Nitrate supplementation at two forage levels in dairy cows feeding: milk production and composition, fatty acid profiles, blood metabolites, ruminal fermentation, and hydrogen sink
Notice bibliographique
Résumé
Abstract Nitrate may reduce the ruminal methane emission by competing methanogenesis to achieve more hydrogen. For this purpose, twenty Holstein lactating cows were examined using a 2×2 factorial design in 4 groups for 60 days with two forage levels (40% and 60%) and supplemental nitrate 0% (F40 and F60) and 3.5% (F40N and F60N) of diet dry matter (DM). Then, the effect of nitrate and forage levels on cow performance, ruminal fermentation, methane emission, and metabolic hydrogen sink were evaluated. The nitrate supplementation did not significantly affect milk yield and ECM/DMI, while milk urea nitrogen was increased. Lowest quantity of milk vitamins (A and E) was observed in nitrate groups. The nitrate supplementation increased c9-C18:1, unsaturated fatty acids, and n-6/n-3 contents of the milk. Blood parameters were affected by nitrate supplementation. Blood met-Hb concentration was increased, while blood glucose was decreased in nitrate groups. High forage and nitrate fed animals (F60N) had higher ruminal acetate and lower propionate concentration, and higher acetate+butyrate to propionate ratio than other groups. Nitrite and NH 3 -N concentrations were higher in the rumen of nitrate fed animals. Nitrate supplementation inhibited gas volume and methane emission without affecting volatile fatty acids at 12 and 24 h of incubation. The H 2 balance, H 2 production and consumption, and recovery percentage were significantly lower in F60N group. In conclusion, nitrate supplementation can be employed as an alternative strategy for improving ruminal fermentation, milk quality and methane inhibition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».