鹌鹑日粮能量与蛋白质需求的人工神经网络与响应面法多目标优化研究

《Poultry Science and Management》：Growth responses of quail chicks to dietary energy and protein: artificial neural network and multi-objective optimization of response surface methodology

本刊推荐：为解决鹌鹑日粮代谢能(ME)和粗蛋白(CP)需求优化问题，研究人员采用人工神经网络(ANN)与响应面法(RSM)对比建模，发现ANN模型预测精度略高于RSM(R2=0.92 vs 0.89)，但二者性能相当。通过多目标优化确定最佳日粮组成为2980 kcal/kg ME和23% CP，为鹌鹑精准营养提供新方法。

　　

在禽类养殖业中，饲料成本占总成本的60%-70%，其中代谢能(Metabolizable Energy, ME)和粗蛋白(Crude Protein, CP)是影响生产性能的核心因素。日本鹌鹑(Coturnix coturnix japonica)因其生长周期短、饲料转化效率高而成为重要经济禽种，然而传统研究方法在优化ME与CP配比时面临多重挑战：一是ME与CP存在多重共线性(Multicollinearity)，导致回归模型估计偏差；二是响应面法(Response Surface Methodology, RSM)的岭分析(Ridge Analysis)存在主观性争议；三是常规二次回归难以捕捉营养素的非线性响应规律。Ghazaghi等学者此前通过中心复合设计(Central Composite Design, CCD)实验发现ME与CP的驻点为鞍点(Saddle Point)，无法通过常规优化获得绝对最优解，这促使研究者转向更先进的建模方法。

为突破传统统计局限，Mahmoud Ghazaghi团队在《Poultry Science and Management》发表最新研究，首次系统对比人工神经网络(Artificial Neural Network, ANN)与RSM在鹌鹑营养建模中的性能。研究基于CCD平台生成的40组处理数据(ME:2600-3000 kcal/kg; CP:19%-24.8%)，分别构建径向基函数网络(Radial Basis Function Network, RBFN)预测体重增重(Body Weight Gain, BW gain)，以及多层感知器(Multilayer Perceptron, MLP)预测饲料转化率(Feed Conversion Ratio, FCR)。通过变量敏感度比率(Variable Sensitivity Ratio, VSR)分析营养素重要性，并采用期望函数(Desirability Function)进行多目标优化，最终确定最佳日粮组合。

关键技术方法包括：1) 基于中心复合设计(CCD)的剂量反应数据生成；2) 径向基函数网络(RBFN)与多层感知器(MLP)的神经网络架构优化；3) 反向传播(Backpropagation, BP)算法训练；4) 随机搜索(Random Search)优化算法；5) 多目标期望函数优化。

研究结果通过以下方面呈现：

模型性能比较

ANN模型在训练集与测试集间保持平衡误差(RBFN的R²=0.83-0.84; MLP的R²=0.72-0.74)，表明未出现过度学习(Overlearning)。虽然ANN的确定系数(R²)略高于RSM(BW gain: 0.81 vs 0.79; FCR: 0.73 vs 0.69)，但残差分析显示两种方法性能相当。值得注意的是，RSM在部分案例中预测更准确，如ME=2808 kcal/kg时BW增益的预测误差仅为0.8g，低于ANN的1.2g。

营养素敏感性分析

VSR分析揭示CP对鹌鹑生长的影响显著大于ME(BW gain的VSR: CP=4.60, ME=1.90; FCR的VSR: CP=4.71, ME=2.08)。这一发现与Ghazaghi早期研究中ME未达到显著水平的结果一致，证实蛋白质供给是限制鹌鹑生长性能的关键因子。

多目标优化结果

ANN与RSM对ME的优化值高度吻合(2980-2993 kcal/kg)，但对CP的估计存在差异(ANN:23%; RSM:24.4%-25%)。ANN模型将最优CP控制在实验范围内(19%-24.8%)，而RSM的岭分析曾给出超出范围的估计值。最终综合优化结果为2980 kcal/kg ME与23% CP，该组合与Soares等文献推荐值相符，但低于Shim等建议水平。

讨论与结论

本研究首次验证了CCD数据适用于ANN建模的可行性，但发现基于反向传播(BP)算法的ANN未显著优于传统RSM。这种差异可能源于BP算法易陷入局部最优解(Local Optima)的特性，以及40组数据量对ANN训练的制约。与早期报道ANN在肉鸡营养模型中表现优越的结果不同，本研究强调建模效果受数据结构和算法选择双重影响。

研究的重要意义在于：1) 为禽类营养研究提供了ANN与RSM的对比范式；2) 通过VSR量化了CP相对于ME的优先级；3) 提出的ME:CP=130的优化比例为准化饲养提供实践指导。作者建议未来研究采用遗传算法(Genetic Algorithm, GA)等全局优化工具提升ANN模型的鲁棒性。

这项创新性工作不仅解决了鹌鹑日粮优化难题，更为农业动物精准营养建模提供了方法学参考，标志着禽类营养研究从传统统计向智能计算转型的重要突破。