sử dụng kỹ thuật quang phổ hấp phụ cận hồng ngoại (near
infrared reflectance spectroscopy - NIRS) để chẩn đoán
thành phần hoá học củathức ăn, phân gia súc, gia cầm
Vũ Chí Cơng
1
, Phạm Kim Cơng
1
, Đoàn Thị Khang
2
và Dơng Thị Thu Anh
2

1
Bộ môn Nghiên cứu Bò;
2
Phòng Phân tích thức ăn và SPCN

1. Đặt vấn đề
Kỹ thuật quang phổ hấp phụ cận hồng ngoại (Near Infrared Reflectance
Spectroscopy viết tắt là NIRS) là kỹ thuật đã đợc biết đến từ lâu và hiện nay đã
đợc ứng dụng rộng rãi vào nhiều lĩnh vực: xác định lợng nớc trong ngũ cốc và
các loại hạt (Norris và Hart, 1965) xác định thành phần hoá học và tỷ lệ tiêu hoá
của cỏ khô, các thức ăn thô khô (Abrams và cộng sự 1987; Lippke and Barton, 1988
và Brown và cộng sự, 1990), thức ăn ủ chua (Sinnaeve và cộng sự 1994; Park và
cộng sự 1998), cỏ tơi (Norris và cộng sự 1976; Shenk và cộng sự 1977 and

và phát triển mô hình, sử lý số liệu khó, chuyển đổi số liệu từ các máy khác nhau về
serie khá khó khăn (Given và Deaville, 1999) Với mục đích ứng dụng NIRS để
xây dựng phơng trình chẩn đoán thành phần hoá học của thức ăn, phân tiến tới xây
dựng phơng trình chẩn đoán tỷ lệ tiêu hoá và giá trị dinh dỡng của thức ăn chúng
tôi tiến hành đề tài này.
2. Vật liệu và phơng pháp nghiên cứu
2.1. Nguyên lý của phơng pháp
Theo William và cộng sự., (1998) thì nguyên lý của phơng pháp này nh
sau: Thành phần của cây cỏ và mô động vật đợc phản ánh ở loại hình cầu nối giữa
các nguyên tử hoặc các nhóm nguyên tử (nhóm chức năng - functional groups),
chúng cấu tạo nên các mô sinh học và thông tin về các nhóm này có thể có đợc
thông qua các dạng quang phổ khác nhau. Khi một mẫu của chất hữu cơ nào đó
đợc chiếu sáng các cầu nối này liên tục dao động hoặc dãn ra hoặc co lại. Sự dao
động này tạo ra một kiểu vận động dạng sóng trong các cầu nối ở một tần số đặc
trng cho từng nhóm chức năng. Những tần số của ánh sáng tới phù hợp với tần số
của sóng dao động bị hấp phụ, trong khi những tần số khác hoặc bị phản xạ hoặc đi
qua. Vùng cận hồng ngoại (750-2500nm) đợc các cầu nối C-H, N-H, O-H - là các
thành tố cơ bản tạo nên các chất hữu cơ của mô sinh học hấp phụ. Nh vậy các
thành tố hoá học của mô qui định bản chất và số lợng của các cầu nối này và do đó
qui định độ dài bớc sóng hấp phụ và số lợng ánh sáng bị hấp phụ. Phổ ánh sáng
phản xạ từ các mẫu chứa đựng các thông tin về thành phần hoá học của mẫu đó. Từ
phổ thu đợc về các cầu nối đặc trng cho một chất nào đó của một số mẫu nhất
định nhờ một phần mềm ví dụ winisi mà chúng ta đang dùng chúng ta có đợc
một ma trận các giá trị số của phổ cho một chất hữu cơ nào đó (ví dụ protein thô).
Vì mẫu đồng thời cũng đợc phân tích thành phần hoá học nên chúng ta có đợc
2

