叶南伟，李顺，韦伟，俞汶赛，罗武，刘宏程，陈杰

(南京农业大学动物科技学院，江苏 南京 210095)

肌内脂肪(intramuscular fat, IMF)含量与肉的口感、风味和嫩度密切相关，是影响猪肉品质的关键因素之一[1]。研究发现当IMF含量<2.0%时，肉的嫩度低、口感差，而IMF含量提高时，肉的嫩度明显提高，风味体验也较为理想，容易被消费者接受[2]。IMF是一个遗传力中等偏上的性状(h2=0.5)[3]。加强对IMF性状的选育，对猪肉品质提升有重要的意义。

超声波技术在畜牧生产中的应用，为猪IMF性状的选育带来了新的途径。运用超声波的特性可以分析动物组织的形态、大小、位置等特征。超声波技术最早被运用于人类医学，随后在上个世纪五六十年代，该技术被运用于家畜的活体测量中[4]。Hassen等[5]收集牛的超声扫描图像的参数，并建立活体IMF预测模型，并进行深入研究和改进，使该技术运用于牛肉质改良中。Ragland等[6]以猪的超声扫描图像参数、性别和第10根肋处背膘厚建立IMF预测模型，模型的确定性系数(R2)值为0.380，均方误差为1.04，证明通过实时超声波测量活体猪的IMF含量是可行的。Schwab等[7-8]在猪的第10至13根肋骨中间7 cm的处采集超声图像，预测猪的IMF含量，并估计IMF的育种值，进行遗传选育。通过6代的选育，IMF含量与对照组相比有显著的提高，并且得出超声预测IMF含量呈中等遗传(0.38)。

二花脸猪，具有性成熟早、产仔率高、繁殖寿命长、耐粗饲、性情温顺、肉质品质优异等优良特征[9]。二花脸猪IMF含量较高，但该性状在个体间变异大，有较大选育空间。本研究运用超声波技术，建立预测活体二花脸猪IMF含量模型，以期为二花脸猪的IMF性状选育提供更为便捷有效的方法和手段，降低选育成本，提高选育效率，缩短二花脸猪IMF性状的选育进程，有助于推动二花脸猪种质资源的创新与开发利用，夯实中国地方特有种质资源的保护和开发利用的基础，促进二花脸猪特色产业的发展。

1 材料与方法

1.1 试验材料

试验动物为94头纯种二花脸猪，由常州市焦溪二花脸猪专业合作社提供，试验猪群在相同的饲养条件和环境下生长。屠宰前1 d称量猪的体重，并使用探头频率为3.5 HZ盛诺维V5+兽用B超仪采集B超扫描图，使试验猪自然站立，用手去摸到猪左侧躯体的最后1根肋骨，沿着肋骨向上距背中线4～6 cm处(第12至13根肋骨处)涂抹适量菜籽油(提高图像清晰度和润滑作用，优于耦合剂)，B超探头垂直放置于此部位，微调探头得到清晰、完整的扫描图像。试验猪在江苏省江阴市澄记肉食屠宰场屠宰后，测量左侧胴体第12至第13根肋骨处背膘厚度并迅速采集相同部位背最长肌样品，液氮保存并送至南京农业大学动物科技学院测定IMF含量。

1.2 B超扫描图像分析

1.3 IMF含量测定

1.4 统计与分析

背膘预测模型的建立：选择图像中白色竖线所测量表皮到第3根亮线的深度UF为自变量，以屠宰后测量的背膘厚度为因变量，建立背膘厚预测模型。

IMF含量预测模型的建立：选取64头二花脸猪的数据，利用回归分析法在SPSS V20软件中进行分析，设定回归系数为95%的置信区间，以索氏抽提法测定IMF含量实际值为因变量，屠宰前重量、图像白线深度UF、预测参数X及相关图像灰度值作为自变量进行逐步回归分析，建立预测模型。

模型验证：另选30头二花脸猪的数据，根据模型计算得到的IMF含量(UIMF)，利用SPSS V20软件以实测值作为因变量，模型预测值作为自变量进行线性回归分析，并分析实测值与预测值的相关性。

结果均以“平均值±标准差”表示。

2 结果与分析

2.1 二花脸猪活体测定及IMF含量测定

对94头二花脸猪进行测定，屠宰前体重为(76.19±11.66)kg；背膘厚为(22.29±4.28)cm；实测CIMF为(4.76±2.02)%，其中最高CIMF含量为11.18%，最低CIMF含量为1.85%。

2.2 活体背膘厚测量分析

将活体预测结果与胴体测量结果进行相关性分析，结果得到两者之间的皮尔逊相关系数为0.872(P<0.01)，斯皮尔曼相关系数为0.822(P<0.01)，说明活体测量背膘厚与胴体测量背膘厚呈强相关系。再以活体预测结果为自变量，胴体测量结果为因变量，进行回归分析并建立线性模型，结果如图1所示，可以看出模型的决定系数为0.760。

图1 B超测量背膘厚与胴体测量背膘厚的线性回归方程

2.3 活体IMF含量预测模型构建

逐步回归分析结果表明自变量屠宰前体重被剔除，有3个自变量符合相关显著(P<0.05)，分别为预测参数X(P<0.01)、图像白线深度UF(P<0.01)和扫描区的平均灰度值N2(P<0.01)。模型的分析结果，可得模型决定系数R2和调整后R2分别为0.421、0.392，F值为14.533(P<0.01)，校验差异极显著，表明拟合结果有效。

