[Chăn nuôi Việt Nam] – Chi phí thức ăn chiếm một tỷ trọng lớn trong giá thành các sản phẩm chăn nuôi. Giảm chi phí thức ăn không những hạ được giá thành sản phẩm chăn nuôi, mà còn góp phần giảm thiểu ô nhiễm môi trường, tạo điều kiện thuận lợi cho sản xuất thực phẩm và nguyên liệu sinh học cho con người.

 

Chênh lệch giữa thức ăn ăn vào thực tế (FI) và dự kiến (RFI) là một khái niệm tiềm năng thay thế cho chỉ tiêu tiêu tốn thức ăn (FCR) trong chọn và nhân giống vật nuôi. Cho tới nay, đã có nhiều nghiên cứu được triển khai trên các đối tượng vật nuôi khác nhau. Các nghiên cứu này đều chỉ ra rằng RFI là một tính trạng độc lập, tuân theo phân bố chuẩn, có hệ số di truyền ở mức độ vừa phải, cần được đưa vào các chương trình chọn và nhân giống nhằm cải thiện hiệu quả sử dụng thức ăn của vật nuôi. Hiệu quả thuận lợi trong chọn và nhân giống đối với RFI đã được thể hiện khá rõ nét trên một số đối tượng vật nuôi như gà thịt, gà đẻ trứng, lợn và một phần ở bò thịt cũng như bò sữa. Những nghiên cứu cần được tiếp tục theo hướng tìm ra những khía cạnh có thể là không thuận lợi đối với một số tính trạng liên quan, cũng như hoàn chỉnh việc đánh giá, chọn giống theo RFI ở bò thịt và bò sữa.

 

 

ĐẶT VẤN ĐỀ

 

Chi phí thức ăn chiếm một tỷ trong lớn trong giá thành các sản phẩm chăn nuôi. Mặc dù có những cải tiến đáng kể về di truyền và quản lý vật nuôi (chuồng trại, kỹ thuật nuôi dưỡng, vệ sinh phòng bệnh…), chi phí thức ăn vẫn chiếm khoảng 2/3 chi phí sản xuất ở các nước châu Âu (69% đối với chăn nuôi lợn, IFIP-GTE, 2014). Ngoài áp lực kinh tế về chi phí thức ăn, việc giảm thiểu ô nhiễm môi trường, sự cạnh tranh trong sử dụng đất để sản xuất thực phẩm cho con người và nhiên liệu sinh học cũng là những thách thức lớn. Vì vậy, nâng cao hiệu quả sử dụng thức ăn cũng là một trong những mục tiêu quan trọng của chọn giống vật nuôi.

 

Hiệu quả sử dụng thức ăn thường được biểu thị bằng tỷ số giữa đầu vào (lượng thức ăn ăn vào (Feed Intake-FI) và đầu ra (sản phẩm thu được, chẳng hạn khối lượng cơ thể (Body Weight-BW) đối với sinh trưởng và khối lượng trứng (Egg Weight-EW) đối với gia cầm đẻ trứng. Tỷ số này được gọi là hệ số chuyển đổi thức ăn (Feed Convert Ratio-FCR) tương ứng với khái niệm tiêu tốn thức ăn ở nước ta. Ngoài ra, hiệu quả sử dụng thức ăn còn được biểu thị bằng hiệu suất chuyển đổi thức ăn (Feed Efficiency-FE), đó là tỷ số giữa đầu ra và đầu vào và được tính theo số thập phân hoặc tỷ lệ phần trăm. Về bản chất, hiệu suất chuyển đổi thức ăn là phép tính ngược lại và do đó tỷ lệ nghịch với FCR.

 

Để chọn giống đối với tính trạng FCR cần theo dõi FI và sản phẩm thu được của từng cá thể. Trong chọn giống lợn, có thể cải thiện FCR một cách gián tiếp bằng sự kết hợp giữa tăng tốc độ sinh trưởng và giảm mỡ tăng nạc trong thành phần cơ thể. Trong các hệ thống kiểm tra năng suất lợn trước đây, để theo dõi FI của từng cá thể, người ta phải nuôi riêng từng con vật. Cách làm này không mang lại hiệu quả cao vì làm mất tính bầy đàn của vật nuôi. Từ những năm 1990, hệ thống điện tử theo dõi FI và BW của từng cá thể được nuôi theo nhóm đã làm tăng đáng kể độ chính xác của việc theo dõi FCR trong ngành chăn nuôi lợn. Trong chọn giống một số loài vật nuôi khác, việc nuôi theo dõi từng lồng cá thể gia cầm, hoặc từng ô cá thể trâu bò cùng đặt chung trong một chuồng nuôi cũng có thể đảm bảo độ tin cậy đối với việc đánh giá FCR.

