Metaboliti e micotossine nel mais: un confronto tra insilato e pastone

L’insilato e il pastone di mais rappresentano componenti fondamentali delle diete dei ruminanti grazie al loro elevato contenuto energetico e alla buona digeribilità, contribuendo in modo significativo alle performance produttive (Kung et al. 2018, Abdelhadi et al. 2005). Tuttavia, la qualità e la sicurezza di questi alimenti zootecnici possono essere compromesse dalla contaminazione fungina, che comporta la possibile presenza di micotossine.

Le micotossine sono metaboliti secondari prodotti da diverse specie fungine, in particolare appartenenti ai generi Fusarium, Aspergillus e Penicillium (El-Sayed et al. 2022). La loro presenza nei mangimi rappresenta un’importante criticità per la salute e la produttività animale, con potenziali effetti di trasferimento nei prodotti di origine animale e conseguenti implicazioni per la sicurezza alimentare (Tolosa et al. 2021).

Sebbene le micotossine regolamentate come aflatossine, deossinivalenolo, zearalenone, fumonisine e ocratossine siano oggetto di un monitoraggio estensivo, è crescente l’attenzione nei confronti delle micotossine emergenti, delle forme nascoste e mascherate, i cui effetti tossicologici risultano ancora poco conosciuti (González-Jartín et al. 2022). Parallelamente, la composizione chimica degli insilati sta suscitando un interesse sempre maggiore (Xu et al. 2020, Xia et al 2023); il profilo chimico di tali matrici (valutabile, ad esempio, con analisi quali la metabolomica untargeted) è influenzato da numerosi fattori, tra cui il genotipo della pianta, le pratiche agronomiche, le condizioni di insilamento, l’attività microbica e le variabili ambientali (Huffman et al 2023). L’analisi metabolomica, una metodologia avanzata basata sulla spettrometria di massa ad alta risoluzione, consente una caratterizzazione completa dei metaboliti presenti in campioni biologici complessi, fornendo informazioni sia sulla qualità nutrizionale sia sulle conseguenze biochimiche della contaminazione fungina (Richard-Forget et al 2021).

L’approccio integrato tra metabolomica ed analisi multi-screening delle micotossine permette una valutazione più ampia della qualità dei mangimi, consentendo l’individuazione di composti bioattivi noti e non noti che possono influenzare le performance e la salute degli animali (Lapris et al. 2024).  Tuttavia, nonostante l’importanza di queste matrici nell’alimentazione dei ruminanti, pochi studi hanno indagato congiuntamente i loro profili metabolici e i livelli di contaminazione da micotossine.

In particolare, il consumo di insilati contaminati può alterare in modo significativo il profilo metabolico degli animali (Ogunade et al. 2018, Korosteleva et al. 2009), influenzando principalmente il metabolismo energetico e amminoacidico, i biomarcatori epatici e intestinali, nonché i sistemi neurotrasmettitoriali e ormonali. Inoltre, le informazioni relative all’influenza della variabilità geografica e stagionale sulla composizione chimica di questi alimenti risultano ancora limitate. Comprendere l’interazione tra micotossine e pathways metabolici può favorire lo sviluppo di strategie mirate di mitigazione e migliorare le pratiche di gestione del rischio nei sistemi di produzione zootecnica.

Lo studio

Alla luce di questo contesto, uno studio pubblicato da Lapris e co-autori nel 2025 sulla rivista Toxins si è posto l’obiettivo di caratterizzare i profili metabolici e il profilo di contaminazione di micotossine in campioni di insilato e pastone di mais raccolti presso aziende situate nell’Italia settentrionale. È stato applicato un approccio basato su cromatografia liquida ultra-performante accoppiata a spettrometria di massa ad alta risoluzione (UHPLC-HRMS), che ha consentito la rilevazione simultanea di micotossine regolamentate ed emergenti, nonché la profilazione completa dei metaboliti endogeni. Analisi statistiche multivariate sono state impiegate per valutare gli effetti del tipo di alimento e dell’area geografica sulla composizione chimica di tali matrici. Questo lavoro ha fornito nuove evidenze per la valutazione della qualità dei mangimi, sottolineando il valore dell’integrazione tra metabolomica e analisi delle micotossine a supporto della sicurezza e dell’efficienza dell’alimentazione dei ruminanti.