得到的预测回归模型为：预测UIMF=0.826X+0.178UF-0.096N-0.371。

2.4 预测回归模型的验证

为验证模型的准确性，另选30头二花脸猪的数据，根据建立的模型计算UIMF值，计算CIMF与UIMF之间的相关性并以CIMF为因变量，UIMF为自变量进行线性回归分析，结果如图2所示，R2和调整后R2分别为0.412、0.391。CIMF与UIMF之间的皮尔逊相关系数和斯皮尔曼相关系数分别为0.642、0.594，属于强相关。结果表明利用B超预测活体二花脸猪IMF含量具有可行性。

图2 二花脸猪IMF含量实测值与预测值的分析

3 讨论

人们普遍认为，IMF对猪肉的风味，多汁性，嫩度以及整体可接受性产生积极影响[10]。提高IMF含量能有效提升肉品质，更好地满足人们对于肉质的追求，对于IMF性状的选育非常关键。而超声活体预测方法，能够无损、便捷地测量猪IMF含量，这对于猪IMF性状的选育有重要的意义。Suzuki等[11]利用实时超声预测，对杜洛克猪的生长速率，背膘厚度和IMF等进行了七代选择，结果显示生长速率、背膘厚度的选育未达到预期效果，而第七代猪IMF的平均育种值超过了预期，IMF含量平均水平达到了5.0%，说明超声活体预测能够有效促进猪IMF性状的选育。

本试验以二花脸猪为研究对象，根据实验室前期构建的B超预测活体二花脸猪IMF含量的方法，成功构建并改进二花脸猪IMF含量预测模型，模型中的3个参数，背膘厚度、预测参数和扫描区的平均灰度值都达到显著水平，得到的预测模型决定系数R2=0.421，皮尔逊相关系数r=0.654。经检验得到实际IMF含量与真实IMF含量的皮尔逊相关系数r=0.642，斯皮尔曼相关系数为0.594。Ragland等[6]基于超声波测量，利用逐步回归分析，建立活体猪IMF含量预测模型。最终得到最优模型以扫描图获取的部分参数、第10根肋骨处的背膘厚和性别作为自变量，模型确定性R2=0.380，均方误差MSE=1.04。马小军等[12]利用超声波图像预测活体北京黑猪IMF含量，以实际IMF含量为因变量，背膘厚、体质量、眼肌面积、眼肌深度和图像参数为自变量，建立回归预测模型，结果包括背膘厚、眼肌面积和7个图像参数达到显著水平，并运用于预测模型的参数，得到的预测模型的决定系数R2=0.305 8，均方误差根MSE=0.006 5，检验后得到皮尔逊积矩相关系数r=0.553 4。张雄等[13]以香江猪为研究对象，建立IMF预测模型，结果显示背膘厚度、灰度平均和梯度熵3个参数指标达到显著水平，模型的决定系数R2=0.369，检验得到皮尔逊积矩相关系数r=0.592。本研究构建的IMF预测模型决定系数，预测值与实际值的相关系数与Ragland等[6]、马小军等[12]和张雄等[13]的试验结果相比有所提高，说明本研究建立的超声预测活体猪IMF含量的方法准确性较高，可以运用于二花脸猪IMF性状的遗传选育。

本研究使用B超仪扫描猪左侧躯体的最后1根肋骨，获取B超扫描图，使用Adobe Photoshop CS6软件处理扫描图像，直接获取灰度值信息，选取眼肌轮廓部分平均灰度值，以第3条亮线为内参，扫描区平均灰度值和总体平均灰度值等图像灰度参数，并加入背膘厚参数，运用线性回归分析，建立最佳预测模型。相较于前人从超声图像种获取参数信息时，需要通过编写程序代码，本研究所建立的方法更加直接和简便，且效果较好。

Kvam等[14]利用超声图像，建立预测活体猪IMF的方法，结果显示当个体IMF含量中等或较低时(<6%)，预测结果与实际测量值的相关性r=0.820，而当个体IMF含量较高时(>6%)，其相关性降低至r=0.142。说明该超声预测方法在中低等IMF含量的预测上表现优异，但不适用于高IMF含量的预测。Newcom等[3]运用开发的模型来分别预测杜洛克猪、约克夏猪和2种猪混群的IMF含量，结果显示对于3种猪群体的IMF含量预测准确度不同，准确度最高的是IMF含量均值最高的杜洛克猪。侯明俸等[15]分别选取皮杜长大和皮杜长蓝2种四元杂交商品猪进行超声预测模型分析，得到2种猪群IMF含量测定值与实际值之间的相关系数分别为0.627和0.672，而相关系数较高的皮杜长蓝品种猪的IMF含量均值也是相对较高。以上的研究表明，针对不同品种、不同IMF含量的猪，所建立的IMF含量预测模型的准确度也不同，表现为在一定范围内，IMF含量较高的群体，预测模型的准确性也会相对较高。本试验是以IMF含量差异较大的二花脸猪数据为基础建立的模型，具有较广范的适用范围，预测准确性较高。

张金霜等[16]根据B超扫描图中不同的灰阶，将实际IMF含量看作白色像素和黑色区域2个值分割后的比值，从实际IMF推测得到图像的分割阈值，并以此代替实际IMF作为因变量，建立预测活体杜洛克猪IMF回归模型，结果得到预测IMF含量与实际值的皮尔逊相关系数r=0.669。由此可以看出，使用图像的分割阈值作为因变量，能使模型对图像特征参数更加敏感，可以降低参数选取的难度。随着图像分析技术的进步和选育工作的推进，IMF含量的预测模型需要不断的更新、优化，以提高预测的准确性。