Lee este artículo en:

Avances en la matriz de composición de los ingredientes para una alimentación de precisión

La inclusión de ecuaciones de predicción en las tablas de materias primas publicadas por diversas organizaciones supone un avance en la estimación del valor nutricional de estas y en la precisión de la formulación de alimento.

La optimización de los costos de alimentación en la producción porcina es fundamental para la viabilidad de este sector económico. En la actualidad, además es muy importante realizar esta actividad de forma sostenible, lo que significa un uso cada vez más eficiente de los recursos en la producción y de la valoración y reducción de su impacto ambiental. Desde el punto de vista de la alimentación animal, ello se puede conseguir por medio de diversas estrategias expresadas en el cuadro nº 1.

Cuadro nº 1. Estrategias de la alimentación animal para mejorar la sostenibilidad de la producción. Adaptado de den Hartog et al. (2016) y Choct (2016).

Desafíos de la nutrición animal

• Conversión del alimento en productos de origen animal de calidad de forma sostenible (personas, planeta, beneficio, bienestar animal)

• Estrategias:

  1. Aumentar la eficiencia / productividad:
    • Métodos de nutrición de precisión
    • Nutrigenómica (pe: sobreexpresión de genes de las proteínas de unión de los enterocitos)
    • Epigenética (pe: abeja reina vs. obreras, jalea real: royalactina)
    • Otros...
  2. Contribuir a la disminución de la resistencia a los antibióticos.
  3. Menor superficie agrícola destinada a alimentación animal:
    • Economía circular.
    • Explorar nuevos ingredientes para el alimento.
  4. Formulación con criterios de sostenibilidad.

Entre las alternativas indicadas se encuentra la aplicación de métodos de nutrición de precisión que incluyen:

  • un mejor conocimiento del valor nutricional de las materias primas empleadas en la alimentación de cerdos,
  • un mejor conocimiento de las necesidades nutricionales de los animales en sus distintas fases productivas, y
  • sistemas (e. g. sensores, estaciones de alimentación, modelización) para ajustar el aporte de nutrientes según las necesidades de los animales.

En este artículo nos centraremos en la aplicación de valores nutricionales más precisos de las materias primas, a raíz de la reciente publicación de la nueva edición de las Tablas FEDNA en 2019. Estas Tablas suponen un avance en la estimación del valor nutricional de las materias primas utilizadas en España, de modo que mejora la precisión de la formulación de los alimentos y, por ende, contribuye a mejorar la utilización de los recursos y de la economía de la producción.

Durante muchos años, las distintas instituciones y empresas que han propuesto tablas de valoración de los alimentos (e. g. NRC, INRA, ARC, Rhône-Poulenc, Adisseo, Degussa, Evonik, etc., y la propia FEDNA) han ofrecido valores nutricionales “estáticos” de las materias primas, de manera que su aplicación a materias primas de composición muy variable, como lo son la mayoría, no ha permitido demasiada precisión.

Sin embargo, recientemente han aparecido nuevas tablas por parte de instituciones como NRC de Estados Unidos, CVB de los Países Bajos, INRA francés, las Tablas Brasileñas y la reciente edición de FEDNA, que ofrecen ecuaciones de predicción para poder valorar, según la composición de las materias primas empleadas, su valor nutricional (ver cuadro nº 2). Esto es particularmente crítico para el caso de la energía, por ser el componente de mayor costo del alimento, y por no ser posible una determinación directa, sino a través de ecuaciones de predicción.

Cuadro nº 2. Principales características de las tablas de valoración nutricional de las materias primas en porcino recientemente publicadas.

FEDNA, 2010 FEDNA, 2019 INRA, 2019 BRASIL, 2017 CVB, 2019 NRC, 2012
Origen datos
  • Químicos
Industria Industria Colaboración instituciones oficiales Propios Propios Bibliografía
  • Energía
Bibliografía Bibliografía Propios y bibliografía Propios Propios Bibliografía
Fraccionamiento de la FB y ELN FB, FND, FAD, LAD FB, FND, FAD, LAD FB, FND, FAD, LAD, WICW FB, FND, FAD, LAD, ELN no dig. FB, FND, FAD, LAD, GOS, NSP, ELN dig. FB, FND, FAD, LAD
Número de datos Muy elevado Muy elevado Muy elevado Muy elevado en MMPP propias, escaso en otras Muy Elevado Muy elevado en MMPP propias, escaso en otras
Bases valoración energética en cerdos Propio Propio, INRA Propio, INRA Propio, INRA
Cálculo valor energético CVB, 1999; INRA, 2002 Estático INRA
Ecuaciones
Estático en aves, no actualizado en cerdos Ecuaciones Ecuaciones y analítica Estático para ED; EN, ecuación a partir de ED
Accesibilidad del cálculo Sencillo Complejo Sencillo Medio
Unidades de valoración
  • EN cerdos
X X X X X X
  • EN cerdas
X X X

La aportación principal de las tablas FEDNA es que recoge la investigación internacional más reciente sobre la valoración nutricional de las materias primas empleadas en alimentación animal y, sobre todo, porque es fruto de la colaboración entre la Universidad y la empresa. La consecuencia es que se dispone de información de las principales materias primas empleadas en España, así como de su variabilidad. Además, las ecuaciones de predicción energética son relativamente sencillas de aplicar por incluir parámetros fácilmente determinables (ver cuadro nº 3), a diferencia de otras tablas (e. g. CVB), en las que se incorporan muchos parámetros y muchos de ellos no se pueden analizar de una forma sencilla.

