《Poultry Science》：Nonlinear growth and body nutrient deposition models in Japanese quail (
coturnix japonica) from 1-36 d
编辑推荐：
本研究针对日本鹌鹑营养管理中依赖传统剂量-反应法的局限性，开展了1-36日龄雌性鹌鹑生长及体成分（蛋白质、脂肪、灰分）沉积动力学的非线性模型比较研究。通过系统评估Brody、von Bertalanffy、Gompertz、Logistic和Richards五种模型，发现Gompertz模型最优描述体重和灰分沉积，Logistic模型最佳拟合蛋白质沉积，而Richards模型最适于脂肪沉积。模型预测与观测值高度一致，揭示了16日龄生长速率最高、18日龄蛋白质沉积达峰、脂肪沉积持续至35日龄的关键规律。据此提出将饲喂程序划分为1-18、19-29和30-36日龄三个阶段的创新方案，为优化鹌鹑精准营养、提升生产效率和可持续性提供了重要理论依据。
在快速发展的家禽产业中，鹌鹑养殖以其生产周期短、空间需求低、能够供应蛋肉特色市场等优势，已成为一个有价值的分支。全球鹌鹑蛋产量在2009至2023年间增长了23%，巴西是全球主要生产国之一。这表明鹌鹑养殖已从自给性活动转变为巩固稳定的农业业务板块，但同时也凸显了通过遗传改良和精细化营养管理来提高效率的机遇。
然而，鹌鹑营养方案的制定长期以来依赖于传统的剂量-反应方法，这种方法无法捕捉鹌鹑遗传进展的动态效应，尤其难以反映其特定的生长模式和组织沉积优先级。更先进的方法，如能够调整每日生长动态的因子法，代表了非反刍动物营养的未来。非线性生长模型是描述动物生长和营养沉积的关键工具，它们能提供可生物学解释的参数，如渐近体重（A）、生长速率（k）和拐点日龄（ti），这对于指导营养推荐至关重要。虽然这类模型已广泛应用于肉鸡和蛋鸡研究，但在鹌鹑上的应用相对较新且多集中于遗传改良领域。由于缺乏鹌鹑特异性的数据，目前常常借用肉鸡或其他禽类的模型参数，这可能错误地表征鹌鹑特有的生长规律和营养分配策略。因此，迫切需要开发能够准确描述日本鹌鹑生长和体成分沉积动态的特定模型，为制定精准营养程序、优化养分利用、提高生长效率和延长生产寿命提供科学依据。
为解决上述问题，发表在《Poultry Science》上的研究《Nonlinear growth and body nutrient deposition models in Japanese quail (Coturnix japonica) from 1-36 d》进行了一项系统研究。该研究旨在评估五种非线性模型（Brody, von Bertalanffy, Gompertz, Logistic, Richards）在描述1至36日龄雌性日本鹌鹑体重增长以及体内蛋白质、脂肪和灰分沉积动态方面的表现，并评估其统计性能和估算参数的生物学合理性。
为开展此项研究，研究人员主要应用了几项关键技术方法。研究采用了序贯屠宰方案，在1至36日龄期间设置了13个时间点（每3天一次），对鹌鹑进行采样。样本来自巴西Fujikura?孵化场提供的300只1日龄雌性日本鹌鹑。屠宰后，对胴体进行均质化、预处理（冷冻、研磨、干燥）后，采用标准化学分析方法（包括烘箱干燥法测定水分、凯氏定氮法测定粗蛋白、索氏提取法测定粗脂肪、马弗炉灼烧法测定粗灰分）精确分析体成分。核心数据分析环节，研究人员利用非线性回归程序（NLIN procedure）和Levenberg-Marquardt算法，分别将五种生长模型（Brody, von Bertalanffy, Gompertz, Logistic, Richards）拟合到体重和各类营养素沉积数据上。模型优选的判断综合运用了多种统计指标，包括确定系数（R2）、阿卡克信息准则（AIC）、贝叶斯信息准则（BIC）、渐近指数（AI），并计算了ΔAIC和ΔBIC。此外，还通过评估预测值与观测值之间的一致性（使用均方根误差RMSE、平均绝对误差MAE、皮尔逊相关系数r、林氏一致性相关系数CCC以及Bland-Altman分析）和参数的生物学合理性，来最终确定描述不同性状的最佳模型。
模型拟合与选择
