Spettroscopia nel vicino infrarosso per valutare la composizione chimica e il profilo degli acidi grassi della dieta delle bufale da latte

Acquisizione spettri

Le analisi spettrali sono state condotte su campioni essiccati di TMR con lo spettrometro da banco NIRFlex 500 (BÜCHI, Svizzera) nella gamma 1000-2500 nm. Gli spettri, acquisiti in riflettanza e convertiti in assorbanza (log 1/R), sono stati elaborati con il software Unscrambler X (versione 10.3, CAMO Software, Oslo).

Il dataset, raccolto da 10 aziende, è stato suddiviso in un set di addestramento (7 aziende, 168 campioni) e un set di validazione indipendente (3 aziende, 72 campioni). Per ogni variabile dipendente sono stati calcolati media, deviazione standard e coefficienti di variazione. I dati spettrali sono stati pre-elaborati con tecniche di normalizzazione, correzione di baseline e scattering (SNV, detrending) per ottimizzare il modello. La regressione PLSR è stata applicata con trasformazioni derivate per migliorarne l’accuratezza.

I modelli di calibrazione sono stati valutati tramite il coefficiente di determinazione (R² per calibrazione, validazione incrociata e predizione) e gli errori standard (SEC, SECV, SEP). Sono stati inoltre calcolati deviazione predittiva residua (RPD) e rapporto di errore dell’intervallo (RER).

Risultati

Sono stati analizzati nove parametri chimici, nove AG individuali e tre classi di AG per ciascun campione di TMR. I risultati dell’analisi descrittiva sono riportati nelle tabelle 2 e 3 per la composizione chimica e il profilo degli AG nei set di calibrazione e validazione. Le razioni per bufali presentavano un profilo nutrizionale distinto, con maggiore contenuto di fibra rispetto a quelle per bovini (Evangelista et al., 2022; Masucci et al., 2024). È stata rilevata un’ampia variabilità nella composizione chimica, soprattutto per amido, fibra grezza e ADL (C.V. >18%), mentre nel set di validazione solo l’amido superava questa soglia (C.V. = 20,1%). Al contrario, SS, CG, aNDF e ADF hanno mostrato una variabilità più bassa (< 13%) in entrambi i set.

Gli AG presenti nelle TMR derivano da fonti di concentrati (mais, soia, orzo, etc), fonti di foraggio (foraggi verdi, fieni, insilati) e alcuni integratori, come il Linomix, che forniscono significative fonti di 18:3 n-3. Di conseguenza, vi è una notevole variabilità nella composizione degli AG delle TMR (tabella 3). Per 18:3 n-3 e 18:3 n-6 il C.V. supera il 35%. Al contrario, la variabilità più bassa (< 10%) è stata osservata per 18:1 cis-9 e 18:1 cis-11, 18:2 n-6, e le classi di AG (SFA, MUFA e PUFA), e per 16:0 nel set di validazione. Sebbene diversi studi abbiano esplorato le caratteristiche chimiche delle TMR per i bufali da latte, pochi autori hanno esaminato specificamente i profili degli AG. Questo rende difficile confrontare direttamente i nostri risultati con le ricerche precedenti.

I campioni, anche se essiccati, mantengono bande di assorbimento dell’acqua, dovute ai gruppi O-H, intorno a 1400 nm e 1900 nm, e producono picchi più nitidi e definiti, offrendo una risoluzione migliorata per i composti organici come proteine, grassi, fibre e AG. Le bande di assorbimento C-H associate ad alcuni AG sono rilevabili nel secondo e terzo overtone armonico. Come riportato da Giaretta et al. (2019), gli AG assorbono nella regione di combinazione C-H (2200–2500 nm) (figura 1).

Modelli di previsione per l’analisi chimica del TMR

Per la composizione chimica (tabella 4), i modelli di calibrazione hanno mostrato buone prestazioni (R²c > 0,90) per SS, PG, EE, aNDF e amido, con R² sempre superiore a 0,80 in calibrazione, validazione incrociata e previsione. Nella 5-fold cross-validation, R²cv è diminuito per tutti i parametri, mantenendosi >0,90 solo per SS, PG e amido. L’SECV è risultato leggermente più alto dell’SEC, ma senza superare i 10 p.p.

Nessun parametro ha avuto un RPDcv inferiore a 2 (tabella 5), escludendo modelli non raccomandati. La maggior parte dei parametri ha superato RPDcv = 2,5, con la SS oltre 4. Inoltre, tutti hanno registrato un RERcv >10.

