Sử dụng kỹ thuật quang phổ hấp thụ cận hồng ngoại (near infrared reflectance spectroscopy-nirs) để chẩn đoán thành phần hóa học của thức ăn, phân gia súc, gia cầm
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (391.18 KB, 20 trang )
sử dụng kỹ thuật quang phổ hấp phụ cận hồng ngoại (near
infrared reflectance spectroscopy - NIRS) để chẩn đoán
thành phần hoá học củathức ăn, phân gia súc, gia cầm
Vũ Chí Cơng
1
, Phạm Kim Cơng
1
, Đoàn Thị Khang
2
và Dơng Thị Thu Anh
2
1
Bộ môn Nghiên cứu Bò;
2
Phòng Phân tích thức ăn và SPCN
1. Đặt vấn đề
Kỹ thuật quang phổ hấp phụ cận hồng ngoại (Near Infrared Reflectance
Spectroscopy viết tắt là NIRS) là kỹ thuật đã đợc biết đến từ lâu và hiện nay đã
đợc ứng dụng rộng rãi vào nhiều lĩnh vực: xác định lợng nớc trong ngũ cốc và
các loại hạt (Norris và Hart, 1965) xác định thành phần hoá học và tỷ lệ tiêu hoá
của cỏ khô, các thức ăn thô khô (Abrams và cộng sự 1987; Lippke and Barton, 1988
và Brown và cộng sự, 1990), thức ăn ủ chua (Sinnaeve và cộng sự 1994; Park và
cộng sự 1998), cỏ tơi (Norris và cộng sự 1976; Shenk và cộng sự 1977 and
Berarado và cộng sự 1997; Givens và cộng sự 1997), xác định lợng thức ăn ăn vào
(Norris và cộng sự,1976; Ward và cộng sự, 1982; Redshaw và cộng sự, 1986,
Coelho và cộng sự, 1988 and Park và cộng sự, 1997), xác định thành phần hoá học
và giá trị dinh dỡng của các thức ăn hạt cốc cho gia súc nhai lại (Arminda và cộng
sự., 1998), lợn (Van Barneveld và cộng sự., 1999), gia cầm (Valdes và cộng sự.,
1985; Valdes và Leeson, 1992a, 1992b, 1992c, 1992d), xác định tinh bột, mỡ, dầu
thực vật, năng lợng trao đổi, tồn d thuốc bảo vệ thực vật và độc tố trong ngũ cốc
(Wrigley, 1999), kiểm tra các loại thực phẩm (De Boever và cộng sự, 1994), tồn d
nấm mốc và các chất phụ gia trộn trong nguyên liệu thức ăn (Givens and Deaville,
1999).
Dùng NIRS để xác định thành phần hoá học, tỷ lệ tiêu hoá của thức ăn, từ đó
ớc tính giá trị dinh dỡng của thức ăn đã đợc công nhận là phơng pháp phòng
thí nghiệm có độ chính xác cao (Boval và cộng sự, 2004). NIRS cũng là phơng
pháp đợc AOAC chính thức công nhận để phân tích protein thô và ADF (AOAC
989.03) và ẩm độ (AOAC 991.01; Barton và Windham, 1998)
Những u điểm, hạn chế của phơng pháp này đã đợc nhiều tác giả đề cập
đến (Norris và cộng sự 1976., Shenk và Westerhaus, 1985; Murray, 1986., Givens
và cộng sự, 1997; Kitessa và cộng sự, 1999., Fahey và Hussein, 1999 và Coleman
và cộng sự 1999).
NIRS cho phép phân tích nhanh, nhiều mẫu đồng thời, không độc hại, không
phá huỷ môi trờng vì không dùng hoá chất, ít tốn thời gian, rẻ dù đầu t ban đầu
cao để mua thiết bị (William và cộng sự., 1998), chuẩn bị mẫu đơn giản (Mark và
cộng sự.,2002), độ chính xác khá cao, đơn giản cho xử dụng và vận hành (Given và
Deaville, 1999). Nhợc điểm của phơng pháp là cần nhiều thời gian cho chuẩn hoá
và phát triển mô hình, sử lý số liệu khó, chuyển đổi số liệu từ các máy khác nhau về
serie khá khó khăn (Given và Deaville, 1999) Với mục đích ứng dụng NIRS để
xây dựng phơng trình chẩn đoán thành phần hoá học của thức ăn, phân tiến tới xây
dựng phơng trình chẩn đoán tỷ lệ tiêu hoá và giá trị dinh dỡng của thức ăn chúng
tôi tiến hành đề tài này.
2. Vật liệu và phơng pháp nghiên cứu
2.1. Nguyên lý của phơng pháp
Theo William và cộng sự., (1998) thì nguyên lý của phơng pháp này nh
sau: Thành phần của cây cỏ và mô động vật đợc phản ánh ở loại hình cầu nối giữa
các nguyên tử hoặc các nhóm nguyên tử (nhóm chức năng - functional groups),
chúng cấu tạo nên các mô sinh học và thông tin về các nhóm này có thể có đợc
thông qua các dạng quang phổ khác nhau. Khi một mẫu của chất hữu cơ nào đó
đợc chiếu sáng các cầu nối này liên tục dao động hoặc dãn ra hoặc co lại. Sự dao
động này tạo ra một kiểu vận động dạng sóng trong các cầu nối ở một tần số đặc
trng cho từng nhóm chức năng. Những tần số của ánh sáng tới phù hợp với tần số
của sóng dao động bị hấp phụ, trong khi những tần số khác hoặc bị phản xạ hoặc đi
qua. Vùng cận hồng ngoại (750-2500nm) đợc các cầu nối C-H, N-H, O-H - là các
thành tố cơ bản tạo nên các chất hữu cơ của mô sinh học hấp phụ. Nh vậy các
thành tố hoá học của mô qui định bản chất và số lợng của các cầu nối này và do đó
qui định độ dài bớc sóng hấp phụ và số lợng ánh sáng bị hấp phụ. Phổ ánh sáng
phản xạ từ các mẫu chứa đựng các thông tin về thành phần hoá học của mẫu đó. Từ
phổ thu đợc về các cầu nối đặc trng cho một chất nào đó của một số mẫu nhất
định nhờ một phần mềm ví dụ winisi mà chúng ta đang dùng chúng ta có đợc
một ma trận các giá trị số của phổ cho một chất hữu cơ nào đó (ví dụ protein thô).
