La formulación de las dietas de los animales está cambiando y se incorporan más materias primas alternativas en los piensos. Por lo tanto, la necesidad de vigilar la variabilidad y detectar lotes atípicos o dañados se ha vuelto aún más importante.
El uso de materias primas alternativas en la alimentación animal se ha convertido en una necesidad más que en una opción. El subproducto de la destilación seca de granos con solubles (DDGS) es una de ellas. El aumento de la producción de etanol a partir de los granos de cereales genera enormes cantidades de DDGS. Para la industria de los piensos es tanto una proteína alternativa como una fuente de energía. A pesar de los importantes progresos realizados por la industria del etanol para estandarizar la producción entre plantas, los productos que llegan a las fábricas de piensos todavía varían mucho. Esto significa que los niveles de energía y aminoácidos también son muy variables. Por lo tanto, los nutricionistas necesitan una forma de predecir con confianza el valor nutricional de las materias primas. Esto puede hacerse mediante la herramienta de Evaluación de Nutrición Precisa (PNE), desarrollada por la empresa de nutrición animal Adisseo. Permite mejorar la eficiencia y la precisión de la evaluación de las materias primas. En el caso de los DDGS de maíz, ahora se puede predecir un valor de energía metabolizable (EM) a partir de mediciones in vivo. Junto con las predicciones de digestibilidad de aminoácidos, el PNE ofrece por lo tanto a los nutricionistas una herramienta rápida y discriminatoria para controlar la variabilidad y detectar lotes atípicos o dañados.
Construyendo ecuaciones ME a partir de datos in-vivo
Se recogieron y analizaron muestras de 97 lotes de DDGS de maíz de todo el mundo. El contenido de energía metabolizable aparente (AME) se determinó utilizando como modelo pollos de 22 días de edad (adaptado de Bourdillon et al, 1990). Los valores de AME se calcularon como la diferencia entre la cantidad de Energía Bruta ingerida y excretada. Luego se corrigieron por la retención cero de nitrógeno (AMEn). Los valores medios de la AME fueron de 2.743 ± 386 kcal por kg de materia seca (MS), con un rango de 1.727 a 3.628 kcal por kg de MS y un coeficiente de variación (CV) del 14%. El AMEn fue en promedio de 2.581 ± 370 kcal/kg MS, de 1.797 a 3.420 kcal/kg DM (CV = 14,3%). A partir de estas mediciones, se construyeron calibraciones NIRS para el PNE. Éstas están disponibles en línea desde junio de 2018 y desde entonces, un total de 1.171 muestras de DDGS de maíz de los clientes se predijeron con éxito para su contenido energético. El nivel de variabilidad alcanzó el 8%, equivalente a ± 216 kcal/kg DM para AME y 209 kcal/kg DM para AMEn.
PNE refleja mejor la variabilidad
Las ecuaciones de determinación de la energía, basadas en medidas de análisis químicos, siguen siendo los métodos más utilizados. Sin embargo, se han planteado cuestiones sobre su capacidad para discriminar adecuadamente las muestras de DDGS de maíz. Para confirmarlo, se verificaron 20 muestras de DDGS de la plataforma PNE. Sus valores próximos previstos (Tabla 1) se han utilizado en 3 ecuaciones publicadas, lo que permite hacer una comparación entre los datos AMEn calculados y los datos AMEn en vivo. En promedio, las ecuaciones sobreestimaron AMEn vs PNE – que oscilan entre +104 y + 430 Kcal/kg DM.
Además, los valores de energía obtenidos por las ecuaciones se asociaron a un CV más bajo (entre el 2,1 y el 6,9%) que los del PNE (CV = 11% ) : el PNE refleja mejor la variabilidad que las ecuaciones. La figura 1 muestra que el PNE y las ecuaciones dieron resultados similares sólo para muestras de alto contenido en AMEn (alrededor de 3 000 kcal/kg DM). Lo más importante es que el PNE destacó los valores bajos de AMEn (por debajo de 2 400 kcal/kg DM) para 6 muestras de un total de 20, que ninguna de las ecuaciones probadas fue capaz de detectar. La contribución de los nutrientes de los DDGS del maíz a la AMEn podría ser menor de lo esperado y, por lo tanto, no puede predecirse plenamente a partir de la composición química.
Figura 1 – Determinación de AMEn de 20 muestras de DDGS de maíz utilizando PNE o ecuaciones basadas en el análisis aproximado.
Implicaciones para los nutricionistas
Para alcanzar los objetivos de rendimiento y costo, los nutricionistas animales necesitan herramientas relevantes. Una mala predicción del contenido de EM puede afectar negativamente al precio sombra de los DDGS de maíz, al valor nutritivo del pienso y al coste, así como a los rendimientos de los animales. Por lo tanto, para un control de calidad preciso de las materias primas, todos los lotes de DDGS de maíz que se entreguen a la fábrica de piensos deben ser objeto de un seguimiento exhaustivo. La plataforma PNE es una de las herramientas que los nutricionistas pueden utilizar, proporcionándoles resultados de AME, AMEn y digestibilidades de aminoácidos como si las medidas se hubieran hecho in vivo. Esto acercará a los nutricionistas un paso más a la formulación precisa de la nutrición.
Autores: E. Bourgueil,* C. Gady y S. Vandeplas. *Autor corresponsal: Elisabeth.Bourgueil@adisseo.com. Las referencias están disponibles a petición.