研究人员系统比较了五种非线性模型对空腹体重（FBW）、粗蛋白（CP）、粗脂肪（CF）和粗灰分（CA）沉积的拟合效果。评估指标包括拟合优度（R2）、模型简洁性（AIC, BIC）以及综合指标（AI）。结果表明，所有模型的R2均高于95.3%，说明模型均能很好地解释数据变异。然而，根据AIC和BIC准则，最佳模型因所描述的性状而异：Gompertz模型为描述空腹体重和灰分沉积的最佳模型；Logistic模型最适合描述粗蛋白沉积；而Richards模型则在拟合粗脂肪沉积方面表现最优。Brody模型和von Bertalanffy模型的拟合效果普遍较差，其估算的渐近值（A）往往过高或出现生物学上不合理的拐点年龄（如负值）。
观测值与预测值的一致性
通过比较模型预测值与实际观测值，评估了所选最佳模型的准确性和精确性。对于日增重（DWG）和空腹体重，预测值与观测值具有极高的相关性（r ≈ 0.999）和一致性（CCC ≈ 0.999），平均偏差（Bias）很小。对于粗蛋白和粗灰分的积累量，模型也表现出色，nRMSE%（归一化均方根误差）分别低至4.297%和5.060%，表明预测误差相对平均值很小。相比之下，粗脂肪沉积的预测虽然仍保持较高的线性相关（r = 0.974），但nRMSE%较高（33.039%），且存在轻微的 underestimation（平均偏差为-0.733 g），说明脂肪沉积的动态变化更大，模型捕捉其变异更具挑战性。Bland-Altman图分析进一步证实，除脂肪外，大多数数据点的差异均落在95%一致性界限内，且围绕零偏差线随机分布，无明显的系统误差模式。
营养沉积动态与关键拐点
利用选定的最佳模型，研究人员预测了鹌鹑从1到36日龄每日的体重增长和营养沉积速率。结果显示了一个清晰的发育时序：灰分沉积率最早达到峰值（0.162 g d-1，在16日龄），随后是蛋白质沉积率峰值（1.082 g d-1，在18日龄），而脂肪沉积率则持续上升，直至35日龄左右达到最高（1.242 g d-1）。体增重速率的高峰出现在16日龄（4.86 g d-1）。研究还发现了关键的交叉点：脂肪沉积率与灰分沉积率在18.6日龄相等，与蛋白质沉积率在28.7日龄相等。这些拐点标识了鹌鹭生长过程中营养分配重点的转移，即从早期的骨骼构建和瘦肉生长，转向后期的能量储备（脂肪沉积）。
研究结论与讨论
本研究通过系统比较五种非线性模型，明确了Gompertz、Logistic和Richards模型分别是描述日本鹌鹑体重与灰分、蛋白质、脂肪沉积动态的最优工具。这些模型不仅统计性能优异，其估算的参数（如渐近值、生长速率、拐点日龄）也具有明确的生物学意义，能够真实反映鹌鹑的生长生理规律。
研究揭示的生长发育规律和营养沉积时序具有重要的理论与实践意义。首先，它证实了鹌鹑生长存在明显的阶段性：早期（~18日龄前）优先保证骨骼（灰分）和肌肉（蛋白质）的最大化沉积，此阶段是瘦体组织生长的关键窗口；中期（~18-29日龄）蛋白质沉积效率开始下降，脂肪沉积开始显著增加；后期（29日龄后）则进入以脂肪沉积为主导的阶段。这一发现对现行饲喂程序提出了挑战。传统的两阶段（1-14日龄和15-36日龄）或固定配方的饲喂策略可能无法精准匹配鹌鹑动态变化的营养需求。例如，在蛋白质沉积高峰（18日龄）之后立即降低日粮蛋白质和氨基酸水平，可能会导致氨基酸供应不足，无法最大化蛋白质沉积潜力，而多余的能量则可能转化为脂肪，造成不必要的体脂堆积。
因此，研究人员基于模型预测的营养沉积曲线，创新性地提出将鹌鹑1-36日龄的生长阶段细分为三个更精确的营养管理期：第一阶段（1-18日龄）：重点支持骨骼发育和蛋白质最大化沉积，需要高蛋白、高必需氨基酸水平的日粮。第二阶段（19-29日龄）：此期是营养分配的关键转折点，蛋白质沉积速率下降，脂肪沉积开始加速。日粮配方需精细调整，避免氨基酸浪费并控制脂肪过度沉积。第三阶段（30-36日龄）：以脂肪沉积为主，日粮应适当控制能量水平或调整能蛋比，以防止体脂过量，为后续产蛋期保持良好的体况。
这种基于动态生长模型的“分期饲喂”策略，有望替代过去依赖静态营养标准或借用其他禽类参数的做法，实现真正的精准营养。通过使营养供应与鹌鹑内在的生物学节律同步，可以显著提高饲料利用效率、改善胴体品质（降低腹脂）、提升整体生产效益，并促进养殖业的可持续发展。
总之，这项研究不仅为日本鹌鹑提供了可靠的生长和体成分沉积预测模型，更重要的是，它将基础生物学研究与实际营养应用紧密连接起来。所提出的三阶段饲喂方案框架为未来开发更精细、动态的鹌鹑营养需要量模型和饲喂指南奠定了坚实的理论基础，展示了数学模型在驱动动物生产走向精准化、高效化方面的巨大潜力。