Vì mẫu đồng thời cũng đợc phân tích thành phần hoá học nên chúng ta có đợc
một ma trận số về một chất hữu cơ nào đó (ví dụ protein thô). Sử dụng các mô hình
thống kê nhiều biến cho phép mô tả quan hệ giữa phổ hấp phụ và thành phần hoá
học, quan hệ này sau đó chính là mô hình toán để chẩn đoán thành phần hoá học
của các mẫu cha phân tích tại phòng thí nghiệm. Toàn bộ nguyên lý của quá trình
này đợc mô tả trong sơ đồ 1.
Sơ đồ 1
. Qui trình xây dựng phơng trình chẩn đoán thành phần hoá học của thức
ăn và phân với máy NIRS
Phần mềm WINisi Phân tích
Ma trận phổ hấp phụ chất A Ma trận kết quả phân tích chất A
x
1
x
2
x
1
p y
1
y
2
x
21
y
2
y
2
. WinISI . .
. . .
x
n1
y
n
y
n
Phơng trình chẩn đoán của NIRS cho chất A
2.2. Các mẫu thức ăn, phân sử dụng trong nghiên cứu
Mẫu sử dụng trong thí nghiệm gồm: bột cá, cám gạo, đậu tơng và cỏ trong
thí nghiệm in vivo trên cừu và phân cừu trong thí nghiệm tiêu hoá in vivo đang đợc
tiến hành tại Viện chăn nuôi. Các mẫu sau khi đợc sấy khô ở 45 0C trong 24 giờ
đợc nghiền đến 1 mm để phân tích thành phần hoá học và chạy quét phổ trên máy
NIRS monochromator 5000 của hãng Foss, USA.
2.3. Phân tích thành phần hoá học
Thành phần hóa học thức ăn, phân đựơc phân tích tại phòng Phân tích thức
ăn và sản phẩm chăn nuôi, Viện Chăn nuôi. Các tiêu chuẩn TCVN 4326 - 86,
TCVN 4328 - 86, Shocklex, TCVN 4329 - 86, TCVN 4327 - 86 đựơc sử dụng để
phân tích tỷ lệ nớc ban đầu, protein thô, mỡ thô, xơ thô và khoáng tổng số. NDF,
ADF đợc xác định theo phơng pháp của Goering và Van Soest (1970).
2.4. Chạy phổ và xử lý số liệu và xây dựng phong trình chẩn đoán
Qui trình chạy và xây dựng phơng trình chẩn đoán theo sơ đồ 1. Mấu thức
ăn sau chạy phổ đợc phần mềm chuyên dụng WinISI chuyển thành một ma trận
số. Ma trận này cùng với ma trận kết quả phân tích sẽ đợc hồi qui với nhau (sau
khi đã loại bỏ tự động các số liệu cực đoan) với WinISI để xây dựng phơng trình
chẩn đoán. Mô hình toán học để xây dựng quan hệ giữa hai ma trận số là hồi qui
tuyến đa chiều (Multiple linear regssion-MLR):
Y= b
0
+ b
1
X
1
+ b
2
X
2
+ + b
i
X
i
+ b
p
X
p
Trong đó: Y là kết quả phân tích phòng thí nghiệm của chất A nào đó
X là kết quả chẩn đoán với NIRS
b: hệ số
. Kết quả và thảo luận
3.1. Kết quả nghiên cứu
3.1.1. Kết quả xây dựng phơng trình chẩn đoán chất khô (DM) và protein thô
(CP) của bột cá
Kết quả xây dựng phơng trình chẩn đoán DM và CP của bột cá từ NIRS
đợc trình bày ở các bảng 1, 2, 3 và đồ thị 1, 2. Kết quả này cho thấy phơng trình
chẩn đoán DM và CP của bột cá bằng NIRS có r từ khá (83,8 %) đến cao (91,61%)
với SEC (Standard error for callibration)-sai số của phép đo chấp nhận đợc (0,88
đến 1,44 %), và sai số của phép đo sau khi đã hiệu chỉnh SECV (Standard error for
cross validation) cũng đủ nhỏ để không gây sai số quá lớn của phép đo (0,94 % đến
1,94%).
Bảng 1
. Kết quả phân tích DM, CP của bột cá trên máy NIRS
Chỉ tiêu n Mean SD Min Max SEC SECV
DM 143
89,01 1,73 83,82 94,20 0,8789
0,9369
CP 143
59,43 4,47 46,00 72,85 1,4346
1,9357
Bảng 2
. So sánh kết quả phân tích DM, CP của bột cá trong phòng thí nghiệm với
kết quả NIRS
Chỉ tiêu n Mean SD Min Max
Lab 143 89,02 1,76 83,89 93,76
C
C
h
h
ấ
ấ
t
t
k
k
h
h
ô
ô
NIRS 143 89,01 1,73 83,82 94,20
Lab 143 59,141 4,84 37,900 68,02 CP
NIRS 143 59,43 4,47 46,00 72,85
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% CP) Bt
cỏ
y = 0.8369x + 9.8278
R
2
= 0.8392
0
10
20
30
40
50
60
70
80
0 10 20 30 40 50 60 70 80
Lab
NIR
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% DM)
y = 0.7042x + 26.332
R
2
= 0.7023
84
86
88
90
92
94
96
82 84 86 88 90 92 94 96
Lab
NIR
Đồ thị 1; 2.
