un algoritmo per classificare le vacche più efficienti – Ruminantia – Web Magazine del mondo dei Ruminanti

IN BREVE
Un recente studio ha indagato la validità dei cluster di aminoacidi essenziali plasmatici identificati da Letelier a livello di singola vacca usando un dataset indipendente e un modello di machine learning su 62 vacche in diverse fasi di lattazione e livelli proteici della dieta. Il modello ha classificato due cluster con buona accuratezza evidenziando differenze tra i gruppi. Le vacche del cluster 2 hanno mostrato maggiori concentrazioni di EAA, ingestione di sostanza secca e produzione di latte per energia, ma minore efficienza dell’azoto rispetto al cluster 1 senza differenze nell’efficienza alimentare. I risultati confermano le evidenze di gruppo anche a livello individuale suggerendo potenziale per nutrizione proteica di precisione. Tuttavia sono necessari studi con dataset per chiarire le relazioni tra profili EAA e performance.

Introduzione

La letteratura scientifica evidenzia che l’integrazione con aminoacidi essenziali (EAA) può incrementare la produzione di proteine del latte nelle bovine da latte, con importanti ricadute economiche poiché il prezzo del latte è parzialmente legato al contenuto proteico conferito. In questo contesto, la nutrizione proteica di precisione e l’ottimizzazione dell’apporto di aminoacidi rappresentano strumenti strategici per migliorare la redditività degli allevamenti.

Le vacche da latte possiedono una notevole flessibilità metabolica nell’utilizzo dell’azoto e delle diverse fonti proteiche; tuttavia, l’aumento della proteina grezza (CP) senza un adeguato bilanciamento degli aminoacidi può incrementare le perdite di azoto urinario, con conseguenti criticità ambientali. Per questo motivo si sta progressivamente riducendo la CP delle diete, puntando invece a una maggiore efficienza nell’uso dell’azoto attraverso la formulazione mirata degli EAA.

Tra gli aminoacidi chiave nella nutrizione dei ruminanti emergono lisina (Lys) e metionina (Met), spesso limitanti nelle diete a base di mais, mentre istidina (His) e leucina (Leu) possono diventare limitanti in razioni ad alto contenuto di foraggi o a basso livello proteico. Studi sperimentali hanno inoltre dimostrato che combinazioni bilanciate di Lys, Met, His e Leu possono migliorare significativamente la produzione e la qualità proteica del latte.

Un indicatore chiave è la concentrazione plasmatica di EAA, che riflette dinamicamente l’equilibrio tra apporto dietetico, mobilizzazione delle riserve corporee e utilizzo metabolico. Evidenze recenti mostrano associazioni tra profili plasmatici di EAA ed efficienza alimentare, suggerendo che vacche più efficienti possano presentare concentrazioni inferiori di alcuni aminoacidi.

Una meta-analisi ha identificato due cluster di profili plasmatici di EAA associati a differenze in produzione di latte, grasso, proteine ed efficienza d’uso delle proteine metabolizzabili. Tuttavia, tali risultati derivano da dati medi di letteratura, lasciando incerta la loro validità a livello di singola vacca.

Per colmare questo limite, in questo articolo pubblicato su Journal of Dairy Science ad aprile 2026, vengono proposti approcci di machine learning supervisionato, in particolare la random forest, capace di gestire variabili complesse e interazioni non lineari. Questo modello può essere addestrato utilizzando concentrazioni e profili di EAA per classificare le vacche nei cluster identificati, verificando se le differenze osservate a livello di gruppo siano replicabili a livello individuale.

L’ipotesi principale è che le differenze tra cluster in termini di performance ed efficienza siano coerenti anche nella singola vacca. La validazione di questa ipotesi rafforzerebbe l’utilità dei cluster di EAA come strumento interpretativo per comprendere l’impatto della dieta sul metabolismo proteico.

Infine, lo sviluppo di uno strumento applicativo per la classificazione delle vacche potrebbe supportare la nutrizione proteica di precisione, facilitando l’integrazione tra dati plasmatici, strategie alimentari e previsioni produttive, con potenziali applicazioni nella gestione avanzata degli allevamenti.

