Influence of nitrate supplementation on <i>in-vitro</i> methane emission, milk production, ruminal fermentation, and microbial methanotrophs in dairy cows fed at two forage levels
Notice bibliographique
Résumé
Abstract Modifying the chemical composition of a diet can be a good strategy for reducing methane emission in the rumen. However, this strategy can have adverse effects on the ruminal microbial flora. The aim of our study was to reduce methane without disturbing ruminal function by stimulating the growth and propagation of methanotrophs. In this study, we randomly divided twenty multiparous Holstein dairy cows into 4 groups in a 2×2 factorial design with two forage levels (40% and 60%) and two nitrate supplementation levels (3.5% and zero). We examined the effect of experimental diets on cow performance, ruminal fermentation, blood metabolites and changes of ruminal microbial flora throughout the experimental period (45-day). Additionally, in vitro methane emission was evaluated. Animals fed diet with 60% forage had greater dry matter intake (DMI) and milk fat content, but lower lactose and milk urea content compared with those fed 40% forage diet. Moreover, nitrate supplementation had no significant effect on DMI and milk yield. Furthermore, the interactions showed that nitrate reduces DMI and milk fat independently of forage levels. Our findings showed that nitrate can increase ammonia concentration, pH, nitrite, and acetate while reducing the total volatile fatty acids concentration, propionate, and butyrate in the rumen. With increasing nitrate, methane emission was considerably decreased possibly due to the stimulated growth of Fibrobacteria , Proteobacteria , type II Methanotrophs, and Methanoperedense nitroreducens , especially with high forage level. Overall, nitrate supplementation could potentially increase methane oxidizing microorganisms without adversely affecting cattle performance.
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 | 0,001 | 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 | 0,000 |
| 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 ».