Inicia sesión | Regístrate

Avances en la nutrición de fibra en animales monogástricos: ¿en dónde estamos?

i
Autor: Jae Cheol Kim
Colaboradores: Alejandro Criado

 

INTRODUCCIÓN


Si bien la fibra es uno de los componentes menos reconocidos con confianza en los piensos por los nutricionistas de animales monogástricos, su papel y función con respecto a la digestibilidad de los nutrientes y la salud intestinal en relación con la microbiota residual, está siendo investigada cada vez más. Sin embargo, la definición y medición de la fibra de dieta todavía genera confusión entre la mayoría de los nutricionistas, donde buscan evaluar la función de la fibra en el lumen intestinal y su interacción con la microbiota comensal y patógena. Desde la perspectiva de los nutricionistas monogástricos, en este artículo, se examinará la compresión actual de la fibra y los avances en la medición a través de la aplicación de la tecnología de espectroscopía de reflectancia infrarroja cercana (NIR), discutiendo cómo la información generada por el análisis de fibra puede ser mejor utilizada en una formulación práctica.


CLASIFICACIÓN DE LA FIBRA DE DIETA Y LAS FRACCIONES FUNCIONALES PRINCIPALES DE LA FIBRA EN LOS PIENSOS COMUNES


La fibra cruda se ha utilizado durante mucho tiempo junto con fibras detergentes que se determinan predominantemente por el método gravimétrico después de una serie de hidrólisis en un medio ácido/detergente. Estas clasificaciones tradicionales de fibra se abordan solo en parte en las diferentes fracciones de fibra de dieta (Tabla 1). Por ejemplo, la fibra cruda solo representa entre el 21-56% de la fracción total de fibra de dieta y depende del contenido de celulosa y lignina de diferentes piensos, ya que la fibra cruda solo detecta parte de la celulosa y la lignina. Similarmente, la fibra detergente neutra (FDN), que es la clasificación más usada en la formulación de dietas comerciales, representa del 63-100% del total de la fibra de dieta y depende del contenido de hemicelulosa y pectina en los diferentes ingredientes del alimento, ya que la FDN no selecciona la pectina y solo recoge partes de hemicelulosa (Choct, 2015). Por lo tanto, con la clasificación tradicional de la fibra, los nutricionistas han estado ignorando una gran parte e importante de las fracciones de fibra que es la hemicelulosa/pectina o la mayor parte de los polisacáridos no celulósicos. Por ello, es claro y hay poco desacuerdo entre los nutricionistas de que debemos cambiar al análisis y aplicación de polisacáridos no amiláceos (PNAs) de la fibra cruda tradicional o la FDN. Una vez que los PNAs sean usados para la evaluación y formulación de ingredientes seremos capaces de avanzar en nuestro conocimiento en términos de los requerimientos cuantitativos de diferentes fracciones de fibra para necesidades variables. Por ejemplo, deberíamos ser capaces de entender a qué proporción de PNAs solubles de un ingrediente específico (por ejemplo, trigo o pulpa de cítricos) se puede causar un aumento de la viscosidad intestinal, o a qué proporción de PNAs insolubles de un ingrediente específico (por ejemplo, salvado de trigo o salvado de arroz) puede reducirse la proliferación de patógenos sin comprometer la digestibilidad de nutrientes.

 


MEDICIÓN DE FIBRA A TRAVÉS DE NIR


La estimación más precisa de fibra es el análisis de la fibra total de dieta, es la suma de polisacáridos no amiláceos y lignina al medir manómeros individuales. Sin embargo, la práctica de hidrolizar fibra a sus monómeros constituyentes a través de una serie de hidrólisis enzimática/química y la posterior cuantificación de los monómeros mediante cromatografía de gases o cromatografía líquida de alto rendimiento es costosa, laboriosa y requiere mucho tiempo. Con el costo actual y la velocidad del análisis químico húmedo de PNAs, es poco probable que la industria comercial adopte los PNAs como una medida de rutina para la evaluación de ingredientes o la formulación de dietas. Debido a la justificación mencionada anteriormente, AB Vista ha invertido una cantidad significativa de esfuerzo y fondos de investigación para desarrollar una plataforma de predicción de PNAs usando la tecnología NIR. El proyecto incluyó una colección de 1,700 muestras durante 5 años, incluyendo los principales ingredientes de cereales, proteínas y fibra de 24 países que cubren la mayoría de los países que producen la mayor cantidad de ingredientes para alimentos. En las muestras se incluyeron cereales (trigo, maíz, cebada, sorgo, arroz, avena, mijo y triticale, etc.), proteínas (harina de soya, soya con grasa, harina de canola, harina de maní y harina de gluten de maíz) e ingredientes de fibra (DDGs, salvado de trigo, salvado de arroz, cáscara de soya, harina de yuca, harina de girasol, etc.) Se analizaron muestras molidas (1 mm) para PNAs usando el método por Englyst et al. (1994) y se escanearon a través de un NIR de sobremesa (Foss DS2500 con un rango de onda de 400-2500 nm, con una resolución de 0.5 nm) para recopilar la información de espectros. Se modelaron varios modelos de predicción usando diferentes pretratamientos: espectros de absorbancia sin procesar, primera derivada y segunda derivada; con y sin preprocesamiento de Varianza Normal Estándar (SNV). Cuando se usaron 2 tratamiento matemáticos, el SNV se aplicó después de la derivada. Debido al número limitado de muestras, se decidió evaluar el rendimiento de cada modelo de predicción a través de validación cruzada. El número óptimo del factor se eligió en función del error cuadrático medio de la validación cruzada (RMSECV). El mejor modelo de predicción se seleccionó observado las estadísticas de cada ecuación con base en el coeficiente de determinación (R2), el error estándar de validación cruzada (EEVC) y la RPDSEC (relación de la desviación estándar al error estándar de la calibración).