Hồi qui giữa DM, CP của bột cá phân tích phòng thí nghiệm và chẩn
đoán trên NIRS
Bảng 3
. Phơng trình hồi qui chẩn đoán DM và CP của bột cá từ DM, CP trên
máy NIRS
Chỉ tiêu n Phơng trình R
2
r (%) P (<)
DM bột cá Y
1
143
=
0,742 x DMbotcaNIRS 0,7023 83,8 0,001
CP bột cá Y
2
143
= 0,8369 x CPbotcaNIRS 0,8392 91,61 0,001
Với r
từ khá cao đến cao và sai số không lớn nên không có sự sai khác lớn về
các giá trị: Mean SD, Min và Max của DM và CP của bột cá phân tích phòng thí
nghiệm và chạy trên máy NIRS.
3.1.2. Kết quả xây dựng phơng trình chẩn đoán protein thô, xơ thô của cám gạo
Bảng 4
. Kết quả phân tích CP, CF của cám gạo trên máy NIRS
Thành phần N Mean SD Min Max SEC SECV
CP 30 11,31 2,27 4,49 18,13 0,68 0,83
CF 28 12,04 3,68 0,99 23,09 0,89 1,47
Bảng 5: Kết quả phân tích protein thô và xơ thô của cám và kết quả NIRS
Chỉ tiêu n Mean SD Min Max
Lab 30 11,31 2,27 7,63 17,41
C
C
P
P
NIRS 30 11,31 4,49 4,49 18,13
Lab 26 12,58 4,13 4,13 21,77 CF
NIRS 28 12,04 3,68 0,99 23,09
CP_Cam_Nirs
CP_Cam_Lab
18161412108
18
16
14
12
10
8
S 0.637889
R-Sq 92.4%
R-Sq(adj) 92.1%
Fitted Line Plot
CP_Cam_Lab = - 0.0000 + 1.000 CP_Cam_Nirs
CF_Cam_Nirs
CF_Cam_Lab
2015105
20
15
10
5
S 1.89347
R-Sq 79.7%
R-Sq(adj) 79.0%
Fitted Line Plot
CF_Cam_Lab = 1.181 + 0.9283 CF_Cam_Nirs
Đồ thị 3; 4. Hồi qui giữa CP, CF của cám gạo phân tích phòng thí nghiệm và chẩn
đoán trên NIRS
Bảng 6
. Phơng trình hồi qui chẩn đoán CP và CF của cám từ CP, CF trên máy
NIRS
Chỉ tiêu n Phơng trình R
2
(%)
r (%) P (<)
CP của cám Y
3
38
=
- 0,0003 + 1,000 CPNIRS
92,1 95,97 0,001
CF của cám Y
4
26
= 1,181 + 0,9283 CF NIRS
79,0 88,88 0,001
Kết quả xây dựng phơng trình chẩn đoán CP và CF của cám gạo từ NIRS
đợc trình bày ở các bảng 4, 5, 6 và đồ thị 3, 4. Kết quả này cho thấy dù số mẫu
cha nhiều nhng phơng trình chẩn đoán CP của cám gạo bằng NIRS có r cao
(95,97 %) với SEC chấp nhận đợc (0,68%), và SECV cũng đủ nhỏ để không gây
sai số quá lớn của phép đo (0,83%). Trong trờng hợp CF, r chỉ ở mức khá (88,88
%) với SEC cao hơn nhng chấp nhận đợc (0,83%, và sai số của phép đo sau khi
đã hiệu chỉnh SECV cũng đủ nhỏ để không gây sai số quá lớn của phép đo (1,47%).
Với r
từ khá đến cao và sai số không lớn nên không có sự sai khác về các giá trị:
Mean SD, Min và Max của CP và CF của cám gạo phân tích phòng thí nghiệm và
chạy trên máy NIRS.
3.1.3. Kết quả xây dựng phơng trình chẩn đoán chất khô (DM) và protein thô
(CP), mỡ (Fat) và xơ thô (CF) của đậu tơng
Bảng 7
. Kết quả phân tích DM, CP, Fat và CF của đậu tơng trên máy NIRS
Chỉ tiêu N Mean SD Min Max SEC SECV
DM 60
89,40 0,72 87,25 91,55 0,32 0,349
CP 60
46,59 1,41 42,36 50,82 0,752 0,801
Fat 57
1,31 0,44 0,47 2,64 0,31 0,382
CF 59
6,18 0,74 3,96 8,38 0,59 0,645
Bảng 8
. Kết quả phân tích DM, CP, Fat và CF của đậu tơng và kết quả NIRS
Chỉ tiêu n Mean SD Min Max
Lab 60 89.457 0.74 88.290 91.40
D
D
M
M
NIRS 60 89,40 0,72 87,25 91,55
Lab 60 46.59 1.41 43.25 50.39 CP
NIRS 60 46,59 1,41 42,36 50,82
Lab 57 1.36 0.52 0.07 3.27 Fat
NIRS 57 1,31 0,44 0,47 2,64
Lab 59 6.21 0.77 3.89 8.13 CF
NIRS 59 6,18 0,74 3,96 8,38
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% DM)
y = 0.7232x + 24.709
R
2
= 0.6456
88
88.5
89
89.5
90
90.5
91
91.5
88 88.5 89 89.5 90 90.5 91 91.5 92
Lab
NIR
Hi qui gi a giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% CP)
y = 0.7305x + 12.557
R
2
= 0.7305
42
43
44
45
46
47
48
49
50
51
42 43 44 45 46 47 48 49 50 51
Lab
NIR
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% Fat)
y = 0.4738x + 0.6831
R
2
= 0.5304
0
0.5
1
1.5
2
2.5
0 0.5 1 1.5 2 2.5 3 3.5
Lab
NIR
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% CF)
y = 0.3529x + 3.9843
R
2
= 0.3524
0
1
2
3
4
5
6
7
8
0 1 2 3 4 5 6 7 8 9
Lab
NIR
Đồ thị 5, 6, 7 và 8: Hồi qui giữa DM, CP, Fat và CF của đậu tơng phân tích
phòng thí nghiệm và chẩn đoán trên NIRS
Bảng 9. Phơng trình hồi qui chẩn đoán DM, CP, Fat và CF của đậu tơng trên
máy NIRS
Chỉ tiêu Y= n
Phơng trình
R
2
r (%) P (<)
DM của đậu tơng Y
5
60
0,7232 x DMDTNIRS + 24,7
0,6456
80,34 0,001
CP của đậu tơng Y
6
60
0,7305 x CPDTNIRS + 12,557
0,7305
85,47 0,001
Fat của đậu tơng Y
7
57
0,4738 x FatDTNIRS + 0,6831
0,5304
72,83 0,001
CF của đậu tơng Y
8
59
0,3529 x CFDTNIRS + 3,9843
0,3524
59,36 0,001
Kết quả xây dựng phơng trình chẩn đoán DM, CP Fat và CF của đậu tơng
từ NIRS đợc trình bày ở các bảng 7, 8, 9 và đồ thị 5,6,7 và 8. Kết quả này cho thấy
do số mẫu cha nhiều nên phơng trình chẩn đoán DM, CP, Fat và CF của đậu
tơng bằng NIRS có r từ khá đến thấp và rất thấp. Các giá trị r tơng ứng cho DM,
CP, Fat và CF của đậu tơng là 80,34; 85,47, 72,83 và 59,36 % mặc dù các giá trị
SEC chấp nhận đợc và không có sự sai khác về các giá trị: Mean SD, Min và
Max của DM, CP, Fat và CF của đậu tơng phân tích phòng thí nghiệm và chạy trên
máy NIRS.
