Simple Science

Hochmoderne Wissenschaft einfach erklärt

# Biologie# Systembiologie

Bekämpfung von Methanemissionen aus Viehzucht

Strategien zur Reduzierung von Methan aus Wiederkäuern sind entscheidend für den Klimaschutz.

― 8 min Lesedauer


Methanreduzierung beiMethanreduzierung beiViehhaltungLandwirtschaft.Methanemissionen aus derInnovative Strategien bekämpfen
Inhaltsverzeichnis

Die Reduzierung von Methanemissionen aus der Tierhaltung ist eine grosse Herausforderung. Methan ist ein Gas, das zur globalen Erwärmung beiträgt. Es wird hauptsächlich von Wiederkäuern wie Kühen, Schafen und Ziegen produziert. Die Emissionen dieser Tiere machen einen erheblichen Teil der Treibhausgase aus menschlichen Aktivitäten aus. In einigen Ländern, wie Frankreich, macht Methan aus Wiederkäuern fast die Hälfte der gesamten Treibhausgase aus der Landwirtschaft aus.

Um der globalen Erwärmung entgegenzuwirken, ist es wichtig, die Methanemissionen zu reduzieren. Verschiedene Studien legen nahe, dass wir diese Emissionen bis zum Jahr 2030 signifikant senken und bis 2050 noch mehr reduzieren müssen. Das bedeutet, Wege zu finden, um Fleisch und Milch effizienter zu produzieren und gleichzeitig die Emissionen zu verringern.

Die Rolle von Wiederkäuern und Methanproduktion

Wiederkäuer produzieren Methan während des Verdauungsprozesses. Wenn sie fressen, wird ihr Futter in einem speziellen Magen, dem Pansent, abgebaut. Dieser Prozess umfasst viele winzige Mikroben, die helfen, das Futter zu zerlegen. Dabei entstehen nützliche Substanzen für die Tiere, aber auch Methan als Nebenprodukt.

Um Methan von Wiederkäuern zu reduzieren, ist es wichtig, Strategien zu entwickeln, die die Gesundheit oder Produktivität der Tiere nicht beeinträchtigen. Das stellt eine grosse Herausforderung für Landwirte und Wissenschaftler dar.

Verständnis der Pansenfermentation

Um das Problem anzugehen, haben Wissenschaftler Modelle entwickelt, um besser zu verstehen, wie der Verdauungsprozess im Pansen funktioniert. Diese Modelle simulieren verschiedene Szenarien, wie Futter abgebaut wird und welche Gasemissionen daraus resultieren. Es gibt viele Modelle, aber die drei bekanntesten sind Molly, Dijkstra und Karoline.

Diese Modelle berücksichtigen viele Faktoren, wie die Art des gefressenen Futters und die verschiedenen Mikroben im Pansen. Durch die Nutzung dieser Modelle können Forscher sehen, wie sich Änderungen in der Ernährung oder im Management auf die Methanproduktion auswirken könnten.

Sensitivitätsanalyse in der Modellierung

Bei der Nutzung dieser Modelle ist es wichtig zu verstehen, wie verschiedene Faktoren die Methanproduktion beeinflussen. Hier kommt die Sensitivitätsanalyse ins Spiel. Die Sensitivitätsanalyse untersucht, wie Änderungen in verschiedenen Eingangsgrössen die Ergebnisse des Modells beeinflussen. Forscher können zum Beispiel sehen, welche Eingaben den grössten Einfluss auf die Methanproduktion haben und welche kaum Auswirkungen zeigen.

Das hilft, die Faktoren zu identifizieren, die genauer gemessen werden müssen, und kann helfen, die Modelle zu optimieren, um sie einfacher und effektiver zu machen.

Was beeinflusst die Methanproduktion?

Bei der Untersuchung der Methanproduktion spielen mehrere Faktoren eine Rolle. Einige dieser Faktoren sind:

  1. Die Art des Futters, das die Tiere fressen.
  2. Die Effizienz des Verdauungsprozesses.
  3. Die spezifische Zusammensetzung der Mikrobiota im Pansen.
  4. Die spezifischen Wechselwirkungen zwischen verschiedenen Mikroben und Nährstoffen.