 

Tuy nhiên, chọn giống theo FCR đã bao gồm cả việc cải thiện tính trạng là mục tiêu của chọn giống cũng như tính trạng không liên quan đến mục tiêu chọn giống. Rất khó cải thiện FCR mà không xem xét tới các dữ liệu sinh trưởng, ngoài ra FCR là tính trạng tỷ lệ, không có phân bố chuẩn (Atchley và ctv, 1976), không có giá trị trung bình và phương sai thực sự.

 

Xuất phát từ đó, Koch và ctv (1963) đã đề xuất khái niệm RFI (Residual Feed Intake), đó là sự chênh lệch giữa FI thực tế và dự kiến (Expected Feed Intake-EFI) cho cả nhu cầu duy trì và các tính trạng sản xuất cần cải thiện.

 

Trên cơ sở các dữ liệu về FI, BW và tăng khối lượng trung bình hàng ngày (Average Daily Gain, ADG), Aggrey và Rekaya (2013) đề xuất sử dụng mô hình ảnh hưởng cố định để dự đoán RFI cố định (RFI_F) và mô hình ảnh hưởng ngẫu nhiên để dự đoán RFI ngẫu nhiên (RFI_R), từ đó ước tính được RFI dùng cho duy trì (RFI_M) và RFI dùng cho sinh trưởng (RFI_G). Tuy nhiên, có thể nhận thấy các thuật toán của phương pháp này khá phức tạp và cũng hầu như không được ứng dụng trong thực tế.

 

Với biểu thức: RFI=FI-EFI, vấn đề đặt ra là để có được giá trị RFI, cần phải ước tính EFI.

 

ƯỚC TÍNH EFI

 

Phương pháp ước tính EFI được Netter và ctv (2004) đề xuất trên cơ sở sử dụng thuật toán hồi quy tuyến tính. Do có nhiều biến số, vì vậy để ước tính EFI phải sử dụng phép tính hồi quy tuyến tính phức (Multiple Line Regression). Trong đó, biến số thứ nhất là MBW của cá thể (Metabolic Body Weight-MBW), mà BW^0,75 được sử dụng phổ biến để tính nhu cầu duy trì cho tất cả các loài vật nuôi. Các biến số thứ hai, thứ ba,… liên quan tới các tính trạng sản xuất.

 

Đối với gia cầm 

 

Do thời gian thực hiện việc xác định FI ở gia cầm sinh trưởng rất ngắn, thường chỉ từ 1 đến 2 tuần lễ và không có nhiều thay đổi trong thành phần thịt, vì vậy phương trình hồi quy tuyến tính phức với 2 biến số được sử dụng cho gia cầm sinh trưởng như sau: EFI_i=b₁BW_i^0,75+b₂ADG_i+a. Trong đó, EFI_i: FI dự kiến của cá thể i, BW_i^0,75: MBW của cá thể i, ADG_i: ADG của cá thể i, b₁ và b₂: các hệ số hồi quy tương ứng và a: hằng số.

 

Đối với gia cầm đẻ trứng: Thời gian theo dõi thông thường 4-6 tuần lễ, phương trình hồi quy phức với 3 biến số để xác định EFI như sau: EFI_i=b₁BW_i^0,75+b₂BWG_i+b₃EW_i+a. Trong đó, EFI_i: FI dự kiến của cá thể i, BW_i^0,75: MBW của cá thể i, BWG_i: tăng khối lượng cơ thể của cá thể i, EM_i: tổng khối lượng trứng của cá thể i, b₁, b₂ và b₃: các hệ số hồi quy tương ứng và a: hằng số.

 

Đối với cả gia cầm sinh trưởng và đẻ trứng: BW^0,75 được tính toán trên cơ sở giá trị trung bình của BW khi bắt đầu và kết thúc theo dõi, trường hợp chỉ thực hiện xác định FI trong 1 tuần lễ, BW^0,75 được tính toán dựa trên BW khi bắt đầu theo dõi.

