大家好呀~

从事动物营养，原料数据库是一定绕不开的话题。对一线营养师而言，这更是每日每夜都要操心的一大块工作。如果对原料的认识不足、对营养成分把握不够，配方自然就难以精准。而不同工艺、不同供应商、不同批次...同一种原料的营养成分都很难保持一个数值不变。然而，在今天的饲料行业中，「静态数据库」仍然还在大量使用，要建立动态数据库，是从原料检测、到数据库管理、再到模型应用的一个自上而下的体系工程。

-从静态到动态数据库，如何实现这个过渡？

-那么多原料数据库，那么多计算公式，到底如何做选择？

-如何维护和更新自己的数据库？

今天，我请到了一位有着20多年一线配方经验、非常善于建立原料数据库和数据模型的朋友 —— 来自新西兰的营养师，Paul Drew，来一起聊聊这个话题。从非洲到大洋洲，Paul自己使用数据库的历程是怎么样的? 他对原料数据库和模型，又有什么样的理解与实用小建议呢？

一起听听吧！Enjoy~ 

Q. 您的故事

Your story

Paul：我来自南非，在比勒陀利亚大学（University of Pretoria）读的动物科学本科，那时候很多学习内容都是围绕反刍营养进行的，尤其是奶牛。到了研究生的时候，我特意选了单胃动物营养，主要研究的是家禽，顺便还有一些猪。硕士毕业后，我加入了南非最大的家禽企业 (Rainbow)，先是在销售岗位磨练了近一年，然后开始管理配方和技术。虽然公司主营业务是家禽，但是我负责的内容大多数是对外的饲料销售和营养配方服务。所以各种动物都涉及，比如鸵鸟饲料、猎物饲料。我特别享受这段经历，因为与每天只盯着鸡饲料相比，啥都涉猎一点反而给每天的工作增添了新鲜感。也正是那个时候，一些客户有了即时配方的需求，所以我们需要学习和建立原料数据库，需要建立数据模型，我对这方面知识的兴趣也越来越浓厚。几年之后，我来到了同在南半球的新西兰，在新西兰最大的家禽一条龙企业(Tegel) 做了7年营养配方服务，2022年，我加入了新西兰最大的奶牛饲料企业 (SealesWinslow)，期间做过销售业务，再慢慢转型回到营养岗位，目前主要负责营养技术与质控。 

Q. 原料营养价值的重要性

Importance of feed matrix values

Paul: 原料的营养价值数据，是配方的基础和关键 —— 相信这是大家的共识了。但理想很美好，现实很骨感，一批又一批原料，总会有差异，即便采样检测，我们也很难知道100%准确的真实营养价值。

因此，我们的工作重点应该放在建立「置信区间」上 —— 利用各种方法，把原料的营养价值锁定在一个尽量窄的区间内。这样，可以大概率预测到原料的营养价值，缩小预估值和实际值之间的差距。

有了较为准确的营养成分还只是第一步，真正让我们能持续保持信心的，是定期检查和更新原料营养价值。无论是使用湿化学还是NIR，我们需要确保原料本身没有发生大的变化，如果发生了变化，我们要及时发现并改进。因此，原料数据库应该是动态的，而非找到一个book value输进配方软件里，就再也不动它了。

身在饲料企业，我们生产的每一个产品都是有相应的营养规格的，只有确保了原料本身营养价值的准确，才能保证产品能满足规格和标准。

Q. 如何选择数据库 —— 法国INRAE、荷兰CVB、NRC、还是别的？

Which is the best database？ 

Paul：是的，全球有很多科研机构都通过自己的研究，给大家提供了不同的原料数据库和动态模型。那么，这么多可选的数据库，哪个最好呢？在我看来，适合你的就是最好的。以「能量」为例，有些企业有能力自己建实验场，可以通过动物实验来测定净能，这样的数据肯定是最符合自身情况、最精准的。也有的企业直接拿书里的一个固定值，不做任何调整，这种情况虽然不一定精准，但是肯定是最方便快捷、且成本低的。另外，很多人选择基于原料的营养检测值，用公式计算一个动态的净能值；而不同数据库给出的计算公式也不同，需要酌情选择。