x
21
y
2
y
2

. WinISI . .
. . .
x
n1
y
n
y
n
Phơng trình chẩn đoán của NIRS cho chất A

2.2. Các mẫu thức ăn, phân sử dụng trong nghiên cứu
Mẫu sử dụng trong thí nghiệm gồm: bột cá, cám gạo, đậu tơng và cỏ trong
thí nghiệm in vivo trên cừu và phân cừu trong thí nghiệm tiêu hoá in vivo đang đợc
tiến hành tại Viện chăn nuôi. Các mẫu sau khi đợc sấy khô ở 45 0C trong 24 giờ
đợc nghiền đến 1 mm để phân tích thành phần hoá học và chạy quét phổ trên máy
NIRS monochromator 5000 của hãng Foss, USA.
2.3. Phân tích thành phần hoá học
Thành phần hóa học thức ăn, phân đựơc phân tích tại phòng Phân tích thức

2
X
2
+ + b
i
X
i
+ b
p
X
p

Trong đó: Y là kết quả phân tích phòng thí nghiệm của chất A nào đó
X là kết quả chẩn đoán với NIRS
b: hệ số
. Kết quả và thảo luận
3.1. Kết quả nghiên cứu
3.1.1. Kết quả xây dựng phơng trình chẩn đoán chất khô (DM) và protein thô
(CP) của bột cá
Kết quả xây dựng phơng trình chẩn đoán DM và CP của bột cá từ NIRS
đợc trình bày ở các bảng 1, 2, 3 và đồ thị 1, 2. Kết quả này cho thấy phơng trình
chẩn đoán DM và CP của bột cá bằng NIRS có r từ khá (83,8 %) đến cao (91,61%)
với SEC (Standard error for callibration)-sai số của phép đo chấp nhận đợc (0,88
đến 1,44 %), và sai số của phép đo sau khi đã hiệu chỉnh SECV (Standard error for
cross validation) cũng đủ nhỏ để không gây sai số quá lớn của phép đo (0,94 % đến
1,94%).
Bảng 1
. Kết quả phân tích DM, CP của bột cá trên máy NIRS
Chỉ tiêu n Mean SD Min Max SEC SECV
DM 143


k
k
h
h
ô
ôNIRS 143 89,01 1,73 83,82 94,20
Lab 143 59,141 4,84 37,900 68,02 CP
NIRS 143 59,43 4,47 46,00 72,85

Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% CP) Bt
cỏ
y = 0.8369x + 9.8278
R
2
= 0.8392
0
10
20
30
40
50
60
70
80
0 10 20 30 40 50 60 70 80
Lab
=

0,742 x DMbotcaNIRS 0,7023 83,8 0,001
CP bột cá Y
2
143= 0,8369 x CPbotcaNIRS 0,8392 91,61 0,001

Với r

từ khá cao đến cao và sai số không lớn nên không có sự sai khác lớn về
các giá trị: Mean SD, Min và Max của DM và CP của bột cá phân tích phòng thí
nghiệm và chạy trên máy NIRS.
3.1.2. Kết quả xây dựng phơng trình chẩn đoán protein thô, xơ thô của cám gạo
Bảng 4
. Kết quả phân tích CP, CF của cám gạo trên máy NIRS
Thành phần N Mean SD Min Max SEC SECV

CP 30 11,31 2,27 4,49 18,13 0,68 0,83
CF 28 12,04 3,68 0,99 23,09 0,89 1,47

2015105
20
15
10
5
S 1.89347
R-Sq 79.7%
R-Sq(adj) 79.0%
Fitted Line Plot
CF_Cam_Lab = 1.181 + 0.9283 CF_Cam_Nirs

Đồ thị 3; 4. Hồi qui giữa CP, CF của cám gạo phân tích phòng thí nghiệm và chẩn
đoán trên NIRS

Bảng 6
. Phơng trình hồi qui chẩn đoán CP và CF của cám từ CP, CF trên máy
NIRS
Chỉ tiêu n Phơng trình R
2
(%)

r (%) P (<)
CP của cám Y
3
38

=

- 0,0003 + 1,000 CPNIRS


. Kết quả phân tích DM, CP, Fat và CF của đậu tơng trên máy NIRS
Chỉ tiêu N Mean SD Min Max SEC SECV
DM 60