Risultati

Presenza delle micotossine normate ed emergenti

L’analisi dei campioni collezionati e analizzati mediante l’approccio integrato ha evidenziato una contaminazione da fumonisina B1 significativamente più elevata nei campioni di pastone rispetto a quelli di insilato di mais.

La concentrazione media nei campioni di insilato era pari a 533,2 μg/kg, sebbene alcuni abbiano raggiunto livelli compresi tra 1000 e 2000 μg/kg; nei campioni di pastone invece, il livello medio di è risultato quasi tre volte superiore, con alcuni campioni che hanno superato i 3000 μg/kg. Analogamente, sono state riscontrate differenze significative anche per la somma fumonisina B2+B3. I campioni di insilato hanno mostrato un livello medio di contaminazione pari a 258,5 μg/kg, con la maggior parte dei valori compresi tra 150 e 250 μg/kg. Tuttavia, alcuni campioni hanno evidenziato concentrazioni più elevate (500-800 μg/kg), mentre nei campioni di pastone, la contaminazione media è risultata di circa 500 μg/kg, con picchi di livelli più alti (1100-1200 μg/kg). La contaminazione da zearalenone ha seguito un andamento simile con una concentrazione media di 23,1 μg/kg e di 78,2 μg/kg rispettivamente per i campioni di insilato e di pastone. Il deossinivalenolo è stato rilevato in entrambe le matrici con una contaminazione media nei campioni di insilato pari a 367,2 μg/kg (intervallo: 14,7-515,2 μg/kg). Anche in questo caso alcuni campioni hanno mostrato livelli marcatamente superiori (intervallo: 684-1104 μg/kg). Nei campioni di pastone, i livelli sono risultati generalmente inferiori, con una media di 259,2 μg/kg, e la maggior parte dei valori compresa tra 10 e 270 μg/kg. Infine, l’analisi delle micotossine emergenti ha evidenziato livelli medi di contaminazione comparabili per la beauvericina, pari rispettivamente a 24,7 μg/kg per l’insilato e 18,3 μg/kg per il pastone. Nei campioni di insilato, le concentrazioni di beauvericina sono risultate generalmente inferiori a 50 μg/kg, con l’eccezione di un campione, che ha mostrato un valore particolarmente elevato (172,7 μg/kg). I livelli di acido fusarico non hanno mostrato differenze significative tra le due matrici; tuttavia, è stata osservata un’elevata variabilità, con valori compresi tra 200 e oltre 3000 μg/kg per l’insilato e tra 300 e quasi 5000 μg/kg per il pastone. Le medie per ogni micotossina identificata e quantificata sono riportate in Tabella 1.

Tabella 1. Valori di contaminazione medi, espressi in μg/kg, delle micotossine regolamentate più abbondanti (FB1, FB2, FB3, ZEA, DON) e di quelle emergenti (beauvericina e acido fusarico) riscontrate nei campioni di insilato (numero di campioni analizzati = 19) e pastone di mais (numero di campioni analizzati = 13).

Micotossina	Insilato di mais (n = 19)	Pastone di mais (n = 13)
Fumonisina B1	533.2	1315.7
Fumonisina B2 + B3	258.5	500.0
Zearalenone	23.1	78.2
Deossinivalenolo	367.2	259.2
Beauvericina	24.7	18.3
Acido fusarico	933.5	1350.9

Analisi metabolomica per la profilazione delle matrici in relazione all’area geografica di campionamento e alla stagione di campionamento

Complessivamente sono stati identificati 123 metaboliti per la discriminazione chimica tra i campioni di insilato e pastone di mais (rispettivamente 45 e 78). Le classi chimiche più rappresentate tra i metaboliti annotati comprendevano amminoacidi, seguiti da acidi grassi e composti lipidici, composti e metaboliti fenolici, carboidrati e derivati zuccherini, purine e pirimidine, acidi organici, peptidi e altri metaboliti (quali poliamine, terpenoidi, metaboliti di micotossine e ormoni vegetali).

Le classi chimiche più rappresentative e discriminanti sono risultate i polifenoli, seguiti da amminoacidi e derivati. Tra gli altri metaboliti in grado di discriminare i campioni delle due matrici, sono state individuate le poliamine; questa classe di composti è risultata esclusivamente discriminante per il gruppo dei campioni di insilato con variazioni significative per tiramina, putrescina, istamina e cadaverina.