3.1.4. Kết quả xây dựng phơng trình chẩn đoán chất khô, protein thô, xơ thô và
mỡ của cỏ
Bảng 10
. Kết quả phân tích DM, CP, Fat và CF của cỏ trên máy NIRS
Thành phần
n Mean SD Min Max SEC SECV
DM 37
18,38 4,93 3,58 33,17 0,76 0,97
CP 37
10,678 3,16 1,20 20,15 0,42 0,65
Fat 37
1,92 0,416 0,680 3,15 0,11 0,18
CF 37
30,41 3,35 20,37 40,46 0,72 1,24
Bảng 11
. So sánh kết quả phân tích DM, CP, Fat và CF của cỏ với kết quả NIRS
Chỉ tiêu n Mean SD Min Max
Lab 39 18,46 4,83 10,48 27,32
C
C
K
K
NIRS 37 18.38 4,93 3,58 33,17
CP Lab 39 11,12 3,65 4,92 20,07
NIRS 37 10,68 3,16 1,20 20,15
Lab 39 1,98 0,49 1,04 3,38 Mỡ
NIRS 37 1,92 0,416 0,68 3,15
Lab 39 30,20 3,58 21,21 36,10 CF
NIRS 37 30,41 3,35 20,37 40,46
Bảng 12. Phơng trình hồi qui chẩn đoá DM, CP, Fat và CF của cỏ trên máy NIRS
Chỉ tiêu n Phơng trình R
2
r (%) P (<)
DM của cỏ Y
9
39
=
.8393 + 0.9658 DMCoNIRS 93,6 96,75 0,001
CP của cỏ Y
10
49
= - 0.6514 + 1.082 CPCoNIRS
90,6 95,18 0,001
Fat của cỏ Y
11
28
= - 0.0101 + 1.033 FatCoNIRS 68,4 82,7 0,001
CF thô của cỏ Y
12
47
= - 0.943 + 1.026 CFCoNIRS 92,7 96,28 0,001
Đồ thị 9, 10, 11, 12: Hồi qui giữa DM, CP, Fat và CF của cỏ phân tích phòng
thí nghiệm và chẩn đoán trên NIRS
DM_Co_Nirs
DM_Co_Lab
28262422201816141210
28
26
24
22
20
18
16
14
12
10
S 1.22444
R-Sq 93.7%
R-Sq(adj) 93.6%
Fitted Line Plot
DM_Co_Lab = 0.8393 + 0.9658 DM_Co_Nirs
CP_Co_Nirs
CP_Co_Lab
17.515.012.510.07.55.0
20.0
17.5
15.0
12.5
10.0
7.5
5.0
S 1.12181
R-Sq 90.8%
R-Sq(adj) 90.6%
Fitted Line Plot
CP_Co_Lab = - 0.6514 + 1.082 CP_Co_Nirs
Fat_Co_Nirs
Fat_Co_Lab
2.62.42.22.01.81.61.41.2
3.5
3.0
2.5
2.0
1.5
1.0
S 0.278106
R-Sq 69.2%
R-Sq(adj) 68.4%
Fitted Line Plot
Fat_Co_Lab = - 0.0101 + 1.033 Fat_Co_Nirs
CF_Co_Nirs
CF_Co_Lab
35.032.530.027.525.0
38
36
34
32
30
28
26
24
22
20
S 0.967966
R-Sq 92.9%
R-Sq(adj) 92.7%
Fitted Line Plot
CF_Co_Lab = - 0.943 + 1.026 CF_Co_Nirs
Kết quả xây dựng phơng trình chẩn đoán DM, CP, Fat và CF của cỏ từ
NIRS đợc trình bày ở các bảng 10, 11, 12 và đồ thị 9, 10, 11, 12. Kết quả này cho
thấy trừ trờng hợp Fat (r không cao: 82,7 %) các phơng trình chẩn đoán DM, CP
và CF của cỏ bằng NIRS có r cao (96,75; 95,18 và 96,28 %) với SEC (Standard
error for callibration)-sai số của phép đo chấp nhận đợc (0,76; 0,42 và 0,72%), và
sai số của phép đo sau khi đã hiệu chỉnh SECV (Standard error for cross validation)
cũng đủ nhỏ để không gây sai số quá lớn của phép đo (0,97; 0,65 và 1,24%).