Materiali e metodi

Gestione delle vacche e analisi della dieta

Tutte le procedure sperimentali sono state approvate dal comitato etico dell’Università del Wisconsin-Madison (protocollo A005043-R01-A03). Lo studio di Letelier et al. (2022b) ha incluso 62 vacche Holstein pluripare, stratificate in base allo stadio di lattazione in quattro gruppi (inizio, medio-inizio, medio-fine e fine lattazione). Dopo un periodo di adattamento di due settimane con dieta controllo, gli animali sono stati alimentati per otto settimane con diete caratterizzate da livelli crescenti di proteina grezza (13,6%–18,3% su SS).

La razione totale mista (TMR) è stata somministrata una volta al giorno e la mungitura effettuata tre volte al giorno. Durante l’intero periodo sperimentale sono stati registrati quotidianamente ingestione di sostanza secca (DMI) e produzione di latte, mentre la composizione del latte è stata valutata su campioni raccolti in sei mungiture consecutive settimanali mediante analisi strumentale.

Campionamento del sangue e analisi degli EAA

Il sangue è stato prelevato alla settimana 4 e 8 dalla vena coccigea in provette contenenti K3-EDTA. Per ridurre la variabilità legata ai ritmi circadiani, ogni vacca è stata campionata sei volte in tre giorni consecutivi a orari differenti, coprendo diverse fasce della giornata.

Dopo centrifugazione e separazione, il plasma è stato conservato a −20 °C fino all’analisi. I campioni sono stati successivamente scongelati, combinati per vacca e settimana in volumi uguali e analizzati mediante cromatografia liquida accoppiata a spettrometria di massa con standard isotopico. La metionina è stata considerata come somma di Met e metionina solfossido, mentre Asn e Asp sono stati aggregati come Asx e Glu e Gln come Glx, per ridurre la variabilità analitica e rappresentare meglio i pool metabolici.

Formazione del modello

Per la classificazione dei profili plasmatici di aminoacidi essenziali (EAA) è stato utilizzato il dataset della meta-analisi di Letelier et al. (2022a), nel quale erano stati identificati due cluster tramite analisi gerarchica su residui di modelli misti. Tali cluster sono stati utilizzati come variabile di risposta per l’addestramento di un modello supervisionato basato su random forest, utilizzando concentrazioni e profili percentuali degli EAA come predittori.

L’intero processo di modellazione è illustrato nella Figura 1, che mostra la costruzione del modello sui dati di letteratura, la validazione predittiva tramite cross-validation, l’applicazione a dati individuali e il confronto tra le risposte produttive dei cluster, fino allo sviluppo di uno strumento applicativo per la classificazione delle vacche.

Addestramento finale e inferenza su nuovo dataset

Dopo la validazione, il modello è stato riaddestrato sull’intero dataset della meta-analisi per massimizzare la capacità predittiva. Successivamente è stata valutata l’importanza delle variabili per identificare quali EAA contribuissero maggiormente alla classificazione dei cluster.

Il modello è stato quindi applicato a un dataset indipendente di 62 vacche dello studio sperimentale di Letelier et al. (2022b), stratificate per stadio di lattazione e livelli di proteina grezza della dieta. Le inferenze sono state effettuate in due momenti distinti, alla settimana 4 e alla settimana 8, per valutare la coerenza temporale dell’assegnazione ai cluster durante l’avanzamento della lattazione.

Analisi statistica

Le differenze tra cluster sono state valutate mediante modelli misti lineari. Il primo modello ha considerato la concentrazione e il profilo degli EAA come variabili dipendenti includendo effetti fissi di cluster e settimana, oltre alla loro interazione, con l’animale come effetto casuale.

Il secondo modello è stato utilizzato per le variabili produttive ed ha incluso covariate individuali come peso corporeo e giorni di lattazione, oltre alla parità, al cluster, alla settimana e alle relative interazioni, permettendo di correggere la variabilità individuale pre-trattamento.