In Figura 2 sono mostrati due esempi di grafici dell’analisi PLSR per la predizione (blu) e la cross-validazione (rosso): a sinistra per l’amido, a destra per l’acido palmitico (16:0).

La convalida esterna con il set di validazione è essenziale per valutare l’applicabilità del modello a dati indipendenti. Nella presente analisi di previsione, l’R² dei parametri chimici è variato tra 0,81 e 0,89, indicando una performance ‘buona’ (Malley et al., 2005). I risultati ottenuti sono simili a quelli di studi precedenti, come quello di Buonaiuto et al. (2021) sul TMR per vacche da latte nella produzione del Parmigiano Reggiano, nonché a quelli di Pérez-Marín et al. (2022) e Pereira-Crespo et al. (2022), che hanno riportato valori di R²c superiori a 0,80 e RPD superiori a 2, confermando una buona capacità predittiva.

Modelli di predizione per l’analisi degli acidi grassi del TMR

Considerando i modelli PLSR per gli AG, il sistema NIRflex ha ottenuto buoni valori di R² durante la calibrazione per tutti gli AG. Il 18:3 n-6 ha mostrato un R²c = 0,91, mentre 18:1 cis-11 e le classi SFA e PUFA avevano valori di R²c <0,85. Purtroppo, nella convalida incrociata utilizzando l’approccio a cinque fold, i valori di R²cv sono diminuiti leggermente ed il SECV è aumentato rispetto al SEC. Applicando i modelli PLSR ottenuti nel set di validazione, il R² per 18:3 n-6 è stato confermato a 0,90. Una performance predittiva inferiore, con R² < 0,80, è stata registrata per 18:1 cis-11 e SFA. Gli altri AG avevano valori di R² che variavano da 0,80 a 0,84. Quando si confrontano SEP e SECV, sono stati osservati valori inferiori per 16:1, 18:3 n-6 e la classe PUFA. Ciò è avvenuto perché il set di validazione ha mostrato una DS inferiore per alcuni AG rispetto ai dati nel set di calibrazione (tabella 6). Tuttavia, SEP non ha mai superato 1,2. Sono state registrate prestazioni predittive da accettabili a buone.

In Figura 3 sono riportati esempi di grafici dell’analisi PLSR per la predizione con un set di dati indipendente: in alto per l’amido, in basso per l’acido palmitico (16:0).

Il valore di RPDcv (tabella 7) è stato superiore a 3 per quasi tutti gli AG, eccetto per 14:0, 16:0 e le classi SFA e PUFA. Tuttavia, nella predizione, il valore di RPDp è sceso al di sotto di 2,5 per 18:1 cis-11, le classi SFA e MUFA, mentre PUFA come 18:2 n-6, 18:3 n-2 e 18:3 n-3 hanno superato la soglia di 3, classificando i modelli come buoni. Questo risultato è stato influenzato dall’elevata variabilità dei dati. Altri AG hanno mostrato un RPDp medio di 2,66. Inoltre, per tutti gli AG, il RER non è mai sceso al di sotto della soglia di 10.

A nostra conoscenza, non esistono studi che abbiano sviluppato modelli NIR specifici per il contenuto di AG nelle TMR. Alcune ricerche su foraggi annuali (Pereira-Crespo et al., 2014) hanno riportato ottimi risultati di calibrazione solo per alcuni componenti, come 18:3 n-3 (R² = 0,93, SEC = 1,101, RER = 13,65), acidi grassi totali (TFA) (R² = 0,89, SEC = 1,854, RER = 11,02) e acidi grassi insaturi (UFA) (R² = 0,90, SEC = 1,431, RER = 11,46). Per gli altri AG, i modelli non sono stati soddisfacenti. Foster et al. (2006) hanno riportato R²c impressionanti, che vanno da 0,93 a 0,99, suggerendo che i modelli sviluppati abbiano una buona aderenza ai dati. Inoltre, i valori di RPD riportati, superiori a 3, indicano una buona capacità predittiva, convalidando ulteriormente l’efficacia del loro approccio.