Với r
2
cao và sai số không lớn nên không có sự sai khác về các giá trị: Mean
SD, Min và Max của DM, CP và CF của cỏ phân tích phòng thí nghiệm và chạy
trên máy NIRS.
3.1.5. Kết quả xây dựng phơng trình chẩn đoán DM, CP, Xơ, Mỡ, NDF, ADF,
Ash của phân cừu
Bảng 13.
Kết quả phân tích DM, CP, Xơ, Mỡ, NDF, ADF, Ash của phân cừu trên
máy NIRS
Chỉ tiêu N Mean SD Min Max SEC SECV
DM 249 44,01 8,36 18,93 69,08 4,29 4,76
CP 245 11,931 3,58 1,20 22,66 0,51 0,57
Fat 243 2,031 1,17 0,25 5,54 0,23 0,27
CF 248 27,791 7,57 5,10 50,51 1,70 1,83
Ash 247 17,35 8,81 1,03 43,78 2,80 3,26
NDF 246 58,63 14,65 14,68 80,36 2,31 2,68
ADF 248 35,07 8,47 9,66 60,48 2,19 2,39
Kết quả xây dựng phơng trình chẩn đoán DM, CP, Fat, CF, NDF, NDF và
Ash của phân cừu từ NIRS đợc trình bày ở các bảng 13, 14, 15 và đồ thị 13, 14,
15, 16, 17, 18 và 19.
Bảng 14
. So sánh kết quả phân tích DM, CP, Fat và CF, Ash, NDF và ADF của
phân cừu với kết quả NIRS
Chỉ tiêu n Mean SD Min Max
Lab 249 44,12 8,56 22,76 66,38
C
C
K
K
NIRS 249 44,01 8,36 18,93 69,08
Lab 245 12,056 3,87 5,21 30,43 CP
NIRS 245 11,931 3,58 1,20 22,66
Lab 243 2,11 0,78 1,25 7,35 Fat
NIRS 243 2,031 1,17 0,25 5,54
Lab 248 28,12 7,791 9,80 50,78
CF
NIRS 248 27,79 7,57 5,10 50,51
Lab 247 18,41 11,12 1,23 50,78
Ash
NIRS 247 17,35 8,81 1,03 43,78
Lab 246 58,418 15,06 12,13 80,87
NDF
NIRS 246 58,63 14,65 14,68 80,36
Lab 248 35,16 8,60 15,68 56,25
ADF
NIRS 248 35,07 8,47 9,66 60,48
Kết quả này cho thấy trừ trờng hợp DM (r ở mức khá: 82,00 %) các phơng
trình chẩn đoán CP, Fat, CF, Ash NDF và NDF của phân cừu từ NIRS có r cao đến
khá cao (tơng ứng cho CP, Fat, CF, Ash NDF và NDF là: 98,27; 97,18; 96,53;
93,71; 98,04 và 93,11%) với SEC (Standard error for callibration)-sai số của phép
đo chấp nhận đợc (0,51; 0,23; 1,7; 2,8; 2,31 và 2,19 %), và sai số của phép đo sau
khi đã hiệu chỉnh SECV (Standard error for cross validation) cũng đủ nhỏ để không
gây sai số quá lớn của phép đo (0,57; 0,27, 1,83; 3,26; 2,68 và 2,39%).
Với r cao đến khá cao và sai số không lớn nên không có sự sai khác về các
giá trị: Mean SD, Min và Max của CP, Fat, CF, Ash NDF và NDF của phân cừu
phân tích phòng thí nghiệm và chạy trên máy NIRS, trừ trờng hợp chất khô.
Đồ thị 13, 14, 15, 16 17, 18: Hồi qui giữa DM, CP, Fat, CF, NDF, NDF và
Ash của phân cừu phân tích phòng thí nghiệm và chẩn đoán trên NIRS
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% DM)
y = 0.6944x + 13.323
R
2
= 0.6725
10
20
30
40
50
60
70
0 10 20 30 40 50 60 70
LAB
NIR
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% CP)
y = 0.9681x + 0.3958
R
2
= 0.9657
0
5
10
15
20
25
30
35
0 5 10 15 20 25 30 35
Lab
NIR
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% Fat)
y = 0.9391x + 0.1116
R
2
= 0.9444
0
1
2
3
4
5
6
7
8
0 1 2 3 4 5 6 7 8
Lab
NIR
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% CF)
y = 0.9216x + 2.0198
R
2
= 0.9319
0
10
20
30
40
50
60
0 10 20 30 40 50 60
Lab
NIR
Hi qui gi a giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% Ash)
y = 0.7904x + 3.6055
R
2
= 0.8783
0
10
20
30
40
50
60
0 10 20 30 40 50 60 70
Lab
NIR
Hi qui gi a giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% NDF)
y = 0.9748x + 1.1332
R
2
= 0.9612
0
10
20
30
40
50
60
70
80
90
0 10 20 30 40 50 60 70 80 90
Lab
NIR
Đồ thị 19. Hồi qui giữa Ash của phân cừu phân tích phòng thí nghiệm và chẩn
đoán trên NIRS
Bảng 15.