Las estadísticas de las calibraciones desarrolladas se presentan en la Tabla 2. Lo que suele ser más preocupante para la industria y los nutricionistas es la precisión de la predicción cuando un ingrediente del alimento se ha escaneado a través de una calibración NIR. Los errores de predicción, tales como el error estándar de validación cruzada (EDVC) pueden usarse para estimar el rango de variación para la predicción. Por ejemplo, el contenido total de PNAs de los cereales puede predecirse dentro de un rango de error de ±2.24% con un 95% de confianza (EEVC x 2, 1.12 x 2= 2.24). La precisión de una calibración NIR puede aumentarse cuando la calibración cubre una variación amplia. El contenido de PNAs de granos de cereal es menor y menos variable en comparación con las harinas de proteínas y los ingredientes de la fibra y, por lo tanto, el coeficiente de determinación (R2) de las calibraciones de cereales es menor que el de las otras calibraciones, aunque todavía muestre una precisión razonable de practicabilidad. El RPD es un índice de robustez de una calibración. Una calibración con RPD entre 2-3 es considerada como una calibración razonable para la detección y el control de calidad, mientras que una calibración con RPD >3 se considera como una calibración robusta para remplazar potencialmente la química húmeda (Williams 2014). Las estadísticas presentadas muestran claramente que las calibraciones de PNAs desarrolladas para cereales, harinas de proteínas e ingredientes de fibra son robustas y ofrecen un potencial para la evaluación rutinaria de materia prima. El equipo NIR de AB Vista actualizará regularmente estas calibraciones como parte del mantenimiento anual de las calibraciones, lo que mejorará aún más la previsibilidad en el futuro.

 


IMPACTO DE LA FIBRA EN LA NUTRICIÓN Y LA SALUD INTESTINAL DE ANIMALES MONOGÁSTRICOS


Existen varias publicaciones que investigan el impacto de la fibra en la nutrición y la salud intestinal en animales monogástricos. Sin embargo, dado que la mayoría de estas usan mediciones de fibra tradicionales como el tratamiento, es difícil interpretar los resultados claramente y se crea confusión. Sin embargo, si resumimos el conocimiento actual de este tema, entonces puede resumirse en algunos puntos.


• Aumentar el contenido de PNAs solubles en la dieta aumenta de viscosidad de la digesta e incrementa el tiempo de retención de la digesta en el tracto gastrointestinal (TGI), lo que generalmente resulta en la digestibilidad reducida de nutrientes e incrementa la incidencia de diarrea por disbiosis bacteriana (Kim et al., 2012; Pascoal et al., 2012).


• Sin embargo, el nivel de PNAs solubles que no aumentaría la viscosidad intestinal será utilizado por la microbiota en el intestino grueso, se contribuirá al conjunto de energía de todo el cuerpo.


• Aumentar el contenido de PNAs insolubles en una dieta, generalmente aumenta la velocidad de paso de la digestión en el TGI y, por lo tanto, reduce la digestibilidad de nutrientes y aumenta la pérdida de aminoácidos endógenos.


• Sin embargo, se sabe que incluir cantidad bajas (2-4%) de PNAs insolubles (es decir, salvado de avena o salvado de trigo) para prevenir la retención prolongada de digesta en el TGI reduce el riesgo de sobrecrecimiento bacteriano (disbacteriosis) en el intestino delgado (Molist et al., 2010). Además, se ha reportado que una pequeña cantidad de fibra insoluble aumenta la ingesta de alimento de los animales a medida que aumenta el paso de la digesta.


• Un nivel de PNAs insolubles que aumenta el paso de la digesta demasiado rápido reducirá la digestibilidad de nutrientes en el intestino delgado, mientras que un nivel de PNAs insolubles que no comprometa la digestibilidad de nutrientes pero que aumente la ingesta de alimento mejorará el rendimiento de los animales.