89,40 0,72 87,25 91,55 0,32 0,349
CP 60

46,59 1,41 42,36 50,82 0,752 0,801
Fat 57

1,31 0,44 0,47 2,64 0,31 0,382
CF 59

6,18 0,74 3,96 8,38 0,59 0,645

Bảng 8
. Kết quả phân tích DM, CP, Fat và CF của đậu tơng và kết quả NIRS
Chỉ tiêu n Mean SD Min Max
Lab 60 89.457 0.74 88.290 91.40
D
D
M
MNIRS 60 89,40 0,72 87,25 91,55
Lab 60 46.59 1.41 43.25 50.39 CP
NIRS 60 46,59 1,41 42,36 50,82
Lab 57 1.36 0.52 0.07 3.27 Fat
NIRS 57 1,31 0,44 0,47 2,64

47
48
49
50
51
42 43 44 45 46 47 48 49 50 51
Lab
NIR
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% Fat)
y = 0.4738x + 0.6831
R
2
= 0.5304
0
0.5
1
1.5
2
2.5
0 0.5 1 1.5 2 2.5 3 3.5
Lab
NIR

Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% CF)

R
2
r (%) P (<)
DM của đậu tơng Y
5

60
0,7232 x DMDTNIRS + 24,7
0,6456

80,34 0,001
CP của đậu tơng Y
6

60
0,7305 x CPDTNIRS + 12,557
0,7305

85,47 0,001
Fat của đậu tơng Y
7

57
0,4738 x FatDTNIRS + 0,6831
0,5304

72,83 0,001
CF của đậu tơng Y
8


CF 37

30,41 3,35 20,37 40,46 0,72 1,24

Bảng 11
. So sánh kết quả phân tích DM, CP, Fat và CF của cỏ với kết quả NIRS
Chỉ tiêu n Mean SD Min Max
Lab 39 18,46 4,83 10,48 27,32
C
C
K
KNIRS 37 18.38 4,93 3,58 33,17
CP Lab 39 11,12 3,65 4,92 20,07
NIRS 37 10,68 3,16 1,20 20,15
Lab 39 1,98 0,49 1,04 3,38 Mỡ
NIRS 37 1,92 0,416 0,68 3,15
Lab 39 30,20 3,58 21,21 36,10 CF
NIRS 37 30,41 3,35 20,37 40,46
Bảng 12. Phơng trình hồi qui chẩn đoá DM, CP, Fat và CF của cỏ trên máy NIRS
Chỉ tiêu n Phơng trình R
2

thí nghiệm và chẩn đoán trên NIRS
DM_Co_Nirs
DM_Co_Lab
28262422201816141210
28
26
24
22
20
18
16
14
12
10
S 1.22444
R-Sq 93.7%
R-Sq(adj) 93.6%
Fitted Line Plot
DM_Co_Lab = 0.8393 + 0.9658 DM_Co_Nirs

CP_Co_Nirs
CP_Co_Lab
17.515.012.510.07.55.0
20.0
17.5
15.0
12.5
10.0
7.5
5.0

26
24
22
20
S 0.967966
R-Sq 92.9%
R-Sq(adj) 92.7%
Fitted Line Plot
CF_Co_Lab = - 0.943 + 1.026 CF_Co_Nirs

Kết quả xây dựng phơng trình chẩn đoán DM, CP, Fat và CF của cỏ từ
NIRS đợc trình bày ở các bảng 10, 11, 12 và đồ thị 9, 10, 11, 12. Kết quả này cho
thấy trừ trờng hợp Fat (r không cao: 82,7 %) các phơng trình chẩn đoán DM, CP
và CF của cỏ bằng NIRS có r cao (96,75; 95,18 và 96,28 %) với SEC (Standard
error for callibration)-sai số của phép đo chấp nhận đợc (0,76; 0,42 và 0,72%), và
sai số của phép đo sau khi đã hiệu chỉnh SECV (Standard error for cross validation)
cũng đủ nhỏ để không gây sai số quá lớn của phép đo (0,97; 0,65 và 1,24%).
Với r
2
cao và sai số không lớn nên không có sự sai khác về các giá trị: Mean
SD, Min và Max của DM, CP và CF của cỏ phân tích phòng thí nghiệm và chạy
trên máy NIRS.
3.1.5. Kết quả xây dựng phơng trình chẩn đoán DM, CP, Xơ, Mỡ, NDF, ADF,
Ash của phân cừu