L’analisi statistica multivariata ha evidenziato che l’origine geografica rappresenta il fattore più influente nel determinare il profilo chimico dei diversi campioni, con un contributo relativo pari al 20,7% per l’insilato e al 29,5% per il pastone.  Questo risultato suggerisce che la localizzazione dell’azienda agricola svolge un ruolo chiave nel definire l’impronta metabolica delle matrici analizzate. Al contrario, la diversa stagione di campionamento ha mostrato un impatto minimo sulla variabilità chimica (5,4% per l’insilato e 7,8% per il pastone). L’interazione tra origine geografica e periodo di campionamento ha spiegato il 10,3% e il 9,6% della variabilità rispettivamente per insilato e pastone di mais. Quello che ne consegue è che i campioni si raggruppano in modo distinto in funzione dell’azienda di provenienza, indipendentemente dal periodo di campionamento (invernale vs estivo). Questa chiara separazione tra le aziende agricole suggerisce che le pratiche agronomiche locali, le caratteristiche del suolo e le condizioni microclimatiche esercitino un’influenza più marcata sulla composizione chimica dei mangimi rispetto alle variazioni stagionali, favorendo la biosintesi di metaboliti secondari, come i polifenoli. Tale effetto è risultato particolarmente evidente sia nei campioni di insilato che di pastone, nei quali flavonoidi-glicosidi, acidi fenolici e terpenoidi sono emersi come principali biomarcatori dell’origine geografica. Pertanto, le analisi statistiche multivariate hanno evidenziato il ruolo determinante dell’area geografica nel definire la firma chimica degli ingredienti alimentari, sottolineando al contempo il potenziale dell’approccio metabolomico non mirato per l’autenticazione dell’origine e la valutazione della qualità delle matrici.

Conclusioni e prospettive future

Lo studio ha utilizzato un approccio integrato che combina l’analisi metabolomica untargeted (non mirata) e la profilazione delle micotossine al fine di valutare i profili chimici di insilato e pastone di mais, due componenti chiave nell’alimentazione dei ruminanti. I risultati hanno evidenziato che i campioni di pastone presentavano un livello di contaminazione da micotossine più elevato, in particolare fumonisine, rispetto ai campioni di insilato, sebbene tutti i valori risultassero conformi ai limiti indicativi stabiliti dall’Unione Europea. L’approccio metabolomico ha consentito di distinguere efficacemente i campioni delle diverse matrici, individuando poliamine, amminoacidi, peptidi, acidi organici e acidi fenolici come metaboliti discriminanti caratteristici dei campioni di insilato, mentre flavonoidi e micotossine sono risultati i principali marcatori di quelli di pastone. Inoltre, l’origine geografica ha mostrato un’influenza significativa sulla composizione chimica dei mangimi, mentre il periodo di campionamento (stagione invernale vs. estiva) ha avuto un effetto trascurabile, suggerendo una gestione della qualità dei mangimi costante nel corso dell’anno. Nel complesso, questi risultati hanno dimostrano l’efficacia delle tecnologie omiche nell’analisi dei mangimi, fornendo nuove evidenze sul legame tra pattern metabolici, contaminazione da micotossine e origine geografica. Tale approccio rappresenta una strategia solida per migliorare la sicurezza, la tracciabilità e la valutazione della qualità dei mangimi, contribuendo allo sviluppo di una produzione zootecnica sostenibile.

Riferimenti

La presente nota è una sintesi del seguente articolo scientifico, in cui è riportata tutta la letteratura citata: Lapris, M., Novara, V., Masseroni, M., Errico, M., Rocchetti, G., Gallo, A. (2025). Evaluation of Untargeted Metabolomic and Mycotoxin Profiles in Corn Silage and High-Moisture Corn. Toxins, 17, 214. https://doi.org/10.3390/toxins17050214.

Autore

Marco Lapris sotto la supervisione del Gruppo editoriale ASPA – Giuseppe Conte, Antonio Natalello, Alberto Stanislao Atzori, Manuel Scerra, Fabio Correddu, Sara Pegolo, Luca Cattaneo, Gabriele Rocchetti, Aristide Maggiolino.