再以「氨基酸」为例，同一种原料里各个氨基酸的含量一般来说变化不大，也比较好测，但由于今天的配方基本上都以基于「可消化氨基酸」的基础，那么配方中的可消化氨基酸的含量便很大程度上取决于我们选用的「氨基酸消化率系数」（可消化氨基酸 = 氨基酸含量 x 消化率）。而每个数据库因为研究机构所在的地理位置不同、侧重的原料不同、实验的样本数不同，得出的消化率数值也不尽相同。

所以哇，数据库的选择不是一件一劳永逸的事情。我会建议更深一步、去了解目标数据库中数据的来源、计算的方式、样本数...等等，从而选择最符合自身情况的数据和公式（就像统计学家George Box的名言所说：「All models are wrong, but some are useful」 —— 所有的模型都有误，但是有些是有用的）。

举个例子，假设我想要找一个主要蛋白原料的氨基酸消化率，数据库A给出的消化率是3个样品的平均值，而数据库B则来自300个样品，我肯定对数据库B更加有信心。不过，我也不敢说数据库B就是最好的，因为很有可能数据库B里的另一个原料的净能就没有足够的样本数，又或者，它的净能计算公式中需要用到一项我们测不了的指标。

因此，归根到底，我们的目标是找到最适合自己检测能力、养殖条件、动物状况的数据库，不能不假思索地照搬数据库。

Q. 你个人使用数据库的历程是怎么样的呢？

Your journey of choosing database

Paul: 我开始入行时在南非，南非的养殖业很大程度上受欧洲影响，所以我自己以前用得比较多的是荷兰的CVB，包括家禽、猪、反刍的数据都会参考。Schothorst Feed Research在能量和磷的研究上有很深的底蕴。而且我这么多年看着这些数据库慢慢建立，了解背后的数据和逻辑，对它比较有信心。

到了新西兰，比较幸运的是我服务的公司都有自己的动物实验场地，可以用自己的实测值。目前对能量来说，我会用INRAE的公式，通过营养成分计算出动态数值。INRAE在这方面比较权威，当然主要是因为这个数据库免费哈哈哈。

其实原料的差异性一定存在，缩小差异的一个关键就在于重复性。一个系统，一旦选择了，就不要随便去换。我读书的时候，老师说过一句话，我印象特别深刻 —— If you do it wrong, do it consistently wrong （即使是错误的，也要有可重复性地错）。

Q. 如何在日常工作中维护原料数据库，有哪些具体方法吗？

Updating nutrient database 

Paul: 前面我们聊到，维护数据库很关键的一点是及时检查和更新原料的营养成分数据，但在现实中，这个过程往往是不够及时的。湿化学是我们公认的最权威的检测方法，但这个过程比较耗时 —— 假如我们采购了一批原料，马上采样送测，等拿到结果，已经两个礼拜过去了。太慢了！还好现在我们有了近红外NIR，可以把等待检测结果的时间大大缩短。最近几年还出现了手持的NIR仪器、饲料厂的Inline-NIR，既方便又快捷。不过，应用NIR的关键一是要做好校正，二是要解决数据与配方软件之间的输入与同步问题。设想一下，饲料厂进的原料刚从货车上卸下来，我们马上拿着近红外设备得到了营养成分的新数据，然后即时同步到配方软件的数据库中，无需繁琐的程序，全部自动执行，那就太方便了。随着人工智能的发展，我相信很快我们就能看到这些场景的普及。