• No entendemos mucho de toda la comunidad microbiana en el TGI y cómo responden a diferentes dietas. Sin embargo, se ha demostrado que aumentar el flujo de fibra fermentable en el intestino grueso aumenta la producción de ácidos grasos volátiles (AGVs) lo que es una fuente de energía significativa para los animales monogástricos y también disminuye la producción de ácidos grasos de cadena ramificada, lo que es un indicador para la fermentación de proteína (Kim et al., 2012).


• Entre las fracciones variables de fibra, parece que la entrada de xilo-oligosacáridos en el ciego/intestino grueso aumenta más efectivamente la producción de AGVs, mientras que la entrada de oligosacáridos generados a partir de polisacáridos pécticos no aumenta efectivamente la producción de AGVs. Investigaciones adicionales de tal interacción entre los diferentes tipos de oligosacáridos y la fermentación microbiana solo es posible midiendo la composición de azúcar de la fibra de dieta a través del análisis de PNAs.


• No solo el ácido butírico sino también los ácidos propiónicos o AGVs totales, en general, regulan la producción de IgA secretora en la lámina propia y también la producción de IgG en los tejidos sistémicos tales como bazo (Kim et al., 2018). Por lo tanto, el aumento de la producción de AGVs mediante el cambio de la microbiota comensal a una fibra más fermentable fortalecerá la barrera mucosa y también la inmunidad sistémica de los animales monogástricos.


Sin embargo, la respuesta animal al tipo y la cantidad variable de fibra será variable y dependerá de; el estado fisiológico del animal, la comunidad microbiana residual en un rebaño, las condiciones ambientales y el estado de enfermedad/inmunidad de los animales. Por ejemplo, la cantidad de fibra soluble que dispara la viscosidad intestinal será diferente dependiendo de la edad del animal, ya que la microbiota residual en el TGI está mucho más desarrollada y madura en animales más viejos (Fischer, 2003). Respecto a esto, la misma cantidad de PNAs solubles que causan problemas de indigestión asociados a la viscosidad en animales jóvenes puede contribuir a una mayor extracción de energía en animales mayores, específicamente cuando la microbiota madura fermenta la fibra soluble en el intestino grueso sin causar problemas de viscosidad en el intestino delgado. Del mismo modo, el cambio de la microbiota es un rebaño debido al estrés ambiental y el brote de enfermedad clínica o subclínica alterará la respuesta a la diferente fracción de PNAs de la dieta.


DESARROLLOS FUTUROS


Desafortunadamente, nuestro entendimiento de estas interacciones complejas entre los PNAs de la dieta, la microbiota residual y los factores externos como la enfermedad y el estrés ambiental, que tienen ramificaciones significativas en la propiedad fisicoquímica de la digesta, es crucialmente limitado. Sin embargo, en las últimas 2 décadas hemos observado a los nutricionistas avanzar en su conocimiento del uso de proteína cruda a través de aminoácidos totales, aminoácidos digeribles ileales aparentes y aminoácidos digestibles ileales estandarizados actuales. Desde este punto de vista, no hay duda de que la calibración NIR para PNAs puede ser un excelente paso para avanzar en nuestro conocimiento para avanzar hacia el logro de un concepto de nutrición de precisión en fibra de dieta para animales monogástricos. Por ejemplo, realizar un escaneo NIR de PNAs de manera rutinaria en los ingredientes principales y monitorear los cambios en las variables objetivo tales como el rendimiento o la prevalencia de la enfermedad entérica, puede mejorar nuestra compresión sobre la influencia del tipo/proporción de los PNAs en la fisiología digestiva de los animales monogástricos, lo que no ha sido posible sin la calibración NIR para los PNAs, debido al alto costo y tiempo requerido para la química húmeda del ensayo de PNAs.


REFERENCIAS


Kim, J.C., Hansen, C.F., Mullan, B.P., Pluske, J.R. (2012). Nutrition and pathology of weaner pigs: Nutritional strategies to support barrier function in the gastrointestinal tract. Animal Feed Science and Technology 173, 3-16.

Kim, M., Qie, Y., Park, J., Kim, C. H. (2018). Gut microbial metabolites fuel host antibody response. Cell Host & Microbe 20, 202-214.

Molist, F., de Segura, G., Perez, J. F., Bhandari, S. K., Krause, D. O., Nyachoti, C. M. (2010). Effect of wheat bran on the health and performance of weaned pigs challenged with Escherichia coli K88+. Livestock Science 133, 214-217.

Pascoal, L., Thomaz, M., Watanabe, P., Ruiz, U., Ezequiel, J., & Amorim, A. 2012. Fiber sources in diets for newly weaned piglets. Revista Brasileira de Zootecnia 41, 636-642.

COMENTAR ESTE ARTÍCULO

S

Para comentar sobre este artículo es necesario ser un usuario registrado.






Olvidé mi contraseña

Si aún no tienes tu cuenta, puedes crearla fácilmente y disfrutar de contenido exclusivo.