 

Đã có khá nhiều thông báo về các phương trình hồi quy phức ước tính EFI của gia cầm, Fathi và ctv (2021) đã tập hợp và liệt kê một số phương trình sau:

 

* Dùng cho chim cút đẻ trứng:

 

EFI=5,2BW^0,75-0,96BWG-1,6EM+914,6

EFI=11,8BW^0,75-0,36BWG-1,1EM+396,2

 

* Dùng cho gà thịt:

EFI=0,38BW^0,75+1,09ADG-5,14 (con trống)

EFI=0,07BW^0,75+1,48ADG-37,8 (con mái)

 

* Dùng cho gà trứng:

EFI=12,85BW^0,75+0,54BWG-1,2EM+6572,9

EFI=34,6BW^0,75-4,3BWG -0,74EM+1460,9

EFI=3,14BW^0,75-0,75BWG+3,45EM-1132,2

EFI=424,5BW^0,75+18,1BWG+9,3EM+74,2

EFI=487,2BW^0,75+17,5BWG+8,9EM+102,0

 

* Dùng cho vịt thịt:

EFI=80,6BW^0,75+0,59BWG+0,06lipid+13,86

 

* Dùng cho vịt trứng:

EFI=0,65BW^0,75+1,72BWG+1,23EM-81,5

 

Đối với lợn

 

Thời gian theo dõi FI và các tính trạng liên quan tương ứng với thời gian kiểm tra cá thể, do đó kéo dài hơn so với gia cầm. Do thành phần thân thịt của lợn cũng thay đổi trong thời gian theo dõi nên phương trình hồi quy phức ước tính EFI ở lợn thường có nhiều biến số hơn so với gia cầm.

 

Nguyen và ctv (2001) đã sử dụng phương trình hồi quy với 1 biến số là ADG và 2 biến số là ADG và dày mỡ lưng (Back Fat Thickness-BFT) đo bằng siêu âm ở vị trí L2 để ước tính EFI đối với lợn cho ăn hạn chế và đưa ra 2 công thức sau:

 

EFI=0,598ADG (1)

EFI=0,545ADG+0,780BFT (2)

 

Để ước tính EFI đối với 3 giống thuần Duroc, Landrace và Yorkshire, Santiago và ctv (2021) đã sử dụng 6 mô hình hồi quy phức khác nhau với các biến số: MBW trung bình (Average Metabolic Body Weight-AMBW), ADG, diện tích mắt thịt (Loin Muscle Area-LMA), LP). MBW trung bình được tính theo NRC (2012):

 

Saintilan và ctv (2013) sử dụng các phương trình hồi quy phức ước tính RFI cho các giống lợn:

 

• Landrace: EFI=1,46ADG+8,16DP+2,03BFT-33,7LMC+94,1AMW.
• Large White dòng cái: EFI=1,41ADG+7,84DP+2,83BFT-31,8LMC+110,9AMW.
• Large White dòng đực: EFI=1,36ADG+6,70DP+2,87BFT-36,0LMC+113,8AMW.
• Piétrain: EFI=1,38ADG+5,36DP+1,91BFT-28,3LMC+105,3AMW.
• Sirichokchatchawan và Imboonta (2015) ước tính EFI theo: EFI=0,001664ADG+0,041544BFT.

 

Để ước tính EFI, Gilbert và ctv (2006) sử dụng phương trình: EFI=1,06ADG-37BFT

David và ctv (2021) cho rằng sử dụng các giá trị kiểu hình để ước tính RFI khiến cho RFI không độc lập về di truyền với các tính trạng thành phần đã được sử dụng trong mô hình, vì vậy nếu sử dụng mô hình hồi quy phụ thuộc đa cấu trúc (SAD) với các hệ số hồi quy di truyền và môi trường sẽ ước tính được RFI độc lập về di truyền với các tính trạng thành phần. Ngoài ra, mô hình SAD phân tích được các dữ liệu trong một thời gian dài ngay cả khi không có thật đầy đủ dữ liệu theo dõi.

 

Đối với bò thịt và bò sữa

 

Do trâu bò sử dụng thức ăn thô nên FI được thay thế bằng vật chất khô của thức ăn ăn vào (Dry Matter Intake-DMI) và do đó EDMI sẽ thay thế cho EFI.

 

Đối với bò thịt, với chế độ cho ăn tự do, thời gian theo dõi DMI khoảng 70 ngày. Công nghệ GrowSafe® hoặc Calan® được sử dụng để theo dõi DMI của từng cá thể. Liên đoàn cải tiến bò thịt (Beef Improvement Federation-BIF, 2010) gợi ý thời gian theo dõi DMI cho bò thịt không nên dưới 240 và kết thúc lúc 390 ngày tuổi. Phương trình hồi quy phức ước tính EDMI ở bò thịt như sau: EDMI=b₁ADG+b₂MMBW. Trong đó, MMBW được tính theo công thức: (FBW-0,5Số ngày theo dõi)^0,75. Như vậy, việc ước tính EDMI ở bò thịt nuôi theo đàn đòi đòi hỏi phải có thiết bị đặc biệt và theo dõi khá phức tạp.

