Die Schätzung der Energiebilanz von Milchkühen anhand von Tier-, Rations-, und Milchmerkmalen mit besonderer Berücksichtigung der Milchfettsäuren

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:100-opus-13474
URL: http://opus.uni-hohenheim.de/volltexte/2017/1347/

pdf-Format:		Dokument 1.pdf (2.231 KB)
Gedruckte Ausgabe:		Print-on-Demand-Kopie
Dokument in Google Scholar suchen:
Social Media:
Export:
Abrufstatistik:
SWD-Schlagwörter:		Milchkuh , Energiebilanz , Milch , Fettsäuren
Freie Schlagwörter (Englisch):		dairy cow , energy balance , milk , fatty acids
Institut:		Institut für Nutztierwissenschaften
Fakultät:		Fakultät Agrarwissenschaften
DDC-Sachgruppe:		Landwirtschaft, Veterinärmedizin
Dokumentart:		Dissertation
Hauptberichter:		Rodehutscord, Markus Prof. Dr.
Sprache:		Englisch
Tag der mündlichen Prüfung:		09.03.2017
Erstellungsjahr:		2017
Publikationsdatum:		24.04.2017
Lizenz:		Dieser Inhalt ist unter einer Creative Commons-Lizenz lizenziert.
Kurzfassung auf Englisch:		The objective of the present study was to predict the energy balance (EB) of dairy cows from animal, feed, and milk traits. As the milk fatty acid (FA) profile is known to react to physiological conditions like an energy deficit, special regard was given to milk FA in order to identify new potential indicators for negative EB. Visiting six experimental stations in Germany, single milk samples were taken from dairy cows between their 6th and 133th day in milk to create a dataset covering a large spectrum of EB and a variety of practical diets. The milk composition was analyzed by mid-infrared spectrometry, and the milk FA profile via gas chromatography. Energy balance (MJ NEL/d), as response variable, was calculated by subtracting the cow’s energy requirements from energy intake. As candidate variables parity, day of lactation, dietary nutrient composition, milk yield, milk composition, and the milk FA profile were provided resulting in a pool of 62 potential predictors. The prediction of EB was performed in two different ways: first, an automated stepwise variable selection was performed with the whole variable pool (GLMs-N) and with FA only (GLMs-FA-N). As this method recently earned criticism, some other methods were also tested for a first variable selection: the regularized linear regression models Lasso, elastic net (ENET), adaptive Lasso (AdaLasso), and adaptive elastic net (ADAENET). As a machine learning method which also considers interactions and non-linear relationships random forests were also applied. The first variable selection was performed using a five-fold cross-validation which resulted in five models per selection method. All chosen effects were combined to one model (MODEL1) for each method, respectively. Following this, the individual effects of the MODEL1 were used for a forward selection based on the corrected Akaike Information Criterion (AICC) for further model reduction, resulting in MODEL2. Then, the non-significant effects were removed from the MODEL2, achieving the final MODEL3 for each method. The final models were validated using leave-one-out cross-validation. The models showed adequate correlations (r) between the predicted and the observed EB in leave-one-out cross-validation: although GLMs-FA-N had the lowest accuracy (r = 0.79), the result was still remarkable and showed how much information milk FA alone can provide. GLMs-N and AdaLasso performed best with r = 0.86 and 0.85 containing 21 and 18 predictors, respectively. However, other models like ADAENET achieved only slightly lower accuracy (r = 0.83) with only 6 predictors. The composition of the predictors was relatively similar in all models. All (except for GLMs-FA-N) contained days in milk, milk yield, C18:1c9, C15:0iso, and the ratio of omega-6 to omega-3 FA (n-6/n-3) as effects with the strongest impacts on the prediction. While milk yield, days in milk, and C18:1c9 mirrored physiologically obvious effects, the strong and positive impact of n-6/n-3 and C15:0iso was unexpected. The n-6/n-3 ratio might be physiologically connected to EB as might reflect the dietary forage-to-concentrate ratio which influences dietary energy content and thus EB. The importance of C15:0iso, a FA arising from microbial FA synthesis in the rumen, could not be explained satisfyingly. The nature of the potential physiological connections between EB and some FA like C15:0iso or n-6 or n-3 FA might require further research. The present study showed that it is possible to predict the cow’s EB from animal and milk traits with an adequate accuracy. As long as the diets have similar composition and not contain ingredients which strongly affect the milk FA profile, dietary effects have not to be taken into account. However, a practical application of the obtained models is not yet possible: First, as the dataset was relatively small (n = 248), it is not clear whether or not the models would perform adequately with independent datasets. Second, FA analysis by gas chromatography is very expensive. Third, even if gas chromatographic analysis were affordable for standard milk analysis, there are some highly variable, very low concentrated FA as predictors in the models, which might be prone to laboratory effects, and this could spoil the predictions. Although under criticism, automatic stepwise selection provided the best performing model and thus seems sufficient for practical issues like the one dealt with in the present study. However, the differences in accuracy between the applied methods were very small and as regularized linear regression methods, especially ENET and ADAENET, are supposed to deal better with highly correlated variables, it might be safer to use them with datasets containing highly correlated variables such as the one used in the present work.