Un ulteriore modello è stato applicato alla rianalisi dei dati di letteratura comprendenti 22 studi, includendo lo studio come effetto casuale per garantire confrontabilità tra risultati aggregati.

Sviluppo applicazione web

È stata sviluppata un’applicazione web in ambiente Shiny per la classificazione automatica dei profili plasmatici di EAA. L’interfaccia consente l’inserimento manuale dei dati o il caricamento in batch tramite file CSV, riducendo il rischio di errore grazie al calcolo automatico del profilo a partire dalle concentrazioni.

Il modello implementato verifica inoltre che i dati inseriti rientrino nell’intervallo di addestramento, limitando l’estrapolazione oltre il dominio del modello. I risultati vengono restituiti come assegnazione al cluster e possono essere esportati per analisi successive.

L’applicazione include anche un modulo di visualizzazione per confrontare i profili stimati con i valori di riferimento della letteratura di Letelier et al. (2022a), fornendo uno strumento operativo per la nutrizione proteica di precisione e per la gestione avanzata delle vacche da latte.

Risultati e discussione

Validazione incrociata

La validazione incrociata ha evidenziato prestazioni elevate e consistenti del modello di random forest nella classificazione dei due cluster basati su concentrazione e profilo degli EAA plasmatici. Con LOOCV, il cluster 1 ha mostrato F1 score pari al 90,9%, con recall 89,3%, precisione 92,6% e accuratezza 89,6%, mentre il cluster 2 ha raggiunto rispettivamente 87,8%, 90,0%, 85,7% e 89,6% . Con LOSOCV le performance risultano leggermente inferiori ma ancora solide, con F1 pari a 86,5% per il cluster 1 e 81,5% per il cluster 2, e accuratezza complessiva pari a 84,4% per entrambi i cluster.

Importanza delle variabili

L’analisi di importanza delle variabili del modello di random forest ha identificato la leucina come predittore principale, scalata al 100% e utilizzata come riferimento per le altre variabili. La valina ha mostrato un’importanza relativa pari a circa il 46,4%, mentre gli altri amminoacidi, inclusa la metionina, hanno contribuito in misura molto più limitata, con valori prossimi al 2,23% e all’1,50% (Figura 2).

Figura 2. Importanza delle variabili per la previsione dell’appartenenza al cluster in base alla concentrazione plasmatica di EAA (µM ) e al profilo (%). Le barre orizzontali rappresentano il contributo di ciascuna variabile alla capacità del modello di classificare le vacche nel cluster 1 o 2 in base alla loro concentrazione plasmatica di EAA e al profilo. I valori di importanza sono scalati in modo tale che la variabile più influente (Leu [µM ] ) sia impostata al 100%, con tutte le altre variabili espresse in percentuale rispetto a questo riferimento. Barre più lunghe indicano una maggiore influenza sulle prestazioni predittive del modello.

Correlazioni tra EAA

Le concentrazioni plasmatiche degli EAA risultano fortemente intercorrelate nella maggior parte dei casi, con eccezioni limitate per alcune relazioni specifiche. Le correlazioni più elevate sono state osservate tra valina e leucina (r = 0,74), valina e isoleucina (r = 0,73), leucina e isoleucina (r = 0,62) e lisina e leucina (r = 0,60), in accordo con quanto riportato in letteratura (Figura 3).

Figura 3. Coefficienti di correlazione di Pearson tra le concentrazioni plasmatiche di EAA. *0,01 < P ≤ 0,05; **0,001 < P ≤ 0,01; *** P ≤ 0,001; l’assenza di asterisco/i indica P > 0,05.

Distribuzione dei cluster e effetto della dieta e della lattazione

La distribuzione dei cluster varia in funzione del livello di proteina grezza della dieta e della fase di lattazione. Un aumento del contenuto proteico (dal 13,6% al 18,3%) è associato a una maggiore frequenza del cluster 2, mentre il cluster 1 diminuisce nelle stesse condizioni. Effetti simili sono osservati anche tra le diverse fasi di lattazione, sebbene la relazione con i DIM risulti meno consistente.