Phơng trình hồi qui chẩn đoá DM, CP, Xơ, Mỡ, NDF, ADF, Ash của
phân cừu trên máy NIRS
Chỉ tiêu Y= n Phơng trình R
2
r (%) P (<)
DM của phân cừu Y
13
249 = 0,6944 x DMPhanNIRS + 13,323 0,6725 82,00 0,001
CP của phân cừu Y
14
245 = 0,9681 x CPPhanNIRS + 0,3958 0,9657 98,27 0,001
Fat của phân cừu Y
15
243 = 0,9391 x FatPhanNIRS + 0,1116 0,9444 97,18 0,001
CF của phân cừu Y
16
248 = 0,9216 x CFPhanNIRS + 2,0198 0,9319 96,53 0,001
Ash của phân cừu Y
17
248 = 0,7904 x AshPhanNIRS + 3,6055 0,8783 93,71 0,001
NDF của phân cừu Y
18
247 = 0,9748 x NDFPhanNIRS + 1,1332 0,9612 98,04 0,001
ADF của phân cừu Y
19
246 = 0,884 x ADFPhanNIRS + 3,9655 0,867 93,11 0,001
3.2. Thảo luận
3.2.1. Chẩn đoán DM, CP của bột cá, CF và CF của cám gạo,(DM) và CP,Fa) và
CF của đậu tơng bằng NIRS
R
2
và các giá trị SEC và SECV trong nghiên cứu của chúng tôi tơng đơng
với kết quả của nhiều tác giả khác. R
2
cho DM và CP của bột cá trong các nghiên
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghi m (% ADF)
y = 0.884x + 3.9655
R
2
= 0.867
0
10
20
30
40
50
60
70
0 10 20 30 40 50 60
Lab
NIR
cứu của chúng tôi từ (0,7023 - 0,8392) với SEC từ 0,8789 - 1,4346 %, SECV từ
0,9369- 1,9357%. R
2
cho CP và CF cám gạo là 92,1 và 79%) với SEC từ 0,68 - 0,83
%, và SECV từ 0,83 - 1,47%. Gonzalez-Martin và cộng sự., (2004) với 72 thức ăn
tinh và thức ăn giầu đạm thấy có hàm lợng CP từ: 5 - 49,5 %, CF: 2,3 -11,1 % thấy
R
2
cho CP, EE và CF tơng ứng là 99,1; 93,2 và 84,8 % và SEPC là 12,5; 2,09 và
6,05. Dolores và cộng sự., (2004) với 433 mẫu thấy R
2
cho DM, CP, mỡ, CF và
khoáng tơng ứng là: 87; 97; 94; 98; 85 %. Còn Colombini và cộng sự (2005) với
302 mẫu thấy R
2
cho CP, NDF, chất hữu cơ, khoáng tơng ứng là: 96; 95; 89 và 98
%; SEC tơng ứng là 0,55; 1,43; 2,0; 0,4; SECV là 0,61; 1,55; 2,0 và 0,5.
Riêng R
2
của DM, CP,Fat và CF của đậu tơng còn khá thấp có thể là do số
mẫu còn quá ít.
3.2.2. Chẩn đoán chất khô DM, CP, Fat và CF của cỏ bằng NIRS
Trừ trờng hợp Fat (R
2
trung bình: 68,4 %) các phơng trình chẩn đoán DM,
CP và CF của cỏ bằng NIRS của chúng tôi có R
2
tơng ứng là 93,6; 90,6 và 92,7 %
với SEC là 0,76; 0,42 và 0,72%, SECV là 0,97; 0,65 và 1,24%. Các tác giả khác
cũng thấy một kết quả tơng đơng. Boval và cộng sự,. (2004) trên 88 mẫu chạy
trên NIRS 5000 monochromator thấy R
2
cho CP, NDF, ADF, OMD, OMI là: 98;
88; 89; 72 và 61% và SEC là 0,33, 0,88, 0,89, 0,021và 4,62. Danieli và cộng sự.,
(2004) trên 173 mẫu cỏ thấy R
2
và SEP cho CP là 94 % và 1,3; cho NDF: 95 % và
2,14, cho ADF: 92 % và 2,06, cho CF: 93 % và 1,57; cho Ash là 95 % và 1,17.
Cozzolio và cộng sự., (2006) trên 90 mẫu thấy R
2
cho CP, DM và ADF là: 91; 85 và
86 % và SECV là 6,5; 27,4 và 22,1. Leite và Stuth, (1995) nghiên cứu trên 173 mẫu
cỏ và thức ăn thô thấy: R
2
và SEC của phơng trình chẩn đoán cho CP là: 97 % và
1,02.
3.2.3. Chẩn đoán DM, CP, Xơ, Mỡ, NDF, ADF, Ash của phân cừu bằng NIRS
Trừ trờng hợp DM (R
2
trung bình: 0,6725) các phơng trình chẩn đoán CP,
Fat, CF, NDF, NDF và Ash của phân cừu từ NIRS của chúng tôi có R
2
cao đến khá
cao: 0,9657; 0,9444; 0,9319, 0,8783, 0,96120, 0,867 với SEC tơng ứng là 0.51,
0.23, 1.70, 2.80, 2.31 và 2.19%), và SECV là 0.57, 0.27, 1.83, 3.26, 2.68 và 2.39 %.
Các tác gỉa khác cũng có đợc các kết quả tơng đơng với nghiên cứu của chúng
tôi. Theo Vu Dinh Tuan và cộng sự., (2006) giá trị R
2
của Nitơ trong phân lợn 94%.
Lyons và Stuth (1992); Leite và Stuth (1995) nghiên cứu trên phân bò đợc ăn các
khẩu phần ăn khác nhau cho kết quả R
2
cho CP của phân là 92; 94 và 89%.
