日本語AIでPubMedを検索
3 種類の異なるミルクバイオマーカーを用いたホルスタイン乳牛の生理的不均衡の予測
Predicting physiological imbalance in Holstein dairy cows by three different sets of milk biomarkers.
PMID: 32361640 DOI: 10.1016/j.prevetmed.2020.105006.
抄録
血液バイオマーカーは、生理的不均衡や潜在的な疾患を検出するために使用されることがある。しかし、血液のサンプリングは困難で高価であり、商業的な環境では適用できません。その代わり、個々の牛乳サンプルは低コストで容易に入手でき、簡単に採取でき、瞬時に分析することができる。今回の観察研究では、ヨーロッパ 6 カ国の実験牛群から 234 頭のホルスタイン乳牛の血液と乳汁を採取した。目的は、生理的に不均衡な状態にあり、代謝性疾患や感染症を発症するリスクがある牛を特定するために、3 種類の乳汁バイオマーカーを比較することでした。ランダムフォレストを用いて、体エネルギーバランス（EBAL）、生理的不均衡指数（PI-index）、血漿グルコース、 β-ヒドロキシ酪酸（BHB）、非エステル化脂肪酸（NEFA）、血清 IGF-1 の濃度に基づいて牛の代謝状態を区別する 3 つのクラスターを予測しました。これら 3 つの代謝クラスターは、バランスのとれた牛、生理的に不均衡な牛、生理的 状態がその中間にある「中間牛」と解釈されました。予測に使用した 3 種類の乳中バイオマーカーは、乳中フーリエ変換中赤外（FT-MIR）スペクトル、 19 種類の免疫グロブリン G（IgG）N 糖鎖、8 種類の乳中代謝物・酵素（MME）です。血液バイオマーカーは、分娩後 14 日目（days in milk (DIM)）と 35 日目（DIM）の 2 回採取した。MME と FT-MIR は週 2 回、1～50 DIM で採取したのに対し、IgG N-グリカンは 4 回しか測定していません。EBALおよびPI-index予測の性能は、決定係数(R)およびleave-one-cow-outクロスバリデーション(cv)からの二乗平均誤差(RMSE)によって測定した。代謝クラスターについては、このクロスバリデーションによる感度、特異度、グローバル精度で測定した。PI-indexの予測では、MMEが最も優れた性能を示した（R=0.40 (95 % CI: 0.29-0.50) at 14 DIM, 0.35 (0.23-0.44) at 35 DIM）が、EBALの予測ではFT-MIRがMMEよりも優れた性能を示した（R=0.28 (0.24-0.33) vs 0.21 (0.18-0.25) ）。MMEとFT-MIRの代謝クラスター予測の全球精度は、MMEが0.54（95 % CI: 0.39-0.68）から0.65（0.55-0.75）、FT-MIRが0.51（0.37-0.65）から0.68（0.53-0.81）の範囲で、同じレベルであった。Rと精度はIgG N-グリカンの方が低かった。結論として、EBAL も PI-index もリスク牛を識別するための管理ツールとして使用するには十分な予測ができなかった。MME と FT-MIR は牛の生理学的状態の予測に使用できるかもしれませんが、IgG N- グリカンを予測に使用するにはまだ開発が必要です。とはいえ、精度を向上させる必要があり、より大規模なトレーニングデー タセットが必要とされています。
Blood biomarkers may be used to detect physiological imbalance and potential disease. However, blood sampling is difficult and expensive, and not applicable in commercial settings. Instead, individual milk samples are readily available at low cost, can be sampled easily and analysed instantly. The present observational study sampled blood and milk from 234 Holstein dairy cows from experimental herds in six European countries. The objective was to compare the use of three different sets of milk biomarkers for identification of cows in physiological imbalance and thus at risk of developing metabolic or infectious diseases. Random forests was used to predict body energy balance (EBAL), index for physiological imbalance (PI-index) and three clusters differentiating the metabolic status of cows created on basis of concentrations of plasma glucose, β-hydroxybutyrate (BHB), non-esterified fatty acids (NEFA) and serum IGF-1. These three metabolic clusters were interpreted as cows in balance, physiological imbalance and "intermediate cows" with physiological status in between. The three sets of milk biomarkers used for prediction were: milk Fourier transform mid-IR (FT-MIR) spectra, 19 immunoglobulin G (IgG) N-glycans and 8 milk metabolites and enzymes (MME). Blood biomarkers were sampled twice; around 14 days after calving (days in milk (DIM)) and around 35 DIM. MME and FT-MIR were sampled twice weekly 1-50 DIM whereas IgG N-glycan were measured only four times. Performances of EBAL and PI-index predictions were measured by coefficient of determination (R) and root mean squared error (RMSE) from leave-one-cow-out cross-validation (cv). For metabolic clusters, performance was measured by sensitivity, specificity and global accuracy from this cross-validation. Best prediction of PI-index was obtained by MME (R = 0.40 (95 % CI: 0.29-0.50) at 14 DIM and 0.35 (0.23-0.44) at 35 DIM) while FT-MIR showed a better performance than MME for prediction of EBAL (R = 0.28 (0.24-0.33) vs 0.21 (0.18-0.25)). Global accuracies of predicting metabolic clusters from MME and FT-MIR were at the same level ranging from 0.54 (95 % CI: 0.39-0.68) to 0.65 (0.55-0.75) for MME and 0.51 (0.37-0.65) to 0.68 (0.53-0.81) for FT-MIR. R and accuracies were lower for IgG N-glycans. In conclusion, neither EBAL nor PI-index were sufficiently well predicted to be used as a management tool for identification of risk cows. MME and FT-MIR may be used to predict the physiological status of the cows, while the use of IgG N-glycans for prediction still needs development. Nevertheless, accuracies need to be improved and a larger training data set is warranted.
Copyright © 2020 Elsevier B.V. All rights reserved.