Concentrazioni plasmatiche e profilo degli EAA

Le vacche del cluster 2 mostrano concentrazioni plasmatiche totali di EAA più elevate rispetto al cluster 1 (751 vs 926 µM), mentre il profilo relativo degli EAA rimane complessivamente simile tra i gruppi (Figura 4). Le differenze sono più evidenti per gli amminoacidi a catena ramificata. Il solo contenuto proteico della dieta non spiega completamente la variabilità osservata, suggerendo un’interazione tra dieta e metabolismo individuale.

Figura 4. Differenza nella proporzione molare relativa della concentrazione plasmatica individuale di EAA come descritto da Letelier et al. (2022a ; % della concentrazione plasmatica totale di EAA) per le vacche del cluster 1 e del cluster 2. G1 = gruppo 1 di EAA; include His, Met e Phe (Trp non è stato incluso per coerenza con Letelier et al., 2022a ) G2 = gruppo 2 di EAA; include Arg, Lys, Ile, Leu, Thr e Val. † P ≤ 0,10; ** P ≤ 0,01; valore P mostrato sopra o sotto la barra quando P > 0,1.

Assunzione di sostanza secca, produzione lattea e composizione del latte

Le vacche del cluster 2 presentano una maggiore ingestione di sostanza secca e un maggiore apporto di azoto, associati a una produzione lattea più elevata rispetto al cluster 1. Tuttavia, le differenze nella composizione del latte risultano minime. Le rese di grasso, proteina e lattosio sono generalmente superiori nel cluster 2, mentre la composizione percentuale rimane stabile tra i gruppi.

Efficienza dell’utilizzo dell’azoto

L’efficienza di utilizzo dell’azoto (NUE) risulta leggermente superiore nel cluster 1 rispetto al cluster 2 (28,5% vs 27,7%). Questa differenza è coerente con il maggiore apporto di azoto nel cluster 2, associato a una maggiore ingestione di sostanza secca e a una maggiore produzione lattea.

Implicazioni applicative e strumento web

I risultati confermano che la classificazione basata su EAA plasmatici è in grado di distinguere gruppi di bovine con differenze produttive e metaboliche rilevanti. Per rendere applicabile il modello in contesti sperimentali e pratici è stato sviluppato uno strumento web di predizione, che consente la classificazione delle singole vacche o di dataset completi senza riaddestramento del modello. Il sistema facilita il confronto tra studi e rappresenta un primo passo verso applicazioni di nutrizione di precisione basate sul profilo aminoacidico plasmatico.

Conclusioni

Questo studio convalida l’applicazione del clustering degli EAA plasmatici a livello di singola vacca utilizzando un modello di apprendimento automatico supervisionato, confermando che i risultati precedentemente pubblicati sulle associazioni a livello di gruppo tra concentrazione e profilo di EAA e performance delle vacche da latte sono validi anche per i dati delle singole vacche.

Sebbene le concentrazioni dei componenti del latte non siano state influenzate dal clustering, le vacche classificate nel cluster 2 hanno mostrato maggiori concentrazioni di EAA plasmatici, DMI, produzione di latte, produzione di grasso e produzione di lattosio, nonché una ridotta NUE rispetto alle vacche classificate nel cluster 1. Questi risultati suggeriscono che la concentrazione e il profilo degli EAA plasmatici possono influenzare le vie metaboliche rilevanti per la produzione e l’utilizzo dell’azoto.

I risultati supportano il potenziale del clustering degli EAA per la ricerca sulla nutrizione di precisione e sottolineano la necessità di studi futuri per valutare gli effetti di diversi interventi dietetici sulla concentrazione e sul profilo degli EAA al fine di stabilire un nesso causale con le performance delle vacche da latte e la NUE.

Fonte: “Cow-level evaluation of plasma essential amino acid clusters and their association with lactating dairy cow performance and efficiency”, Guilherme L. Menezes, Paulina Letelier, Joao R.R. Dorea, Michael L. Sullivan, Laurie A. Reinhardt, Geoffrey I. Zanton, Michel A. Wattiaux. Journal of Dairy Science, Volume 109, Issue 4, April 2026. https://doi.org/10.3168/jds.2025-27455