Esto implicó:
El desarrollo de tecnologías de alimentación y recursos alimentarios nuevos y alternativos.
La identificación y selección de animales robustos capaces de adaptarse mejor a condiciones cambiantes.
El desarrollo de técnicas de alimentación para optimizar el potencial del animal.
FEEDUTILIGENE – MULTI-APLICACIÓN DE SIMULACIÓN DE ESTRATEGIAS ALIMENTARES PARA ANIMALES MONOGÁSTRICOS
Esta aplicación nombrada “FEEDUTILIGENE” y se compone de varios módulos de predicción:
| Este módulo está basado en el modelo InraPorc (Van Milgen et al. 2008) y se usa para estimar los parámetros de crecimiento del tipo de cerdo para el que se pretende realizar la simulación, entre ellos, consumo de pienso y peso vivo del animal.
|
| Este módulo utiliza información del módulo de caracterización del tipo de cerdo.
|
| Este módulo es una adaptación del módulo de predicción de crecimiento de cerdos para aves de corral (Dukhta et al. 2018).
|
| Este módulo predice la partición de nutrientes a lo largo del crecimiento en las aves de corral.
|
| Este módulo permite evaluar el efecto de diferentes parámetros relacionados con la digestión y absorción de nutrientes.
|
| Este módulo permite modelizar el consumo de pienso en función de alteraciones o perturbaciones que pueda sufrir el animal en su entorno (Nguyen-Ba et al. 2020). |
| Este módulo estima la incertidumbre o variabilidad de los parámetros productivos para entender la diversidad en la respuesta del cerdo en crecimiento (Filipe and Kyriazakis, 2019). |
| Este módulo simula en modo dinámico y predice la composición corporal de los ácidos grasos en el cerdo. |
EL MODELO DE ÁCIDOS GRASOS 
El módulo composición en ácidos grasos del cerdo es una adaptación del modelo de ácidos grasos previamente desarrollado por Lizardo et al. (2002).
Las mayores diferencias residen en que el modelo InraPorc ha sustituido el modelo básico de estimación del crecimiento del cerdo desarrollado por de Lange (1985). Sin embargo, los conceptos incluidos en el modelo, como la digestión y absorción de las grasas y su utilización como fuente de energía o de su almacenamiento, son los mismos que los desarrollados con anterioridad.
Este módulo se alimenta de las predicciones del modelo de crecimiento del animal, donde se introducen las características de la dieta y del animal:
Primero se tiene que ejecutar el Módulo 1 de “Caracterización del tipo de cerdo”. A partir de la ejecución de este módulo, se predice:
PASO 2
Estos parámetros entran directamente al “módulo de predicción de ácidos grasos”, que estima los ácidos grasos corporales principales: El palmítico, el esteárico, el oleico, el linoleico y el linolénico, ya que su suma supera habitualmente el 95% de los ácidos grasos totales detectados en el cerdo.
El modelo ha sido validado a partir de simulaciones realizadas con datos disponibles en la literatura científica y debidamente contrastados.
En general, los resultados de predicción de la composición de ácidos grasos corporales son bastante buenas para la mayoría de los ácidos grasos.
Los valores simulados en el modelo se encuentran entre los siguientes porcentajes para cada ácido graso:
¿QUÉ RESULTADOS PODEMOS OBTENER?
A peso de sacrificio, la canal del cerdo tiene entre 20-25 % de grasa, distribuida entre la grasa subcutánea, inter e intramuscular y el tejido adiposo perirrenal (Desmoulin et al., 1988).
Por otro lado, la calidad de la grasa (en términos de valor nutricional, propiedades organolépticas, propiedades de conservación y procesamiento) está relacionada con la composición de ácidos grasos de los triglicéridos presentes.
Aunque las diferentes industrias cárnicas puedan tener objetivos específicos, como la del jamón curado, normalmente se considera como referencia de calidad un contenido de ácido linoleico entre 12 y 15% y un contenido de ácido esteárico de al menos 12% de ácidos grasos totales (Girard et al., 1988).
Esta composición está fuertemente influenciada por:
| El modelo se puede utilizar para hacer predicciones de la composición de ácidos grasos corporales de los animales en función de su peso, o bien simular diferentes estrategias alimentares y poder predecir la calidad de la grasa y de la carne del cerdo. |
A continuación, se detallan un par de ejemplos:
EJEMPLO 1
Estudio con 192 cerdos (machos y hembras) de dos genotipos diferentes ((LWxLR) x LW y ((LWxLR) x Pi) alimentados ad libitum con una dieta única no limitante durante el engorde desde los 25 hasta los 140 kg (Tibau et al., 2002).
En matadero, se recuperó la sangre, se evisceraron los animales y las vísceras vacías de contenido, junto con las canales troceadas fueron congeladas para posterior molturación y homogeneización integral del animal.
Las muestras obtenidas después de la homogeneización fueron analizadas para determinar su contenido en ácidos grasos.
| Tal y como se observa en la Gráfica 1, las predicciones realizadas a través de la aplicación FEEDUTILIGENE claramente siguen un patrón similar al observado a partir de los resultados de análisis en laboratorio. |
EJEMPLO 2
Se utilizaron los datos del estudio de (Duran-Montgé et al., 2010) en el que se alimentaron los cerdos durante la fase de acabado con 8 dietas con diferentes fuentes de grasa.
En la Gráfica 2 se presenta la comparación ente los valores observados y predichos por el modelo para 4 de estas dietas con alrededor del 10% de grasa total:
Con excepción del contenido en acido linoleico de los cerdos alimentados con aceite de girasol, la aplicación FEEDUTILIGENE predice con relativa fiabilidad el contenido en palmítico, esteárico, alimentados con dietas enriquecidas con fuentes de grasas muy diferentes.
| Esta aplicación está destinada a los técnicos de las empresas productoras, fabricantes de pienso o para la academia.
Para una correcta implementación de la aplicación, es necesaria una correcta caracterización de los animales en cuanto a su potencial de crecimiento y consumo de pienso, ya que las predicciones se estiman a partir de estos datos. |
BIBLIOGRAFÍA
De Lange C.F.M., 1995. Framework for a simplified model to demonstrate principles of nutrient partitioning for growth in the pig. In “Modelling Growth in the Pig”, P.J. Moughan, M.W.A. Verstegen, M.I. Visser Reyneveld (Eds.), Wageningen Pers, Wageningen, Pays-Bas, 71-85.
Desmoulin et al. (1988). https://doi.org/10.20870/productionsanimales.1988.1.1.4435.
Dukhta et al. (2018). https://ojs.lib.unideb.hu/actaagrar/article/view/1640.
Duran-Montgé et al. (2010). https://doi.org/10.1016/j.livsci.2010.05.017.
Filipe and Kyriazakis (2019). https://doi.org/10.3389/fgene.2019.00727.
Girard et al. (1988). http://www.journees-recherche-porcine.com/texte/1988/88txtQualite/Q8812.pdf.
Lizardo, et a. (2002). https://doi.org/10.1016/S0301-6226(01)00312-8.
Tibau et al. (2002). http://journees-recherche-porcine.com/texte/2002/02txtAlim/a0210.pdf
Van Milgen et al. (2008). http://doi.org/10.1016/j.anifeedsci.2007.05.020.
[/registrados]