奶牛营养分委员会采纳用来预测十二指肠蛋白质总FAA中FAA的含量。该方法需要为每一种EAA建立一个方程式，同时还要建立一个用于预测总EAA流量的方程式。

建立氨基酸子模型的方法如下：利用已发表的涉及199种处理方法(表5-11)的57项试验研究的观测资料建立皱胃和十二指肠氨基酸流量的数据库。此数据库包含来自奶牛(泌乳牛和干奶牛)的155种处理方法和来自生长牛(奶牛和肉牛)的44种处理方法。只有1个试验报道了色氨酸的流量，因此，无法建立预测十二指肠蛋白质总EAA中色氨酸含量的方程式。列入正式数据库的数据需符合以下几方面的要求：①干物质采食量已报道或根据所给的信息计算出来；②饲粮组成成分已报道；③试验所用饲料的氮组分、Kd及氨基酸组成已列入饲料数据库；④精氨酸、组氨酸、异亮氨酸、亮氨酸、赖氨酸、蛋氨酸、苯丙氨酸、苏氨酸和缬氨酸的十二指肠流量(g/d)有报道。但有一个例外，就是在3#需要量中关于燕麦秸的N部分和Kd的数据由大麦秸的相应数据代替，但氨基酸组成仍采用燕麦秸的数据。前3个需要量的信息是建立模型所必须知道的。对那些采用各种处理的析因试验且只报道了主效应平均值的试验，如果主效应之一与饲粮无关，其数据才会被采用(例如，对一个主效应为蛋白质来源和饲喂频率的试验而言，只采用主效应为蛋白质来源的数据)。在已发表的57篇试验报告中只有15篇报告全部涉及产奶牛，其体重必须进行估测。动物体重是根据已报道的信息如品种、泌乳阶段以及同一作者在其他论文中报道的体重来估测的。

在最终数据库中列出的每一种EAA十二指肠流量的199个结果的平均值，体现了199种独特而又多样化饲粮饲喂奶牛的平均效果。试验牛的体重范围在191～717kg，干物质采食量的变化范围为3.6～26.7kg／d。饲料种类、使用频率以及它们占饲粮干物质比例的平均值和变化范围列于表12。所有饲粮在粗料比例(0～86%，平均值=46%)、饲粮粗蛋白水平(8.5%～29.6%，平均值=16.2%)、饲粮RDP含量(4.6%～18.2%，平均值=10.7%)以及饲粮RUP含量(2.2%～11.9%，平均值=5.5%)等方面都各不相同。建立模型所用的动物、饲粮和EAA流量等数据的描述统计列于表13。199种饲粮所需的动物和饲粮资料已输入本版模型中，以预测RUP和RDP的采食量以及微生物粗蛋白、RUP和内源粗蛋白的十二指肠流量。饲料粗蛋白含量来自试验报道(如已报道)；否则，采用模型的缺省值(±1.0标准差)。

表11建立预测氨基酸进入小肠流量模型所采用的试验研究

我们采取以下方法来确定自变量和确定能够最准确预测十二指肠蛋白质总EAA中的各种FAA含量(色氨酸例外)及各种氨基酸进入小肠流量所需的模型结构：

第一步：计算数据库中每一种饲粮RUP部分总EAA中各种EAA的含量。下面列出了达到此目的的3个方程式；以EAA

53

中的Lys为例。

RUPLys=∑f (DMIf×CPf×RUPf×Lysf×0.001) (5-3) 其中RUPLys=全部饲粮中RUP提供的Lys的量(g)；DMIf=提供RUP的每种饲料的干物质采食量(kg)；CPf=提供RUP的每种饲料的粗蛋白含量(g/100gDM)。