Diese Faktoren zu verstehen, hilft den Forschern, herauszufinden, wie man Methan effektiv reduzieren kann, ohne die Produktivität der Tiere zu beeinträchtigen.

Die Herausforderung dynamischer Bedingungen

Bisher haben die meisten durchgeführten Sensitivitätsanalysen die Modelle unter stabilen Bedingungen betrachtet. Der Pansen ist jedoch kein statisches System; er verändert sich im Laufe der Zeit. Während die Tiere fressen und das Futter verdauen, ändern sich die Bedingungen im Pansen ständig. Diese dynamischen Veränderungen zu erfassen, ist entscheidend, um besser zu verstehen, wie verschiedene Eingaben die Methanproduktion beeinflussen.

Bisher haben die Forscher keine Sensitivitätsanalysen unter diesen dynamischen Bedingungen durchgeführt. Das bietet eine Gelegenheit für zukünftige Arbeiten, die Modelle zu verfeinern und ihre Genauigkeit bei der Vorhersage von Methanemissionen zu verbessern.

Blick auf Bromoform und seine Effekte

Bromoform ist eine Verbindung, die in bestimmten Algenarten vorkommt, insbesondere in Asparagopsis taxiformis. Diese Verbindung hat sich als vielversprechend erwiesen, um die Methanemissionen zu reduzieren, wenn sie ins Tierfutter eingemischt wird.

Wenn Wiederkäuer Algen konsumieren, die Bromoform enthalten, kann dies das Wachstum der methanproduzierenden Mikroben im Pansen hemmen. Das führt zu einer Verringerung der Methanproduktion, ohne die allgemeine Gesundheit oder Leistung des Tieres negativ zu beeinflussen.

Die Idee ist, diese Algen in die Ernährung der Tiere einzubauen, um die Methanemissionen erheblich zu senken. Studien haben gezeigt, dass mit der richtigen Dosis Bromoform eine signifikante Reduktion von Methan erzielt werden kann.

Modellentwicklung und Systemdesign

Die in der Forschung verwendeten Modelle zur Pansenfermentation stellen ein System dar, das die Funktionen des Pansens nachahmt. Sie umfassen zwei Hauptprozesse: den Transport von Materialien und den Fermentationsprozess, der von Mikroben durchgeführt wird.

Dieses System wird auf einer täglichen Basis modelliert, bei der die Gesamtmenge an aufgenommenem Futter überwacht und der Abbau des Futters analysiert wird. Das Modell versucht, die realen Bedingungen so genau wie möglich abzubilden, um den Wissenschaftlern zu helfen, die Variablen zu verstehen, die an der Methanproduktion beteiligt sind.

Parameter und ihre Bedeutung

In den Modellen müssen verschiedene Parameter berücksichtigt werden. Parameter repräsentieren unterschiedliche biologische und physikalische Faktoren, die den Fermentationsprozess beeinflussen könnten. Einige Beispiele sind:

  • Die Menge und Art des konsumierten Futters
  • Der Fluss verschiedener Komponenten im Pansen
  • Die spezifischen Wachstumsraten der verschiedenen Mikroben

Die Variabilität dieser Parameter spielt eine bedeutende Rolle bei der Bestimmung der Methanproduktion.

Methoden der Sensitivitätsanalyse

Für die Sensitivitätsanalyse haben die Forscher zwei verschiedene Methoden eingesetzt:

  1. Shapley-Effekte: Diese Methode wird verwendet, um zu messen, wie viel ein bestimmter Input zur Ausgabegrösse beiträgt. Sie berücksichtigt auch die Beiträge aufgrund von Wechselwirkungen zwischen den Eingaben.

  2. Sobol-Indizes: Sobol-Indizes helfen, die individuellen Beiträge jeder Eingabe zur Ausgabe zu quantifizieren. Sie können auch die Wechselwirkungen zwischen verschiedenen Eingaben bewerten.

