Improving Growth Predictions in Aquaculture through an Improved Bioenergetics Model Incorporating Feed Composition and Nutrient Digestibility for Largemouth Bass (Micropterus salmoides)

Este estudo desenvolveu e validou um modelo bioenergético aprimorado para o achigã (*Micropterus salmoides*) que, ao incorporar a composição da ração e coeficientes de digestibilidade de nutrientes específicos, supera os modelos tradicionais baseados em energia bruta, oferecendo previsões de crescimento significativamente mais precisas e permitindo uma otimização nutricional orientada por macronutrientes.

O essencial

Imagine que você é um treinador de peixes. O seu objetivo é fazer com que o seu peixe, a Lúcia (o Micropterus salmoides, ou "Largemouth Bass" em inglês), cresça o mais rápido e saudável possível.

Para fazer isso, você precisa de um "mapa" que lhe diga exatamente quanto o peixe vai crescer com base no que ele come, na temperatura da água e no quanto ele se mexe. Esse mapa é chamado de Modelo Bioenergético.

Até agora, os mapas que os cientistas usavam eram como um GPS antigo e genérico. Eles diziam: "Se você der 100 calorias de comida, o peixe cresce X". O problema é que essa abordagem ignorava o tipo de comida. Era como se o GPS tratasse uma maçã, um hambúrguer e uma batata frita exatamente da mesma forma, apenas contando as calorias. Mas sabemos que o corpo humano (e o do peixe) processa esses alimentos de formas muito diferentes!

Este artigo apresenta um GPS de última geração para a criação de peixes. Vamos entender como funciona:

1. O Problema do "GPS Antigo" (O Modelo Tradicional)

Os modelos antigos olhavam apenas para a energia bruta (as calorias totais) da ração. Eles assumiam que toda a energia era igual.

• A Analogia: Imagine que você está dirigindo um carro. O modelo antigo dizia: "Você tem 50 litros de combustível, então vai rodar 500 km". Mas ele não levava em conta se o combustível era gasolina de alta octanagem, etanol ou diesel. Se você colocar o combustível errado, o carro engasga ou gasta mais.
• O Resultado: Quando os cientistas tentaram usar esse modelo antigo com rações modernas (ricas em proteínas e gorduras), ele falhou miseravelmente. Ele previa que os peixes cresceriam muito mais do que realmente cresciam, porque não entendia que o peixe tinha dificuldade em digerir certos ingredientes ou gastava muita energia para processar proteínas.

2. A Solução: O "GPS Inteligente" (O Novo Modelo)

Os autores criaram um modelo novo e refinado. Em vez de apenas contar calorias, eles começaram a olhar para a composição da comida e para a capacidade do peixe de digerir cada ingrediente.

Eles introduziram dois conceitos-chave:

• Coeficientes de Digestibilidade (ADCs): É como saber que o peixe consegue absorver 90% da proteína do peixe moído, mas apenas 50% da proteína de um grão de soja. O novo modelo sabe essa diferença.
• Decomposição da Ração: Em vez de ver a ração como um bloco único de energia, o novo modelo a "desmonta". Ele calcula separadamente quanto de energia vem da proteína, quanto da gordura e quanto dos carboidratos, e quanto de cada um o peixe realmente consegue usar.

A Analogia da Cozinha:

• Modelo Antigo: O cozinheiro diz: "Vou dar 500 calorias de comida".
• Novo Modelo: O cozinheiro diz: "Vou dar 500 calorias, mas 300 vêm de um bife de alta qualidade (fácil de digerir), 100 de uma gordura boa e 100 de um carboidrato que o estômago do peixe não gosta muito. Vou calcular exatamente quanto desse bife vai virar músculo e quanto vai virar lixo".

3. O Que Eles Fizeram (A Jornada)

1. Reuniram Dados: Eles juntaram informações de 235 experimentos diferentes de criação de peixes. Foi como coletar milhares de mapas antigos para encontrar os erros.
2. Ajustaram o GPS: Primeiro, eles tentaram apenas "afinar" o GPS antigo, ajustando os números para o peixe atual. Melhorou muito, mas ainda não era perfeito.
3. Construíram o Novo GPS: Então, eles construíram o modelo novo, que leva em conta a digestão de cada ingrediente.
4. Testaram na Vida Real: Eles testaram o novo modelo em uma fazenda de peixes real na China, com dois tipos de ração diferentes.