 

Đối với bò sữa, EDMI được tính theo phương trình hồi quy phức của DMI với các biến số là MBW, thay đổi ΔBW và năng lượng sữa trong thời gian theo dõi (Hardie và ctv, 2017): EDMI=b₁ECM+b₂MBW+b₂ΔBW. Trong đó, ECM: là lượng sữa được hiệu chỉnh theo năng lượng, ΔBW: thay đổi của BW cơ thể, b₁, b₂ và b₃ là các hệ số hồi quy tương ứng.

 

ECM là lượng sữa (kg/ngày) có thành phần tiêu chuẩn, được tính theo lượng sữa trung bình hàng ngày, mỡ sữa (kg/ngày), protein sữa (kg/ngày) xác định trong 28 ngày theo dõi và tính theo công thức: ECM=0,1×lượng sữa+5,2×mỡ sữa+2,6×protein sữa (Visscher và ctv, 1994).

 

Theo Jamrozik và ctv (2022), ECM được tính theo công thức: ECM=0,25×KLsữa+12,2×KLmỡ sữa+7,7×KLprotein sữa.

 

Trong tài liệu của NASEM (2021), ME của 1kg sữa được tính theo công thức:  9,29×%mỡ sữa+5,5×%CPsữa=3,95×%lactose.

 

Tuy nhiên, khi đánh giá về việc sử dụng các mô hình tuyến tính để ước tính EDMI, Tempelman và ctv (2015) lập luận rằng các hệ số hồi quy của DMI về năng lượng sữa và KL trao đổi của cơ thể có ý nghĩa sinh học về mặt logic khi chúng được ước tính cho từng trại chăn nuôi, nhưng các kết quả lại không đạt được mức độ đồng nhất cao. Ngoài ra, Fischer và ctv (2018) cho rằng 41-47% khác biệt về EDMI nằm trong sai số của mô hình. Một nghiên cứu gần đây của Lidauer và ctv (2023) đã đặt ra câu hỏi về cách giải thích sinh học đối với các hệ số hồi quy của mô hình tuyến tính ước tính EDMI, đặc biệt là DMI của năng lượng sữa.

 

Để thay thế cho mô hình ước tính RFI vốn có các sai lệch tích lũy trong mô hình, người ta đề xuất sử dụng mô hình nhiều tính trạng (Multiple Trait-MT): EInt=µ+b₁MilkE+b₂EBW+b₃BL+e và EInt=eDIG×DMI. Trong đó, µ: hằng số, EInt: năng lượng ăn vào, eDIG: hệ số tiêu hóa, DMI: DM ăn vào, MilkE: năng lượng trong sữa, EBW: BW không chứa thức ăn, BL: lượng mỡ của cơ thể và e: sai số.

 

Mô hình MT loại trừ được những sai số tích lũy và sử dụng được các dữ liệu theo dõi trong thời gian dài kể cả một vài trường hợp không có số liệu. Mô hình này đã được kiểm tra ở quy mô nhỏ và cần tiếp tục phát triển để xác nhận trước khi áp dụng rộng rãi (Stephansen và ctv, 2024). Jamrozik và Sulivan (2024) cho rằng, có thể sử dụng trực tiếp các hiệp phương sai kiểu hình giữa DMI và các nguồn năng lượng của các biến số trong mô hình. Ngoài ra, các chu kỳ sữa thường được lặp lại nhiều lần trong đời của bò sữa, vì vậy có thể sử dụng mô hình MT để tính khả năng lặp lại của năng lượng ăn vào và các nguồn năng lượng từ các biến số thành phần trong mô hình. Các tác giả này đã đề xuất cách tiếp cận mô hình đệ quy (Recursive Model-RM) để ước tính tham số EBV của RFI.

 

Việc sử dụng RM có thể ước tính được RFI và các tham số tương ứng chung cho toàn bộ cũng như từng cá thể trong mô hình MT, bao gồm cả về di truyền, môi trường thường xuyên, sai số. Định nghĩa về RFI này dẫn đến sự độc lập của RFI với nguồn năng lượng từ các biến số thành phần trong mô hình ở các cấp độ biến đổi khác nhau. Các khái niệm này đã được áp dụng trong mô hình đánh giá di truyền đối với hiệu quả sử dụng thức ăn của bò sữa ở Canada.

 

Đặng Vũ Bình

Email: dangvubinhnn@gmail.com

(còn nữa)