. Kết luận và đề nghị
4.1. Kết luận
Có thể dùng hai phơng trình dới đây để xác định nhanh DM và CP của bột
cá:
- DM bột cá Y
1
= 0,742 x DMbotcaNIRS, r (%) = 83,8, P < 0,001
- CP bột cá Y
2
= 0,8369 x CPbotcaNIRS, r (%) = 91,61, P < 0,001
Có thể dùng phơng trình dới đây để xác định nhanh CP của cám gạo:
- CP của cám Y
3
=
- 0,0003 + 1,000 CPNIRS, r (%) = 95,97, P < 0,001
Có thể dùng các phơng trình dới đây để xác định nhanh DM, CP, CF của
cỏ:
- DM của cỏ Y
9
=
0.8393 + 0.9658 DMCoNIRS, r (%) = 96,75, P < 0,001
- CP của cỏ Y
10
= - 0.6514 + 1.082 CPCoNIRS, r (%) = 90,6, P < 0,001
- CF thô của cỏ Y
12
= - 0.943 + 1.026 CFCoNIRS, r (%) = 96,28, P < 0,001
Có thể dùng các phơng trình dới đây để xác định nhanh DM, CP, Fat, CF,
Ash, NDF và ADF của phân cừu:
- DM của phân cừu Y
13
= 0,6944 x DMPhanNIRS + 13,323, r (%) = 82, P < 0,001
- CP của phân cừu Y
14
= 0,9681 x CPPhanNIRS + 0,3958, r (%) = 98,27, P < 0,001
- Fat của phân cừu Y
15
= 0,9391 x FatPhanNIRS + 0,1116, r (%) = 97,18, P <
0,001
- CF của phân cừu Y
16
= 0,9216 x CFPhanNIRS + 2,0198, r (%) = 96,53, P < 0,001
- Ash của phân cừu Y
17
= 0,7904 x AshPhanNIRS + 3,6055, r (%) = 93,71, P <
0,001
- NDF của phân cừu Y
18
= 0,9748 x NDFPhanNIRS + 1,1332, r (%) = 98,04, P <
0,001
- ADF của phân cừu Y
19
= 0,884 x ADFPhanNIRS + 3,9655, r (%) = 93,11, P <
0,001
4.2. Đề nghị
Cần tiếp tục nghiên cứu để tăng số mẫu và tăng độ chính xác của các phơng
trình chẩn đoán các thành phần dinh dỡng cha có phơng trình hồi qui đáng tin
cậy. áp dụng các phơng trình đã nêu trong phần kết luận.
Tài liệu tham khảo
1. Abrams, S. M.; Shenk, J. K.; Westerhaus, M. O. and Barton, F. E.(1987). Determination of forage
quality by NIRS: Efficacy of broad-based calibration equation. J. Dairy Sci. 70: 806-813
2. Arminda, M; Bruno-Soares; Ian Murray, Rhonda, M. Paterson and Jose M. F. Abreu 1998. Use of
NIRRS for the prediction of the chemical composition and nutritional attitudes of green crop cereal.
Animal Feed Science and Technology. 75:15-25.
3. Barton, F.E., II & Windham, W.R. (1988). Determination of acid detergent fibre and crude protein in
forages by near infrared reflectance spectroscopy: collaborative study. Journal of the Association of
Official Analytical Chemists, 71: 1162–1167.
4. Berarado, N.; Dzowela, B. H.; Hove, L. and Odoardi, M. (1997). Near infrared calibration of chemical
constituents of Cajanus cajan (pigeon pea) used as forage. Amim. Feed Sci. Technol. 69: 202-206
5. Boval, M., Coates, D. B., Lacomte, P., Decruyenaere, V and Archimede, H. (2004) Faecal Near-Infrared
Reflectance Spectroscopy (NIRS) to access chemical composition, in vivo digestibility and intake of
tropical grass by Creolo cattle. Animal Feed Science and Technology, Vol 114, Issues 1-4, 3 May 2004,
Pp: 19-29.
6. Brown, W. F.; Moore, J. E.; Kunkle, W. e. Chambliss, C. G. and Portier, K. M (1990). Forage testing
using NIRS. J. anim. Sci. 68: 1416-1427.
7. Coelho, M.; Hembry, F. g.; Barton, F. E. and Saxton, A. M. (1988). A comparision of microbial,
enzymatic, chemical and NIRS methods in forage evaluation. Anim. Feed. Sci. Technol. 20: 219-231.
8. Coleman, S. W.; Lippke, H.; Gill, M.(1999). Estimating the nutritive potential of forages. In: Jung, H. J-
G.; Fahey, G. C. (Eds). Nutritional Ecology of Herbivores. Proceeedings of the Fifth International
Symposium on the Nutrition of Herbivores. American Society of Animal Science, Savoy, IL, USA, pp:
647-695.
9. Colombini, S., Confaloniereri, M., Borreani, G., Tabacco, E., Peiretti, P. G. And Odoardi, M. (2005).
Prediction of the chemical composition and nutritive value of lucerne (Medicago sativa L.) by near
infrared reflectance spectroscopy. Ital. J. Anim. Sci. Vol 4 (Suppl. 2), 141-143.
10. Cozzolio, D., Fassio, A., Fernandez, E., Restaino, E. and La Manga, A. 2006. Measurements of
chemical composition in wet whole maize silage by visible and NIRS. Anim. Feed Sci. Technol. In
press. Available on line at www. Agrinternetwork.net//www. Sciencedirect.com/science
11. Danieli, P. P., Carlini, P., Bernabucci, U., Ronchi, B. (2004). Quality evaluation of regional forage
resources by means of near infrared reflectance spectroscopy. Italian Journal of Animal Science, Vol 3,
363-376.
12. De Boever, J.L., Cottyn, B.G., Vanacker, J.M. & Boucque, C.V. (1994). An improved enzymatic method
by adding gammanase to determine digestibility and predict energy value of compound feeds and raw
materials for cattle. Animal Feed Science and Technology, 47: 1–18.
13. Dolores, C., Perez-Martin, Ana Garrido-Varo, J. E., Guerrero-Ginel and Gomez-Cabrera, A. (2004).
Near infrared reflectance spectroscopy (NIRS) for the mandatory labelling of compound feedingstuffs:
chemical composition and open-declaration. J. Anim. Feed Sci. Technol. Vol: 116, issues:3-4, pp: 339-
349.
14. Fahey, G. C. and Hussein, H. S. (1999). Forty years of forage quality research: accomplishment and
impact from an animal perspective. Crop Science. 39: 4-12.
15. Given, D. I and Deaville, E. R. (1999). The current and future role of near infrared reflectance
spectroscopy in animal nutrition: a riview. Aust. J. Agric. Res, 1999, 50, 1131-1145.
16. Givens, D. I., De Boever, J. L. & Deaville, E. R. (1997). The principles, practices and some future
applications of near infrared spectroscopy for predicting the nutritive value of foods for animals and
humans. Nutrition Research Reviews, 10, 83-114. International Grassland Congress. Leipzig, Germeny,
454-463.