NIRS 243 2,031 1,17 0,25 5,54
Lab 248 28,12 7,791 9,80 50,78
CF
NIRS 248 27,79 7,57 5,10 50,51
Lab 247 18,41 11,12 1,23 50,78
Ash
NIRS 247 17,35 8,81 1,03 43,78
Lab 246 58,418 15,06 12,13 80,87
NDF
NIRS 246 58,63 14,65 14,68 80,36
Lab 248 35,16 8,60 15,68 56,25
ADF
NIRS 248 35,07 8,47 9,66 60,48

Kết quả này cho thấy trừ trờng hợp DM (r ở mức khá: 82,00 %) các phơng
trình chẩn đoán CP, Fat, CF, Ash NDF và NDF của phân cừu từ NIRS có r cao đến
khá cao (tơng ứng cho CP, Fat, CF, Ash NDF và NDF là: 98,27; 97,18; 96,53;
93,71; 98,04 và 93,11%) với SEC (Standard error for callibration)-sai số của phép
đo chấp nhận đợc (0,51; 0,23; 1,7; 2,8; 2,31 và 2,19 %), và sai số của phép đo sau
khi đã hiệu chỉnh SECV (Standard error for cross validation) cũng đủ nhỏ để không
gây sai số quá lớn của phép đo (0,57; 0,27, 1,83; 3,26; 2,68 và 2,39%).
Với r cao đến khá cao và sai số không lớn nên không có sự sai khác về các
giá trị: Mean SD, Min và Max của CP, Fat, CF, Ash NDF và NDF của phân cừu
phân tích phòng thí nghiệm và chạy trên máy NIRS, trừ trờng hợp chất khô.

30
35
0 5 10 15 20 25 30 35
Lab
NIR

Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% Fat)
y = 0.9391x + 0.1116
R
2
= 0.9444
0
1
2
3
4
5
6
7
8
0 1 2 3 4 5 6 7 8
Lab
NIR

Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% CF)
y = 0.9216x + 2.0198
R
2
= 0.9319
0

NIR

Hi qui gi a giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghim (% NDF)
y = 0.9748x + 1.1332
R
2
= 0.9612
0
10
20
30
40
50
60
70
80
90
0 10 20 30 40 50 60 70 80 90
Lab
NIR
Đồ thị 19. Hồi qui giữa Ash của phân cừu phân tích phòng thí nghiệm và chẩn
đoán trên NIRS
Bảng 15.
Phơng trình hồi qui chẩn đoá DM, CP, Xơ, Mỡ, NDF, ADF, Ash của
phân cừu trên máy NIRS
Chỉ tiêu Y= n Phơng trình R
2