Beide Methoden wurden angewendet, um die Auswirkungen verschiedener Faktoren über die Zeit hinweg zu bewerten, sodass die Forscher sehen konnten, wie sich die Sensitivität der Eingaben im Verlauf des Fermentationsprozesses ändert.

Simulationsszenarien und Ergebnisse

In den Studien wurden verschiedene Simulationsszenarien erstellt, um die Auswirkungen unterschiedlicher Mengen von Bromoform in der Ernährung der Tiere zu untersuchen. Diese Szenarien umfassten:

  • Kontrolle ohne Bromoform
  • Niedrige Dosierung mit einer kleinen Menge Bromoform
  • Hohe Dosierung mit einer grösseren Menge Bromoform

Die Ergebnisse zeigten, dass mit steigendem Bromoformanteil die Methanproduktion signifikant abnahm.

Das deutet darauf hin, dass die Zugabe von Bromoform zu den Rationen der Wiederkäuer eine effektive Strategie zur Reduzierung der Methanemissionen sein könnte.

Verständnis der flüchtigen Fettsäuren (VFAs)

Während des Fermentationsprozesses produzieren Wiederkäuer auch Flüchtige Fettsäuren (VFAs). Diese Verbindungen sind wichtig für die Gesundheit der Tiere, da sie Energie liefern. Zu den häufigsten VFAs gehören Acetat, Propionat und Butyrat.

Die Anwesenheit von Bromoform beeinflusst nicht nur die Methanproduktion, sondern auch die Verhältnisse dieser VFAs. Die Art und Weise, wie sich diese Verhältnisse ändern, zeigt, wie unterschiedliche diätetische Anpassungen die gesamte Fermentation und Energieproduktion bei Wiederkäuern beeinflussen können.

Faktoren, die die VFA-Produktion beeinflussen

Wie Methan gibt es auch mehrere Faktoren, die zur Produktion von VFAs im Pansen beitragen. Diese Faktoren sind:

  • Die Art der konsumierten Substrate
  • Die Struktur der Mikrobiota
  • Die verwendeten Fermentationswege

Durch das Verständnis dieser Wechselwirkungen können Forscher diätetische Strategien optimieren, die sowohl die Energieproduktion als auch die Methanreduktion verbessern.

Bedeutung des kontinuierlichen Lernens

Die Forschung auf diesem Gebiet ist im Gange, und es werden neue Erkenntnisse erwartet. Die Ergebnisse der aktuellen Studien zeigen die dynamische Natur der Pansenfermentation und ihren Einfluss auf die Methanproduktion.

Während die Forscher weiterhin Modelle und Methoden verbessern, können wir genauere Vorhersagen erwarten, wie sich diätetische Änderungen sowohl auf die Methanemissionen als auch auf die Produktivität der Tiere auswirken.

Zukünftige Richtungen

Um die Methanemissionen von Wiederkäuern effektiv zu bekämpfen, sollten sich die Forscher darauf konzentrieren, Modelle zu verfeinern, die das dynamische Verhalten im Pansen berücksichtigen. Dazu gehört die Integration der Auswirkungen verschiedener Futtersorten und Zusatzstoffe wie Bromoform.

Darüber hinaus wird eine verbesserte Datenerfassung zu den Parametern, die die Methan- und VFA-Produktion beeinflussen, klarere Einblicke in effektive diätetische Strategien liefern.

Fazit

Die Reduzierung von Methanemissionen aus der Tierhaltung ist entscheidend, um den Klimawandel zu bekämpfen. Durch sorgfältige Modellierung und Analyse können Forscher effektive Strategien entwickeln, um Emissionen zu minimieren und gleichzeitig die Gesundheit und Produktivität der Wiederkäuer sicherzustellen.

Durch die Nutzung der Erkenntnisse aus Sensitivitätsanalysen und das Verständnis der Rolle von Verbindungen wie Bromoform können wir auf nachhaltigere Praktiken in der Viehzucht hinarbeiten, die zu einem gesünderen Planeten beitragen.

