g的范围内。然后将每个样品的蛋白质和总 能量含量与NIR扫描关联起来,以开发出针对各个组分的NIR模型。
[0120] 猪饲料的NIR蛋白质模型的计算机生成的交叉验证示于图7中。该模型的R2为 98.86,而RMSECV为0.708。
[0121] 猪饲料的NIR总能量模型的计算机生成的交叉验证示于图8中。该模型的R2为 80.5,而RMSECV为141。
[0122] 讨论 结果显示可以开发的各种NIR模型与消化测定法结合使用以预测经消化的饲料样品中 未消化的(即,残留的)组分的含量。猪饲料的蛋白质模型尤其成功(98.86的R2),即使在示 例性模型中使用了相对低数量的样品。该模型被证明对于经消化的饲料样品中实际蛋白质 含量具有高度预测性,并且可被用于替代进行昂贵而耗时的湿化学方法。模型的准确度可 随着样品数量的增加而提高。具体地讲,预计磷和总能量模型的预测能力可以通过在模型 中包含更多样品而提尚。
[0123] 实施例2 猪的残留蛋白质模型的验证 验证了猪饲料消化物的残留蛋白质模型的预测能力。验证方法反映了本文所述的方法 是如何被用于分析具有未知特征的饲料样品。
[0124] 将一组猪饲料样品如实施例1中所述的那样消化,并用NIR扫描。还使用湿化学表 征每个样品的蛋白质含量。将样品分成验证组和模型构建组。模型构建组中的样品被用于 如本文所述建立模型。在模型中测试验证组以生成每个样品的残留蛋白质的预测浓度。将 每个样品的预测浓度与如使用湿化学所测定的该样品中残留蛋白质的(真实的)浓度进行 比较。结果示于表1中: 表1:
[0125] 这些结果显示,该模型对于样品中残留蛋白质的浓度具有高度的预测能力。
[0126] 虽然已经描述了本发明的本申请的某些实施方案,但仍可能存在其它实施方案。 虽然本说明书包括了具体的描述,但本发明的范围由以下权利要求书表明。此外,虽然已经 以对结构特征和/或方法行为具体的语言描述了本说明书,但权利要求书不限于上述特征 或行为。相反地,上述具体特征和行为是作为本发明的说明性的方面和实施方案而公开的。 本领域普通技术人员在阅读本文的描述后,可以想到各种其它方面、实施方案、修改及其等 同形式而不脱离本发明的精神或要求保护的主题的范围。
【主权项】
1. 开发用于分析饲料的计算机模型的方法,其包括步骤: (a) 使用至少一种酶体外消化多个动物饲料样品以生成多个经消化的动物饲料样品, 其中所述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; (b) 使用NIR光谱扫描所述多个经消化的动物饲料样品中的每一个以生成所述多个经 消化的动物饲料样品中的每一个的光谱数据; (c) 使用湿化学方法测定所述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;以及 (d) 通过在所述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 与所述多个经消化的动物饲料样品的对应样品的光谱数据之间建立预测关系,从而生成计 算机模型。2. 根据权利要求1的方法,其中扫描所述多个经消化的饲料样品中的每一个的步骤还 包括对所述多个经消化的动物饲料样品中的每一个的光谱数据进行数学处理的步骤。3. 根据权利要求1或权利要求2的方法,其中消化所述多个动物饲料样品包括使用胃蛋 白酶或胰酶制剂或两者。4. 根据权利要求1-3中任一项的方法,其中消化动物饲料样品还包括将所述经消化的 样品分成固体组分和液体组分,并且扫描所述经消化的动物饲料包括扫描所述固体组分。5. 根据权利要求1-4中任一项的方法,其中所述至少一种残留组分选自蛋白质、磷、月旨 肪、总能量、碳水化合物和纤维。6. 根据权利要求1-5中任一项的方法,其中所述湿化学方法包括分析所述经消化的饲 料的每个样品的至少一种残留组分的浓度,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。7. 根据权利要求1-6中任一项的方法,其中生成计算机模型包括计算机实现的方法,所 述计算机实现的方法包括步骤: i) 接收所述多个经消化的动物饲料样品中的每一个的光谱数据; ii) 将所述多个经消化的动物饲料样品中的每一个的光谱数据与所述多个经消化的动 物饲料样品的对应样品中的至少一种残留组分的浓度联系起来;并且 iii) 根据所述光谱数据和所述多个经消化的动物饲料样品的至少一种残留组分的浓 度,建立预测关系以生成所述计算机模型。
【文档编号】A23N17/00GK106061294SQ201480067816
【公开日】2016年10月26日
【申请日】2014年2月11日
【发明人】K.麦克金尼, A.洛弗尔, B.亨利, P.贝克尔, R.A.蒂蒙斯
【申请人】全技术公司
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1