246 = 0,884 x ADFPhanNIRS + 3,9655 0,867 93,11 0,0013.2. Thảo luận
3.2.1. Chẩn đoán DM, CP của bột cá, CF và CF của cám gạo,(DM) và CP,Fa) và
CF của đậu tơng bằng NIRS
R
2
và các giá trị SEC và SECV trong nghiên cứu của chúng tôi tơng đơng
với kết quả của nhiều tác giả khác. R
2
cho DM và CP của bột cá trong các nghiên
Hi qui gia giỏ tr chn ủoỏn NIR vi giỏ tr phõn tớch phũng thớ nghi m (% ADF)
y = 0.884x + 3.9655
R
2
= 0.867
0
10
20
30
40
50
60
70
0 10 20 30 40 50 60
Lab
NIR
2
tơng ứng là 93,6; 90,6 và 92,7 %
với SEC là 0,76; 0,42 và 0,72%, SECV là 0,97; 0,65 và 1,24%. Các tác giả khác
cũng thấy một kết quả tơng đơng. Boval và cộng sự,. (2004) trên 88 mẫu chạy
trên NIRS 5000 monochromator thấy R
2
cho CP, NDF, ADF, OMD, OMI là: 98;
88; 89; 72 và 61% và SEC là 0,33, 0,88, 0,89, 0,021và 4,62. Danieli và cộng sự.,
(2004) trên 173 mẫu cỏ thấy R
2
và SEP cho CP là 94 % và 1,3; cho NDF: 95 % và
2,14, cho ADF: 92 % và 2,06, cho CF: 93 % và 1,57; cho Ash là 95 % và 1,17.
Cozzolio và cộng sự., (2006) trên 90 mẫu thấy R
2
cho CP, DM và ADF là: 91; 85 và
86 % và SECV là 6,5; 27,4 và 22,1. Leite và Stuth, (1995) nghiên cứu trên 173 mẫu
cỏ và thức ăn thô thấy: R
2
và SEC của phơng trình chẩn đoán cho CP là: 97 % và
1,02.
3.2.3. Chẩn đoán DM, CP, Xơ, Mỡ, NDF, ADF, Ash của phân cừu bằng NIRS
Trừ trờng hợp DM (R
2
trung bình: 0,6725) các phơng trình chẩn đoán CP,
Fat, CF, NDF, NDF và Ash của phân cừu từ NIRS của chúng tôi có R
2
cao đến khá
cao: 0,9657; 0,9444; 0,9319, 0,8783, 0,96120, 0,867 với SEC tơng ứng là 0.51,
0.23, 1.70, 2.80, 2.31 và 2.19%), và SECV là 0.57, 0.27, 1.83, 3.26, 2.68 và 2.39 %.
Các tác gỉa khác cũng có đợc các kết quả tơng đơng với nghiên cứu của chúng

cỏ:
- DM của cỏ Y
9
=

0.8393 + 0.9658 DMCoNIRS, r (%) = 96,75, P < 0,001
- CP của cỏ Y
10
= - 0.6514 + 1.082 CPCoNIRS, r (%) = 90,6, P < 0,001
- CF thô của cỏ Y
12= - 0.943 + 1.026 CFCoNIRS, r (%) = 96,28, P < 0,001
Có thể dùng các phơng trình dới đây để xác định nhanh DM, CP, Fat, CF,
Ash, NDF và ADF của phân cừu:
- DM của phân cừu Y
13
= 0,6944 x DMPhanNIRS + 13,323, r (%) = 82, P < 0,001
- CP của phân cừu Y
14
= 0,9681 x CPPhanNIRS + 0,3958, r (%) = 98,27, P < 0,001
- Fat của phân cừu Y
15
= 0,9391 x FatPhanNIRS + 0,1116, r (%) = 97,18, P <
0,001
- CF của phân cừu Y
16
= 0,9216 x CFPhanNIRS + 2,0198, r (%) = 96,53, P < 0,001
- Ash của phân cừu Y