4. O Resultado Final

O novo modelo foi um sucesso estrondoso!

• Precisão: Enquanto o modelo antigo errava feio (previsões que não batiam com a realidade), o novo modelo acertou quase na mosca.
• A Comparação: Se o modelo antigo fosse um aluno que tirava nota 6, o novo modelo tirou 9,8.
• Por que importa? Agora, os fazendeiros podem usar esse modelo para:
  • Criar rações mais baratas e eficientes (saber exatamente qual ingrediente usar).
  • Reduzir a poluição da água (se o peixe digere melhor, ele excreta menos lixo na água).
  • Prever o crescimento com exatidão, evitando desperdício de comida.

Resumo em Uma Frase

Os cientistas trocaram um mapa genérico que só contava calorias por um GPS inteligente que entende a "química" da comida e a "digestão" do peixe, permitindo prever o crescimento com uma precisão que antes era impossível. Isso ajuda a criar peixes de forma mais barata, rápida e sustentável.

Resumo técnico

Título: Melhoria das Previsões de Crescimento na Aquicultura através de um Modelo Bioenergético Aprimorado: Incorporação da Composição da Ração e Digestibilidade de Nutrientes para o Robalo (Micropterus salmoides)

1. Problema Identificado

Os modelos bioenergéticos tradicionais são ferramentas mecanicistas essenciais para prever o crescimento de peixes, ligando a ingestão de energia, o gasto metabólico e a partição de nutrientes. No entanto, estes modelos apresentam limitações significativas:

• Simplificação Excessiva: Eles tratam a energia ingerida como um input homogêneo (baseado na Energia Bruta - GE), ignorando variações na composição de macronutrientes (proteína, lipídio, carboidrato) e nas suas taxas de digestibilidade entre diferentes formulações de ração.
• Dados Desatualizados: Os parâmetros utilizados são frequentemente derivados de dietas de baixa densidade energética (baseadas em peixes selvagens), não refletindo as práticas modernas da indústria de aquicultura intensiva que utilizam rações de alta densidade energética.
• Baixa Precisão em Cenários Diversos: Modelos baseados apenas em energia total falham em capturar como a composição específica da dieta e a digestibilidade dos ingredientes afetam a eficiência de crescimento, a retenção de nutrientes e a excreção de resíduos.

2. Metodologia

Os autores propuseram e validaram um modelo bioenergético refinado através das seguintes etapas:

• Coleta e Processamento de Dados:
  • Compilação de um conjunto de dados abrangente com 235 registros de estudos publicados sobre o crescimento do robalo (Micropterus salmoides) sob diversas condições de alimentação e ambiente.
  • Realização de um experimento de campo em um sistema de aquicultura recirculante (RAS) na China, utilizando dois tratamentos dietéticos distintos (Diet A: 53% proteína, 8% lipídio; Diet B: 43% proteína, 12% lipídio) para validação independente.
• Modelo Baseline (Referência):
  • Implementação de um modelo bioenergético clássico baseado em Energia Bruta (GE), seguindo o orçamento energético tradicional (Ingestão - Metabolismo - Excreção - Crescimento).
  • Otimização de parâmetros fisiológicos (metabolismo padrão, SDA, excreção) usando um algoritmo de mínimos quadrados não lineares com regularização L2 para evitar overfitting.
• Modelo Refinado (Proposta):
  • Decomposição da Ingestão: Substituição da entrada de energia bruta por uma abordagem baseada na composição da ração. O modelo calcula a Energia Digestível (ED) somando as contribuições de proteína, lipídio e carboidrato, ponderadas pelos seus respectivos Coeficientes de Digestibilidade Aparente (ADCs) específicos de cada ingrediente.
  • Ajuste de Densidade Energética Corporal: Abandonou-se a suposição de densidade energética corporal constante (4,184 kJ/g), adotando uma função de potência dependente do peso corporal para maior precisão.
  • Exclusão de Carboidratos: Considerando a baixa digestibilidade de carboidratos em carnívoros, o modelo focou principalmente na energia derivada de proteína e lipídio.
• Validação e Avaliação:
  • Divisão dos dados compilados em conjuntos de treinamento (n=165) e teste (n=70).
  • Uso de métricas de desempenho: R² (coeficiente de determinação), RMSE (Raiz do Erro Quadrático Médio) e MAE (Erro Absoluto Médio).
  • Análise de sensibilidade (local e global) para identificar parâmetros críticos.