Conclusioni

La spettroscopia NIR si conferma un metodo rapido e non distruttivo per analizzare la composizione chimica e il profilo degli acidi grassi nelle diete per bufale da latte. Il dispositivo NIRS da banco ha mostrato ottime capacità predittive per parametri chiave come sostanza secca, proteine grezze, estratto etereo e amido (R² > 0,90). La previsione degli acidi grassi è risultata meno affidabile (R² tra 0,80 e 0,90), richiedendo ulteriori perfezionamenti. L’inclusione di ingredienti ricchi di omega-3 ha migliorato la robustezza dei modelli. La spettroscopia NIR si conferma promettente per l’analisi delle materie prime e la gestione nutrizionale di precisione, ma ulteriori sviluppi chemiometrici e calibrazioni ne potrebbero migliorare l’affidabilità, supportando una produzione sostenibile del latte di bufala.

Questa ricerca è stata supportata dall’Unione Europea NextGenerationEU nell’ambito del programma di ricerca “National Research Centre for Agricultural Technologies, Agritech”.

Sinossi tratta da: Evangelista, C.; Contò, M.; Basiricò, L.; Bernabucci, U.; Failla, S. Near-Infrared Spectroscopy for Assessing the Chemical Composition and Fatty Acid Profile of the Total Mixed Rations of Dairy Buffaloes. Appl. Sci. 2025, 15, 3211. https://doi.org/10.3390/app15063211