forages by near infrared reflectance spectroscopy: collaborative study. Journal of the Association of
Official Analytical Chemists, 71: 1162–1167.
4. Berarado, N.; Dzowela, B. H.; Hove, L. and Odoardi, M. (1997). Near infrared calibration of chemical
constituents of Cajanus cajan (pigeon pea) used as forage. Amim. Feed Sci. Technol. 69: 202-206
5. Boval, M., Coates, D. B., Lacomte, P., Decruyenaere, V and Archimede, H. (2004) Faecal Near-Infrared
Reflectance Spectroscopy (NIRS) to access chemical composition, in vivo digestibility and intake of
tropical grass by Creolo cattle. Animal Feed Science and Technology, Vol 114, Issues 1-4, 3 May 2004,
Pp: 19-29.
6. Brown, W. F.; Moore, J. E.; Kunkle, W. e. Chambliss, C. G. and Portier, K. M (1990). Forage testing
using NIRS. J. anim. Sci. 68: 1416-1427.
7. Coelho, M.; Hembry, F. g.; Barton, F. E. and Saxton, A. M. (1988). A comparision of microbial,
enzymatic, chemical and NIRS methods in forage evaluation. Anim. Feed. Sci. Technol. 20: 219-231.
8. Coleman, S. W.; Lippke, H.; Gill, M.(1999). Estimating the nutritive potential of forages. In: Jung, H. J-
G.; Fahey, G. C. (Eds). Nutritional Ecology of Herbivores. Proceeedings of the Fifth International
Symposium on the Nutrition of Herbivores. American Society of Animal Science, Savoy, IL, USA, pp:
647-695.
9. Colombini, S., Confaloniereri, M., Borreani, G., Tabacco, E., Peiretti, P. G. And Odoardi, M. (2005).
Prediction of the chemical composition and nutritive value of lucerne (Medicago sativa L.) by near
infrared reflectance spectroscopy. Ital. J. Anim. Sci. Vol 4 (Suppl. 2), 141-143.
10. Cozzolio, D., Fassio, A., Fernandez, E., Restaino, E. and La Manga, A. 2006. Measurements of
chemical composition in wet whole maize silage by visible and NIRS. Anim. Feed Sci. Technol. In
press. Available on line at www. Agrinternetwork.net//www. Sciencedirect.com/science
11. Danieli, P. P., Carlini, P., Bernabucci, U., Ronchi, B. (2004). Quality evaluation of regional forage
resources by means of near infrared reflectance spectroscopy. Italian Journal of Animal Science, Vol 3,
363-376.
12. De Boever, J.L., Cottyn, B.G., Vanacker, J.M. & Boucque, C.V. (1994). An improved enzymatic method
by adding gammanase to determine digestibility and predict energy value of compound feeds and raw
materials for cattle. Animal Feed Science and Technology, 47: 1–18.
13. Dolores, C., Perez-Martin, Ana Garrido-Varo, J. E., Guerrero-Ginel and Gomez-Cabrera, A. (2004).
Near infrared reflectance spectroscopy (NIRS) for the mandatory labelling of compound feedingstuffs:

cattle. J. Range Manage. 45, 3, pp:238-244.
23. Mark, H., Ritchie, G.E., Roller, R.W., Ciurszak, E.W., Tso, C. and MacDonald, S.A. (2002). Validation
of a near-infrared transmission spectroscopic procedure, part A: validation protocols. Journal of
Pharmaceutical and Biomedical Analysis, 28: 251-260.
24. Murray, I. (1986). Near infrared reflectance analysis of forage. In: Haresign, W., Cole, D. J. A. (Eds).
Recent Advances in Animal Nutrition. Butterworths, London, 141-156.
25. Murray, I. (1993). Forage analysis by near infrared reflectance spectroscopy. In A. Davies, R.D. Baker,
S.A. Grant & A.S. Laidlaw, eds. Sward management handbook, pp. 285–312. British Grassland Society,
Reading, UK.
26. Norris, K.H. and Hart, J.R. (1965). Direct spectrophotometric determination of moisture content of
grains and seeds. Principles and Methods of Measuring Moisture Content in Liquids and Solids, 4: 19-
25.
27. Norris, K.H., Barnes, R.F., Moore, J.E. and Shenk, J.S. (1976). Predicting forage quality by near infrared
reflectance spectroscopy. Journal of Animal Science, 43: 889-897.
28. Park, R. S., Agnew, R. E., Gordon, F. J. and Steen, R. W. J. (1998). The use of NIRS on dried samples
to predict chemical composition and digestibility parameters. Anim. Feed Sci. Technol. 69, 3: 253-259.
29. Redshaw, E. S., Mathison, G. W. Milligan, L. P. and Weisenburger (1986). NIRS for predicting forage
composition and voluntary consumption and digestibility in cattle and sheep. Can. J. Anim. Sci. 66. pp:
103-115.
30. Shenk, J. S and Westerhaus, M. O. (1985). Accuracy of NIRS instruments to analyse forage and grain.
Crop Science. 28: 1220-1222.
31. Shenk, J. S., Norris, K. H., Barnes, R. F. and Fissel, G. W. (1977). Forage and feedstuffs analysis with
infrared reflectance spectro-computer system. In: Proceedings of the XIIth
32. Sinnaeve, G., Dardenne, R., Agneessens, R. and Biston, R. (1994). The use of near infrared spectroscopy
for the analysis of fresh grass silage. J. Near Infrared Spectroscopy. 2: 79-84.