RUPf=提供RUP的每种饲料的RUP的含量(g／100gCP) Lysf=提供RUP的每种饲料的Lys含量(g/100gCP) RUPEAA=RUPArg＋RUPHis＋RUPIle＋RUPLeu＋RUPLys＋RUPMet＋RUPPhe＋RUPThr＋RUPTrp＋RUPVal (5-4) 式中RUPEAA=RUP提供的EAA的量(g) RUPLysPctRUPEAA=100×(RUPLys／RUPEAA) (5-5) 式中RUPLysPctRUPEAA=RUP的EAA中Lys的百分含量(g／100g EAA) 需要对每一种饲粮RUP部分总EAA中每一种EAA含量进行估测，因为相信，该结果将是估测每一种EAA在十二指肠蛋白质总EAA中所占比例的最好指标。对进入小肠的氨基酸流量的测定结果进行多元分析表明，RUP中每一种EAA的含量以及进入十二指肠的蛋白质中RUP所占比例可解释大部分十二指肠蛋白质中氨基酸比例发生变异的原因(Rulquin和Verite，1993)。在建立用于预测泌乳牛十二指肠蛋白质总EAA中Lys和Met含量的回归方程式中，饲粮的RUP和饲粮RUP中Lys和Met占总EAA的百分比，都以显著自变量的形式出现(Schwab，1996b；Socha，1994)。

表12建立预测十二指肠蛋白质总EAA中各种EAA含量的数学模型所用

的数据库中199种饲粮中的饲料及它们的使用程度

54

第二步：确定自变量，以建立预测十二指肠蛋白质中每一种EAA(色氨酸例外)和总EAA百分含量的模型。预测十二指肠蛋白质的总EAA中每一种EAA含量(如g／100g总EAA)的一个可能变量是“试验”变量，它需要的参数包括：饲粮粗蛋白和预测的饲粮RUP占饲粮干物质的百分比，饲粮RUP中每一种EAA的百分含量(如RUPLys，g／100g)，饲粮RUP的总EAA中每一种EAA的百分含量(如RUPLysPctRUPEAA，g／100g)，及预测的RUP在预测的十二指肠蛋白质流量中的百

55

分含量(预测的微生物粗蛋白＋预测的RUP＋预测的内源蛋白质)。预测进入十二指肠总EAA流量的可能变量还是“试验”变量，需要的参数包括：饲粮粗蛋白和预测的饲粮RUP占饲粮干物质的百分比，饲粮RUP中总EAA的百分比，RUPEAA的采食量(g／d)，内源蛋白质流量的预测值(g／d)，及模型预测的微生物粗蛋白(g／d)。“试验”作为一类变量被引入模型，一方面可以抵消由自变量或一些不连续的因子(如饲喂频率、采样方法、使用的微生物标记物等)造成的变异，另一方面可以防止模型过于参数化的风险。采用多元回归的“向下消去法”来确定具有明显意义的自变量。简言之，自变量，它们的均方(不包括来自“试验”的均方)和所有可能的两因子互作(不包括与“试验”的互作)都被输入模型。运用如下运算方法将模型缩减，直到出现显著的自变量(P<0.05)。首先，将不显著的(P>0.05)的互作均方顺序地从模型中剔除。其次，如果没有互作或主效应的均方差异显著，就将不显著的主效应从模型中剔除。第三，假如变异增长因子(VIF)均小于100，则接受模型。假如有一项的VIF大于100，则将其去除。假如不止一项的VIF大于100，则将P值最大的项去除。在此情况下，重复所有步骤直到在第三步得到可接受的模型。当一个明显可接受的模型产生后，再根据拟合度差异分析(DFFTTS)来剔除非正常值；DFFTTS的绝对值≥2的被剔除(Bowennan和O’Connell，1990)。在估测十二指肠蛋白质的总EAA中单个EAA含量的模型中出现具有显著意义的自变量包括：试验、RUP的EAA中各种EAA的百分比、以及十二指肠蛋白质中RUP的百分比。

表13 建立预测十二指肠蛋白质中总EAA含量，以及预测进入小肠的

总EAA流量的数学模型所采用数据的描述性统计量

第三步：使用SAS的PROC MIXED程序模块(随机效应模型)来建立正式方程式。这样做是为了得到更加准确的参数估测值和提高预测模型在应用领域方面的实用性(如试验效应未知)。简言之，每一种EAA和总EAA的两个随机系数模型用来拟合由PROC GLM程序产生的预测方程式。第一个随机系数模型运用非结构的协方差来检验试验内的截距和斜率是否显著相关(P<0.05)，而这些方程式中没有一个显著相关。第二个随机系数模型，因其对每一随机效应(默认结构)模拟了一个不同的变量因子，故用来产生正式的预测模型。

精氨酸 Y=7.31＋0.251X1 (RMSE=0.278) 式中Y=精氨酸，占十二指肠蛋白质中EAA的百分比；X1=精氨酸，占RUP中EAA的百分比。

56