从微生物到甲烷：基于AI的奶牛饲料添加剂效能预测建模

在日益增大的可持续农业压力时代，优化牲畜饲料以提升产量并最小化环境影响是首要目标。本研究提出一种针对该目标的开创性方法，利用瘤胃微生物组数据分析预测奶牛饲料添加剂效能。我们收集了广泛数据集，包括分布于34个不同站点的2190头荷斯坦奶牛的甲烷排放。奶牛以双盲、无偏方式分为对照组和实验组，并考虑年龄、泌乳天数和平均产奶量等变量。实验组投喂四种领先商业饲料添加剂之一：Agolin、Kexxtone、Allimax和Relyon。在添加剂投喂前及随后12周期间分别测量个体甲烷排放。为开发添加剂效能预测模型，在研究开始前从同一牛群的510头奶牛收集瘤胃微生物组样本。这些样本进行深度宏基因组鸟枪测序，平均每样本产生1570万条读数。利用创新人工智能技术，我们成功估算了这些饲料添加剂在不同农场的效能。该模型的稳健性通过独立队列验证进一步确认，证实其泛化性和可靠性。我们的结果强调了利用靶向饲料添加剂策略来优化产奶量和乳成分的变革能力，并显著减少甲烷排放。具体而言，我们的预测模型展示了一个应用场景：其指导将添加剂分配至最有效农场。如此，我们可实现总体排放平均潜在减少超过27%。