3. Principais Contribuições

• Primeira Estrutura Específica: Este é, segundo os autores, o primeiro modelo bioenergético para Micropterus salmoides que integra explicitamente a decomposição da composição da ração com coeficientes de digestibilidade específicos de nutrientes.
• Mecanismo de "Composição × ADC": O modelo permite calcular a energia digestível macronutriente-resolvida, permitindo previsões de crescimento sensíveis à formulação da ração, e não apenas ao seu valor energético total.
• Calibração para Aquicultura Intensiva: Os parâmetros foram recalibrados especificamente para dietas modernas de alta densidade energética, superando as limitações de modelos baseados em dados de peixes selvagens.
• Dualidade de Validação: O modelo foi validado tanto em um grande conjunto de dados da literatura quanto em dados experimentais de campo independentes, garantindo generalização e aplicabilidade prática.

4. Resultados

• Otimização do Modelo Baseline: A calibração dos parâmetros do modelo baseado em Energia Bruta melhorou significativamente a precisão (R² aumentou de 0,62 para 0,96 no conjunto de dados compilado), mas ainda mostrou desempenho pobre no experimento de campo (R² < 0,1), indicando que a estrutura do modelo era insuficiente.
• Desempenho do Modelo Refinado (Conjunto de Dados Compilado):
  • Alcançou um R² de 0,97.
  • Redução de 4,13% no RMSE e 19,98% no MAE em comparação com o modelo baseline otimizado.
• Desempenho do Modelo Refinado (Experimento de Campo):
  • Demonstrou alta precisão preditiva com R² de 0,98 e 0,97 para as duas dietas testadas.
  • Em contraste, o modelo baseline otimizado falhou no campo, apresentando R² de 0,33 e 0,06, respectivamente.
  • Redução de mais de 80% no RMSE e MAE em comparação com o modelo baseline no cenário de campo.
• Análise de Sensibilidade: O parâmetro alométrico da taxa metabólica ($b_2$) permaneceu o mais influente, mas a importância relativa de parâmetros relacionados à excreção e ao Custo Dinâmico Específico (SDA) aumentou, refletindo a maior complexidade das dietas ricas em proteína.

5. Significância e Impacto

• Precisão na Formulação de Rações: O modelo permite prever o crescimento e a eficiência alimentar com base na composição exata dos ingredientes, facilitando a otimização de rações sem a necessidade de extensos e caros testes de campo iterativos.
• Gestão de Qualidade da Água: Ao modelar a digestibilidade e a excreção de nitrogênio de forma mais precisa, o modelo auxilia na estimativa da excreção de amônia (TAN), crucial para o manejo de sistemas de aquicultura recirculante (RAS).
• Sustentabilidade Econômica e Ambiental: Ao melhorar a previsão de eficiência alimentar (FCR) e reduzir o desperdício de nutrientes, o modelo contribui para a redução de custos operacionais e do impacto ambiental da aquicultura intensiva.
• Escalabilidade: A estrutura proposta serve como base para o desenvolvimento de plataformas de decisão nutricional que podem ser adaptadas para outras espécies e cenários de produção.

Em resumo, o estudo demonstra que a transição de modelos baseados apenas em energia bruta para modelos que incorporam a composição de nutrientes e a digestibilidade específica é fundamental para a precisão preditiva na aquicultura moderna, especialmente para espécies carnívoras como o robalo.