17. Givens, D.I., De Boever, J.L. and Deaville, E.R. (1997). The principles, practices and some future
applications of near infrared spectroscopy for predicting the nutritive value of foods for animals and
humans. Nutrition Research Reviews, 10: 83-114.
18. Gonzalez-Martin, Alvarez-Garcia, N. and Hernadez-Andaluz (2004). Instantaneous determination of
crude proteins, fat and fibre in animal feeds using near infrared reflectance spectroscopy technology and
a remote reflectance fibre- optic probe. J. Anim. Feed Sci. Technol. In press. Available on line at www.
Agrinternetwork.net//www. Sciencedirect.com/science
19. Kitessa , S.; Flinn. P. c. and Irish, G. G. (1999). Comparision of methods used to predict the in vivo
digestibility of feeds in ruminants. Aust. J. Agric. Res. 50: 825-841.
20. Leite. E. R. and Stuth. J. W. 1995. Faecal NIRS equations to assess diet quality of free ranging goats.
Small Ruminant Res, 15, pp: 223-230.
21. Lippke, H. and Barton, F. E. (1988) NIRS for predicting intake of digestible organic matter by cattle. J.
Dairy Sci. 71: 2986-2991.
22. Lyons, R. K. and Stuth, J. W. 1992. Faecal NIRS equations for pridicting diet quality of free rangeing
cattle. J. Range Manage. 45, 3, pp:238-244.
23. Mark, H., Ritchie, G.E., Roller, R.W., Ciurszak, E.W., Tso, C. and MacDonald, S.A. (2002). Validation
of a near-infrared transmission spectroscopic procedure, part A: validation protocols. Journal of
Pharmaceutical and Biomedical Analysis, 28: 251-260.
24. Murray, I. (1986). Near infrared reflectance analysis of forage. In: Haresign, W., Cole, D. J. A. (Eds).
Recent Advances in Animal Nutrition. Butterworths, London, 141-156.
25. Murray, I. (1993). Forage analysis by near infrared reflectance spectroscopy. In A. Davies, R.D. Baker,
S.A. Grant & A.S. Laidlaw, eds. Sward management handbook, pp. 285–312. British Grassland Society,
Reading, UK.
26. Norris, K.H. and Hart, J.R. (1965). Direct spectrophotometric determination of moisture content of
grains and seeds. Principles and Methods of Measuring Moisture Content in Liquids and Solids, 4: 19-
25.
27. Norris, K.H., Barnes, R.F., Moore, J.E. and Shenk, J.S. (1976). Predicting forage quality by near infrared
reflectance spectroscopy. Journal of Animal Science, 43: 889-897.
28. Park, R. S., Agnew, R. E., Gordon, F. J. and Steen, R. W. J. (1998). The use of NIRS on dried samples
to predict chemical composition and digestibility parameters. Anim. Feed Sci. Technol. 69, 3: 253-259.
29. Redshaw, E. S., Mathison, G. W. Milligan, L. P. and Weisenburger (1986). NIRS for predicting forage
composition and voluntary consumption and digestibility in cattle and sheep. Can. J. Anim. Sci. 66. pp:
103-115.
30. Shenk, J. S and Westerhaus, M. O. (1985). Accuracy of NIRS instruments to analyse forage and grain.
Crop Science. 28: 1220-1222.
31. Shenk, J. S., Norris, K. H., Barnes, R. F. and Fissel, G. W. (1977). Forage and feedstuffs analysis with
infrared reflectance spectro-computer system. In: Proceedings of the XIIth
32. Sinnaeve, G., Dardenne, R., Agneessens, R. and Biston, R. (1994). The use of near infrared spectroscopy
for the analysis of fresh grass silage. J. Near Infrared Spectroscopy. 2: 79-84.
33. Valdes ,E. V. and Leeson, S. (1992a). Near infrared reflectance analysis as a method to measure
metabolisable energy in complete poultry feeds. Poultry Science. 71: 1179-1187
34. Valdes ,E. V. and Leeson, S.(1992b). Research note: use of NIRS to measure in vitro digestible energy
content in poultry feeds. Poultry Science. 71: 1396-1399
35. Valdes ,E. V. and Leeson, S.(1992c). Measurement of metabolisable energy in poultry feeds by in vitro
system. Poultry Science. 71: 1493-1503
36. Valdes ,E. V. and Leeson, S.(1992d). Research note: use of NIRS to measure digestible energy in
poultry feed ingredients. Poultry Science. 71: 1559-1563
37. Valdes, E. V.; Young, L. G.; Leeson, S.; McMillan, I.; Portella, F. and Winch, J. E. (1985). Application
of NIRRS to analyses of poultry feeds. Poultry Science. 64:2136-2142
38. Van Barneveld, R. J; Nuttall, J. D. and Flinn, P. C. (1999). Near infrared reflectance measurement of the
digestible energy content of cereals for growing pigs. Journal of Near Infrared Spectroscopy., 7, 1-7.
39. Vu Dinh Tuan, V. Porphyre, JL. Farinet, Tran Duc Toan (2006). Composition of Animal Manure and
Co-products. Pig Production Development, Animal-Waste Management and Environmnent Protection:
A case Study in Thaibinh Province, Northern Vietnam, pp: 128-143
40. Ward, R. G., Smith, G. S., Wallace, J. D., Urquhart, N. S., and Shenk, J. S. (1982). Estimates of intake
and quality of grazed range orage by NIRS. J. Anim. Sci. 54, 2: 399-402.
41. William, J.F., Allen McIIwee., Ivan, L., Lem, A., Andrew, P. and Woolnough, N. B. (1998). Ecological
application of near infrared reflectance spectroscopy - a tool for rapid, cost-effective prediction of the
composition of plant and animal tissues and aspect of animal performance. Oecologia (1998), 116: 293-
305.
42. Wrigley, C.W. (1999). Potential methodologies and strategies for the rapid assessment of feed-grain
quality. Australian Journal of Agricultural Research, 50: 789–805.
