Influence of lemongrass and oregano essential oils and their combination on <i>in vitro</i> ruminal fermentation and greenhouse gas emissions in total mixed ration for dairy cows
Notice bibliographique
Résumé
Ruminants play a crucial role in the food chain, but are also considered contributors of greenhouse gas (GHG) emissions . Essential oils (EOs) are emerging as natural feed additives in ruminants’ nutrition to enhance animal health, performance and reduce environmental footprint. Among EOs, lemongrass (Cymbopogon winterianus) and oregano (Origanum vulgare) EOs (LEO and OEO) have attracted attention as modulators of ruminal fermentations, but their role needs to be clarified. The experiment was designed using a randomised setup to assess the effects of LEO and OEO on in vitro ruminal fermentation and GHGs, using total mixed ration (TMR) as substrate (incubation time 24h). Experimental treatments included (doses as % of TMR on DM basis): 1) control only TMR (0% EOs) 2) 0.07% LEO 3) 0.07% OEO 4) 0.035% LEO + 0.035% OEO 5) 0.07% LEO + 0.07% OEO. Each treatment was repeated three times in two experimental runs. Only EO combinations reduced total gas (−9%, p=0.001). All EOs decreased CO2 emissions by −5 to −12% with no significant differences between treatments (p<0.001), although anti-methanogenic effects were not observed (p=0.192). Volatile fatty acids were slightly affected only by EOs blend at the highest dose, resulting in a reduction of propionate (−1.3%, p=0.02), an increase in acetate:propionate (+0.16%, p=0.04) and isovalerate (+0.7%, p=0.03). LEO reduced pH (−0.6%, p=0.004), while OEO increased oxidation capacity (+4.2%, p=0.004), but both parameters remained within physiological ranges. Canonical discriminant analysis confirmed distinct EOs effects, highlighting their potential as natural additives for improving ruminal fermentation and mitigating ruminant environmental footprint.
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 | 0,000 |
| 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 ».