在现阶段，我的方法是这样的 —— 通常，我每隔10-14天会更新原料数据库和配方。之所以是10天，是因为原料采集、统计分析、配方执行这整个过程大概需要这么久。

拿到了原料的检测值，我会做统计分析，目的是了解批次间的差异，从而给配方‘上保险’，预留安全边际。至于具体操作，我喜欢简单的规则，哈哈，供大家参考 —— 

-每一个原料我要求至少5个数据点，算出来营养成分的平均值、标准差、变异系数CV。

-当CV < 5%时，可以大胆使用平均值；

-当CV = 5-10%之间，我会在平均值的基础上，调整半个标准差（如果是蛋白，我就降一点；如果是水份，我就加一点）；

-当CV > 10%时，我会调整一个标准差。

-同时，检测饲料成品，看看准不准，然后灵活调整。

如果不及时调整原料数据库，那么多半会出现的情况便是我们对原料营养成分的信心不足、更加保守，于是把保险上得太满 —— 要是每个原料都额外加满安全边际，很有可能原本应该是20%蛋白的饲料，最后能达到22%。这每吨多出来的2%，按照现在新西兰的反刍料价格，大概就是14纽币（合60元人民币）。产量大的话，这其中的损失是非常显著的。经济效益作为饲料企业的重要KPI，是营养师们一定要关注的。

Q. 对于中国的饲料企业，关于如何建立和维护原料数据库，你有什么建议呢？

Advice for feedmills in China

Paul：从我之前和中国客户沟通的经历来看，很多问题是全球普遍的。简单总结一下上面聊到的内容，我认为best practice包括这几点 —— 首先是源头，要选择适合自己的原料数据库和模型。其次要建立监控和反馈系统，从而及时更新和审查原料的数据库；尤其要关注实际使用的原料和配方软件里的原料之间的营养成分差异。很多时候，我们没有合适的数据来源，原料检测之后也没有把检测结果马上运用到配方上，中间出现了很多衔接问题。简单地说，就是系统与系统之间没有共同语言，无法沟通。

这里我想推荐一下A-System的Allix配方软件 —— 这个软件做得好的一点就在于它有一个质量管理系统KAllix，可以把原料品控系统和配方系统即时同步，特别方便。而且它也很智能，会根据情况自动建议营养价值的数值，我们做配方的时候只需要点击确认，或者根据我们自己的想法修改自动建议的条件。想要抓取数据的时候，也可以随时把数据导出到Excel，按自己喜欢的方式整理和分析，用起来很方便。 

（图片来自A-Systems官网）

Q. 在你眼中，技术的发展会对未来的原料数据库工作带来什么样的影响？

The future

Paul：我们现在正在经历着人工智能飞速发展的时期，我看到新闻，今年2月，美国一家私人企业的「无人月球着陆器」成功登月，靠的就是视觉算法，帮助飞船安全地软着落在月球。所以啊，人工智能、大数据、算法给我们无限畅想的可能！（录制这期时，chatGPT4o还没出来，不过短短几周，我们是真正在见证一个迅猛的技术发展新时代哇~ ）对于我们行业来说，近红外NIR快速检测、智能分析、即时同步到配方软件，就是很好的例子。此外，我们现在所用的营养需求数据，大多数还是通过动物实验得来的，但以后也许可以利用人工智能来模拟和建模，更快、更有效地动态推测营养需求，事半功倍。跟随着技术发展，数据会越来越关键。有了数据之后， 我们可以利用大数据分析来挖掘里面的信息。一个个小实验就像是砖头，一块块砖头就能帮我们建造一整个系统，这个系统也许就能总结规律，告诉我们在疾病条件下，营养需求会怎么变化；在炎热环境下，营养需求会怎么变化......非常值得期待！

Q. 喜欢的资源 

Resources you use

专业资源：Hoard's Dairyman 杂志，1885年创刊的美国奶牛业杂志。Evonik 赢创，赢创在原料数据库和检测分析方面都有很好的资源。欧洲高校的实验进展。

Q. 如果遇见年轻时候的自己，你会对TA说什么呢？ 

An advice for younger self？ 

Paul : 不要只看事物的表面，有很多事情一直以来都是那样，所以看起来不可能改变，但是你只要深思一下就会发现，很多事情站不住脚，用科学的方式大胆地尝试，很多困难都只是纸老虎。我们不必循规蹈矩。