Kurzfassung auf Deutsch:		Ziel dieser Doktorarbeit war es, die Energiebilanz (EB) von Milchkühen anhand von Tierdaten, Futterinformationen und der Milchzusammensetzung zu schätzen. Da das Muster der Milchfettsäuren (FA) auf physiologische Gegebenheiten wie Energiemangel reagiert, wurde hierauf besonderes Augenmerk gelegt um neue FA zu identifizieren, die als Indikator für eine negative EB dienen könnten. Dazu wurden von sechs Versuchsstationen in Deutschland einzelne Milchproben von Kühen zwischen dem 6. und 133. Laktationstag gezogen um eine möglichst breites Spektrum an Rationen und EB abzudecken. Die Milchzusammensetzung wurde mit Hilfe von Infrarotspektroskopie analysiert, die Milchfettzusammensetzung gaschromatographisch (GC). Die EB (MJ NEL/d) als Response-Variable wurde als die Differenz des kalkulierten Energiebedarfs von der Energieaufnahme berechnet. Als potenzielle Prädiktorvariablen kamen Laktationsnr., -tag, die Nährstoffgehalte der Ration, Milchleistung, Milchinhaltsstoffe und die FA infrage – insgesamt 62 Variablen. Für die Schätzung wurden zwei verschiedene Strategien angewandt: eine automatisierte, schrittweise Variablenselektion, die mit dem gesamten Variablenpool durchgeführt wurde (GLMs-N) und allein mit den FA (GLMs-FA-N). Da diese Methode jedoch in der Kritik steht, wurden zum Vergleich für eine erste Variablenselektion andere Methoden angewandt: die regularisierten linearen Regressionsmethoden „Lasso“, „Elastic net“ (ENET), „adaptive Lasso“ (AdaLasso) und „adaptive elastic net“ (ADAENET). Als Referenz, die auch Interaktionen und nicht-lineare Beziehungen berücksichtigt, wurde die „Machine-Learning“-Methode „Random Forests“ eingesetzt. Zunächst wurden zur Variablenselektion diese Methoden auf den ganzen Variablenpool mit einer fünffachen Kreuzvalidierung angewandt, was zu fünf Modellen pro Methode führte. Die ausgewählten Variablen dieser fünf Modelle wurden jeweils zu einem Modell (MODEL1) zusammengefasst. Anschließend wurde mit den Variablen der MODEL1 eine Vorwärtsselektion anhand des korrigierten „Akaike Information Criterion“ (AICC) durchgeführt, welche zu den weiter reduzierten MODEL2 führte. In einem dritten Schritt entstanden die MODEL3 durch das sukzessive Entfernen der nicht-signifikanten Effekte. Die letzten Modelle wurden mit Hilfe einer „Leave-one-out“-Kreuzvalidierung validiert. Die Modelle zeigten in der „Leave-one-out“-Kreuzvalidierung gute Korrelationen zwischen der berechneten und geschätzten EB: die Genauigkeit von GLMs-N und AdaLasso war mit r = 0.86 und 0.85 die höchste. Die Modelle enthielten jeweils 21 und 18 Effekte. Allerdings konnten andere Modelle, wie z.B. ADAENET mit nur 6 Effekten eine ähnlich hohe Genauigkeit erzielen (r = 0.83). Obwohl GLMs-FA-N die geringste Schätzgenauigkeit aufwies (r = 0.79), ist es doch erstaunlich wie viel Information die FA allein liefern können. Die Zusammensetzung der Effekte war bei den Modellen recht ähnlich: abgesehen von GLMs-FA-N enthielten alle Modelle als stärkste Effekte Laktationstag, Milchleistung, C18:1c9, 15:0iso und das Verhältnis zwischen Omega-6- und Omega-3-FA (n-6/n-3). Während Laktationstag, Milchleistung und C18:1c9 physiologisch gesehen einen eindeutigen Zusammenhang zur EB haben, war dieser bei 15:0iso und n-6/n-3 zunächst nicht klar. N 6/n 3 könnte das Grundfutter-Kraftfutter-Verhältnis widerspiegeln, welches Einfluss auf die Energiedichte und damit die EB haben kann. Die Bedeutung von C15:0iso als FA, die hauptsächlich von der mikrobiellen FA-synthese im Pansen herrührt, konnte nicht vollständig erklärt werden. Um den Zusammenhang zwischen diesen und evtl. einigen anderen FA und der EB zu erklären wären weitere Untersuchungen nötig. Die vorliegende Arbeit zeigte, dass es möglich ist, die EB mit Hilfe von Tierdaten, Milchinhaltsstoffen und den FA mit guter Genauigkeit zu schätzen. Nährstoffgehalte der Rationen scheinen vernachlässigbar, solange keine Rationskomponenten eingesetzt werden, die sich auf besondere Weise auf das Milch-FA-Muster auswirken. Dennoch ist eine praktische Anwendung dieser Modelle derzeit unwahrscheinlich: der Datensatz ist mit 248 Beobachtungen relativ klein, was es unwahrscheinlich macht, dass die Modelle stabil genug sind um angewandt auf unabhängige Datensätze ähnlich gute Ergebnisse zu erzielen. Außerdem enthalten die Modelle einige sehr gering konzentrierte, hochvariable FA, die anfällig für Laboreffekte sind und auch dadurch die Genauigkeit der Schätzungen im Einsatz beeinträchtigen könnten. Zuletzt ist die FA-Analyse mittels GC zu teuer für praktische Betriebe. Trotz der Kritik an der automatisierten Variablenselektion zeigte das darauf basierende Modell durchweg die beste Leistung. Allerdings waren die Unterschiede in der Schätzgenauigkeit zwischen den Methoden sehr gering und da die regularisierten Regressionsmethoden, besonders ENET und ADAENET, grundsätzlich besser mit hoch korrelierten Variablen umgehen können, sollten sie bei Datensätzen wie dem der vorliegenden Studie bevorzugt werden.

© 1996 - 2016 Universität Hohenheim. Alle Rechte vorbehalten.  10.01.24