Cuadro nº 3. Ecuación de predicción del valor energético de los cereales según las tablas FEDNA (2019)

EDcerdos (kcal/kg) = PB x 5,65 x dPB + EE x 9,4 x dEE+ FND x 4,2 x dFND + ALM x 4,1 x 0,98 + AZ x 3,8 x 1 + DIF x 4,0 x 0,85
Principios inmediatos en g/kg; PB: proteína bruta; EE: extracto etéreo; FND: fibra neutro detergente; ALM: almidón; AZ: azúcares; DIF: diferencia = 1000 – humedad – cenizas – PB – EE – FND – ALM – AZ
d: coeficiente de digestibilidad
dEE = 80% para maíz y sorgo, 60% para otros cereales; dFND = 55% en cereales excepto avena = 35%

La disponibilidad casi general de la tecnología NIRS (Near Infra Red Spectroscopy), para valorar la composición en principios inmediatos de las materias primas que llegan a la fábrica, permite aplicar ecuaciones de predicción de los principales componentes nutricionales del alimento (fundamentalmente valor energético, aminoácidos digestibles y fósforo digestible).

El cuadro nº 4 presenta un ejemplo de las ventajas que aporta la estimación del valor energético de la cebada en porcino, por medio de tablas dinámicas, a través de unas ecuaciones de estimación, respecto al uso de tablas estáticas. En este cuadro se recoge la composición química de la cebada según las tablas de FEDNA (2019) y los valores medios analizados por Trouw Nutrition España (TNE) durante el año 2021. Además, se muestran dos cebadas con valores extremos de almidón y su correspondiente composición analizada. Con estos datos y las ecuaciones de predicción recomendadas por FEDNA, se han calculado sus respectivos contenidos en energía digestible (ED), metabolizable (EM) y neta (EN) para cerdos en crecimiento.

Puede observarse que las variaciones de la composición de alguno o varios de sus componentes analíticos, conlleva una valoración energética que puede variar hasta más de 200 kcal EN/kg de cebada, por ejemplo.

Dado que la energía es el nutriente más costoso de una fórmula, es fácil imaginar la repercusión que puede tener en el costo final del alimento de cerdos en crecimiento (considerando un costo de la EN de 0,10 €/kcal, utilizando datos actuales, esta diferencia de 200 kcal EN/kg en la valoración de la cebada, supondría un ahorro, o encarecimiento, del alimento de unos 10 €/t si la inclusión es del 50%). Además, esta imprecisión en la valoración nutricional conducirá a resultados productivos irregulares y poco predecibles.

El empleo de una valoración dinámica de las materias primas permite ajustar su valor nutricional con precisión en función de su composición química y, en consecuencia, formular el alimento ajustándolo lo más posible a las características de las materias primas y de las necesidades de los animales. Además, permite disminuir los posibles excesos de nutrientes y su efecto sobre el medio ambiente. Es necesario un sistema de control de calidad rápido y frecuente para poder trabajar con estos valores dinámicos.

Cuadro nº 4. Valoración energética de la cebada según su composición en principios inmediatos

FEDNA, 2019 TNE, 2021
Media Mín. almidón Máx. almidón
Almidón, g/kg 525,0 532,1 494,0 577,0
Humedad, g/kg 111,0 104,8 105,0 91,0
Cenizas, g/kg 22,0 22,7 23,0 22,0
PB, g/kg 96,0 98,0 122,0 75,0
EE, g/kg 17,0 17,7 20,0 17,0
FB, g/kg 47,0 49,4 56,0 32,0
FND, g/kg 181,0 190,2 215,6 123,2
Azúcares, g/kg 16,0 16,2 15,1 17,6
Diferencia, g/kg 32,0 18,3 5,3 77,2
EDcerdos, kcal/kg 3.200 3.216 3.188 3.346
EMcerdos, kcal/kg 3.117 3.131 3.081 3.289
ENcerdos, kcal/kg 2.382 2.392 2.322 2.555

Comentarios del artículo

Este espacio no está orientado a ser una zona de consultas a los autores de los artículos sino que pretende ser un lugar de discusión abierto a todos los usuarios de 3tres3
Publica un nuevo comentario

Para comentar debes registrarte en 3tres3 y acceder como usuario.

Artículos relacionados