MétaCan
Menu
← Retour à la cohorte
Enregistrement W4413654485 · doi:10.1101/2025.08.21.671547

A meta-analysis of 3-nitrooxypropanol effects on methane production and yield in beef cattle

2025· preprint· en· W4413654485 sur OpenAlexaff
Reto Zihlmann, A. Bannink, K. A. Beauchemin, J. Dijkstra, E. Pressman, Sanne van Gastelen, E. Kebreab

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2025
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueRuminant Nutrition and Digestive Physiology
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesnon disponible
Mots-clésBeef cattleYield (engineering)Production (economics)MethaneEnvironmental scienceAnimal scienceEconomicsChemistryBiologyPhysicsMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Abstract Beef cattle are a major source of enteric methane (CH 4 ) emissions, a potent greenhouse gas (GHG). The feed additive 3-nitrooxypropanol (3-NOP) has been shown to reduce CH 4 emissions by inhibiting methyl-coenzyme M reductase, an enzyme critical to methanogenesis in archaea. This study aimed to quantify the effects of 3-NOP on CH 4 production (g/d) and yield (g/kg DM intake; DMI) in beef cattle and to evaluate how diet composition influences the mitigation response. A systematic literature review identified 17 peer-reviewed in vivo studies, yielding 45 treatment means. Treatment effects were expressed as absolute and relative mean differences versus control groups. Predictor variables included 3-NOP dose, 3-NOP dose 2 , DMI, dietary concentration of NDF, CP, starch, fat, and organic matter (OM), roughage proportion, BW, and dietary inclusion of monensin (yes/no). Four types of models were developed, all including the intercept and 3-NOP dose as fixed predictors, differing as follows: (model 1) optional inclusion of 3-NOP dose 2 when P < 0.10; (model 2) model 1 plus pre-inclusion of NDF concentration; (model 3) pre-inclusion of NDF concentration plus additional predictors (pairwise r ≤ 0.5) that significantly improved model accuracy ( P < 0.10); and (model 4) additional predictors selected under the same criteria as model 3, without pre-inclusion of NDF concentration. For models 3 and 4, a maximum of 5 predictors were considered and evaluated using leave-one-out cross-validation. Across studies, 3-NOP doses ranged from 32 to 338 mg/kg of DM. On average, 3-NOP reduced CH 4 production by 49.9 ± 28.61 g/d (36.2 ± 24.42%) and CH 4 yield by 5.3 ± 3.61 g/kg DMI (33.2 ± 25.54%). The best models were selected based on biological interpretability, statistical significance, and predictive accuracy (as measured by RMSE) and included 3-NOP dose, dietary NDF concentration, DMI, and BW as significant predictors (the latter two only for absolute CH 4 production). Mitigation efficacy increased with higher DMI and declined with increasing NDF concentration and BW. Absolute reductions of 53.1 g/d and 5.88 g/kg of DMI, and relative reductions of 37.6% in CH 4 production and 35.0% in CH 4 yield were predicted when moderators were at their mean value (3-NOP dose = 134.4 mg/kg of DM; NDF concentration = 32.8% of DM; DMI of 8.6 kg/d). These results support the effectiveness of 3-NOP in mitigating enteric CH 4 emission in beef cattle and provide quantitative models to be used in assessment tools and GHG inventory methodology. Implications The feed additive 3-nitrooxypropanol effectively reduces enteric methane emissions in beef cattle. This meta-analysis found average reductions of 36.2% in methane production and 33.2% in methane yield. Efficacy depended on diet composition; declining with increasing NDF concentration for both methane production (g/d) and yield (g/kg of DM intake; DMI). Greater DMI increased absolute methane production reduction but did not influence absolute methane yield reduction or relative reduction of both methane production and yield. These results support the targeted use of 3-nitrooxypropanol as a mitigation strategy and provide empirical models to inform greenhouse gas inventories and carbon accounting.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,080

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,019
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0120,047
Bibliométrie0,0040,004
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,242
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)→Même sujetRuminant Nutrition and Digestive Physiology→Travaux en français237 207→