Eine kontinuierliche Erforschung dieses Bereichs wird zu besseren Lösungen führen und es ermöglichen, eine Zukunft zu schaffen, in der die Viehzucht mit unseren Umweltzielen in Einklang steht.

Originalquelle

Titel: Dynamic sensitivity analysis of a mathematical model describing the effect of the macroalgae *Asparagopsis taxiformis* on rumen fermentation and methane production under *in vitro* continuous conditions

Zusammenfassung: Ruminants plays an important role in global warming by emitting enteric methane (CH4) through the degradation of feeds by the rumen microbiota. To better understand the dynamics fermentation outputs, including methane and volatile fatty acids (VFA) production, mathematical models have been developed. Sensitivity analysis (SA) methods quantify the contribution of model input parameters (IP) to the variation of an output variable of interest. In animal science, SA are usually conducted in static condition. In this work, we hypothesized that including the dynamic aspect of the rumen fermentation to SA can be useful to inform on optimal experimental conditions aimed at quantifying the key mechanisms driving CH4 and VFA production. Accordingly, the objective of this work was to conduct a dynamic SA of a rumen fermentation model under in vitro continuous conditions (close to the real in vivo conditions). Our model case study integrates the effect of the macroalgae Asparagopsis taxiformis (AT) on the fermentation. AT has been identified as a potent CH4 inhibitor via the presence of bromoform, an anti-methanogenic compound. We implemented two SA methods. We computed Shapley effects and full and independent Sobol indices over time for quantifying the contribution of 16 IPs to CH4 (mol/h) and VFA (mol/l) variation. Our approach allows to discriminate the 3 contribution types of an IP to output variable variation (individual, via the interactions and via the dependence/correlation). We studied three diet scenarios accounting for several doses of AT relative to Dry Matter (DM): control (0% DM of AT), low treatment (LT: 0.25% DM of AT) and high treatment (HT: 0.50% DM of AT). Shapley effects revealed that hydrogen (H2) utilizers microbial group via its Monod H2 affinity constant highly contributed (> 50%) to CH4 variation with a constant dynamic over time for control and LT. A shift on the impact of microbial pathways driving CH4 variation was revealed for HT. IPs associated with the kinetic of bromoform utilization and with the factor modeling the direct effect of bromoform on methanogenesis were identified as influential on CH4 variation in the middle of fermentation. Whereas, VFA variation for the 3 diet scenarios was mainly explained by the kinetic of fibers degradation, showing a high constant contribution (> 30%) over time. In addition, the Sobol indices indicated that interactions between IPs played a role on CH4 variation, which was not the case of VFA variation. However, these results are dependent on the way interactions are represented in the model. The simulations computed for the SA were also used to analyze prediction uncertainty. It was related to the dynamic of dry matter intake (DMI, g/h), increasing during the high intake activity periods and decreasing when the intake activity was low. Moreover, CH4 (mol/h) simulations showed a larger variability than VFA simulations, suggesting that the reduction of the uncertainty of IPs describing the activity of the H2 utilizers microbial group is a promising lead to reduce the overall model uncertainty. Our results highlighted the dynamic nature of the influence of metabolic pathways on CH4 productions under an anti-methanogenic treatment. SA tools can be further exploited to design optimal experiments studying rumen fermentation and CH4 mitigation strategies. These optimal experiments would be useful to build robust models that can guide the development of sustainable nutrition strategies.

Autoren: Paul Blondiaux, T. S. Kiesse, M. Eugene, R. Munoz-Tamayo

Letzte Aktualisierung: 2024-06-23 00:00:00

Sprache: English

Quell-URL: https://www.biorxiv.org/content/10.1101/2024.06.19.599712

Quell-PDF: https://www.biorxiv.org/content/10.1101/2024.06.19.599712.full.pdf

Lizenz: https://creativecommons.org/licenses/by/4.0/

Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.

Vielen Dank an biorxiv für die Nutzung seiner Open-Access-Interoperabilität.

Ähnliche Artikel