Bibliografia

1. AOAC International. Association of Official Analytical Chemist (AOAC)., 18th ed.; AOAC: Gaithersburg, MD, USA, 2006
2. Bionaz, M.; Vargas-Bello-Pérez, E.; Busato, S. Advances in fatty acids nutrition in dairy cows: from gut to cells and effects on performance. J Animal Sci Biotechnol 2020, 11, 110. https://doi.org/10.1186/s40104-020-00512-8
3. Buonaiuto, G.; Cavallini, D.; Mammi, L.M.E.; Ghiaccio, F.; Palmonari, A.; Formigoni, A.; Visentin, G. The accuracy of NIRS in predicting chemical composition and fibre digestibility of hay-based total mixed rations. Ital. J. Anim. Sci. 2021, 20, 1730–1739. https://doi.org/10.1080/1828051X.2021.1990804
4. Evangelista, C.; Bernabucci, U.; Basiricò, L. Effect of antioxidant supplementation on milk yield and quality in Italian Mediterranean lactating buffaloes. Animals. 2022, 12, 1903. https://doi.org/10.3390/ani12151903
5. Evangelista, C.; Petrocchi Jasinski, F.; Basiricò, L.; Turriziani, G.; Bernabucci, U. Particle size distribution of total mixed rations fed to Italian Mediterranean buffaloes measured by the PSPS: impact on milk quality and digestibility. Ital. J. Anim. Sci. 2024, 23, 1535–1550. https://doi.org/10.1080/1828051X.2024.2417714
6. Folch, J.; Lees, M.; Sloane-Stanley, G.H.S. A simple method for the isolation and purification of total lipids from animal tissues. J. Bio. Chem. 1957, 226, 497-509. https://doi.org/10.1016/S0021-9258(18)64849-5
7. Foster, J.G.; Clapham, W.M.; Fedders, J.M.; Quantification of Fatty Acids in Forages by Near-Infrared Reflectance Spectroscopy. J. Agric. Food Chem. 2006, 54, 3186–3192. https://doi.org/10.1021/jf052398u
8. Giaretta, E.; Mordenti, A.; Palmonari, A.; Brogna, N.; Canestrari, G.; Belloni, P.; Cavallini, D.; Mammi, L.; Cabbri, R.; Formigoni, A. NIRs calibration models for chemical composition and fatty acid families of raw and freeze-dried beef: a comparison. J Food Compost Anal. 2019, 83,103257. https://doi.org/10.1016/j.jfca.2019.103257
9. González-Domínguez, R.; Sayago, A.; Fernández-Recamales, Á. An Overview on the Application of Chemometrics Tools in Food Authenticity and Traceability. Foods. 2022, 11, 3940. https://doi.org/10.3390/foods11233940
10. Guerra, A.; Simoni, M.; Longobardi, V.; Goi, A.; Mantovani, G.; Danese, T.; Neglia, G.; De Marchi, M.; Righi, F. Effectiveness of near-infrared spectroscopy to predict the chemical composition of feces and total-tract apparent nutrients digestibility estimated with undigestible neutral detergent fiber or acid-insoluble ash in lactating buffaloes’ feces. J. Dairy Sci. 2024, 107, 5653-5666. https://doi.org/10.3168/jds.2023-24511.
11. Hanigan, M.D.; Daley, V.L. Use of mechanistic nutrition models to identify sustainable food animal production. Ann. Rev. Anim. Biosci. 2020, 8, 355–376 https://doi.org/10.1146/annurev-animal-021419-083913.
12. Jancewicz, L.J.; Swift, M.L.; Penner, G.; Beauchemin, K.; Koenig, K.; Chibisa, G.; He, M.L.; McKinnon, J.J.; Yang, W.Z.; McAllister, T.A. Development of NIRS calibrations to estimate fecal composition and nutrient digestibility in beef cattle. J. Anim. Sci. 2016, 97, 51-64. https://doi.org/10.1139/cjas-2016-0107 581
13. Malley, D.F.; McClure, C.; Martin, P.D.; Buckley, K.; McCaughey, W.P. Compositional Analysis of Cattle Manure During Composting Using a Field-Portable Near-Infrared Spectrometer. Commun. Soil Sci. Plant Anal. 2005, 36, 455–475. https://doi.org/10.1081/CSS-200043187
14. Masucci, F.; Serrapica, F.; Cutrignelli, M.I.; Sabia, E.; Balivo, A.; Di Francia, A. Replacing maize silage with hydroponic barley forage in lactating water buffalo diet: Impact on milk yield and composition, water and energy footprint, and economics. J. Dairy Sci. 2024, 107, 9426–9441. https://doi.org/10.3168/jds.2024-24902
15. Pereira-Crespo, S.; Botana, A.; Veiga, M.; González, L.; Resch, C.; García-Souto, V.; Martínez-Diz, M.d.P.; Lorenzana, R., Flores-Calvete, G. Prediction of quality of total mixed ration for dairy cows by near infrared reflectance spectroscopy and empirical equations. J. Appl. Anim. Res. 2022, 50, 69–79. https://doi.org/10.1080/09712119.2021.2022488
16. Pereira-Crespo, S.; Flores-Calvete, G.; Valladares-Alonso, J.; Díaz-Díaz, N.; Díaz-Díaz, D.; Resch-Zafra, C.; Fernández-Lorenzo, B.; Latorre, A.; González, L.; Dagnac, T. Prediction of fatty acids composition of annual forage clovers and serradella by near infrared spectroscopy. In R. Baumont, P. Carrère, M. Jouven, G. Lombardi, A. López-Francos, B. Martin, A. Peeters, & C. Porqueddu (Eds.), Forage resources and ecosystem services provided by Mountain and Mediterranean grasslands and rangelands. 2014, Zaragoza: CIHEAM/INRA/FAO/VetAgro Sup Clermont-Ferrand/Montpellier SupAgro. (Options Méditerra-néennes: Série A. Séminaires Méditerranéens, No. 109). pp. 375–378.
17. Pérez-Marín, D.; de la Roza-Delgado, B.; Entrenas, J.A.; Garrido-Cuevas, M.; Garrido-Varo, A. Transferring a large data library of fresh total mixed rations from a benchtop to 2 portable near-infrared spectrometers for on-farm real-time decisions. J. Dairy Sci. 2022, 105, 2380-2392. https://doi.org/10.3168/jds.2021-21032
18. Piccioli-Cappelli, F.; Calegari, F.; Calamari, L.; Bani, P.; Minuti, A. Application of a NIR device for precision feeding in dairy farms: Effect on metabolic conditions and milk production. Ital. J. Anim. Sci. 2019, 18, 1–12. https://doi.org/10.1080/1828051X.2019.1570829
19. Schingoethe, D.J.A. 100-Year Review: Total mixed ration feeding of dairy cows, J. Dairy Sci. 2017, 100, 10143-10150, https://doi.org/10.3168/jds.2017-12967.
20. Van Soest, P.J.; Robertson, J.B.; Lewis, B.A. Methods for dietary fiber, neutral detergent fiber, and nonstarch polysaccharides in relation to animal nutrition. J. Dairy Sci. 1991, 74, 3583–3597. https://doi.org/10.3168/jds.S0022-0302(91)78551-2
21. Weiss, W.P.; Shoemaker, D.E.; McBeth, L.R.; Yoder, P.; St-Pierre, N.R. Within farm variation in nutrient composition of feeds. In Proceedings of the Tri-State Dairy Nutrition Conference, The Ohio State Univ., Columbus, OH, USA, 24–25 April 2012; pp. 103–117.