Benessere animale e impatto ambientale: nuovi studi con protagonista il microbiota naturale


Gli studi sul benessere animale e sull'impatto ambientale delle produzioni animali non si fermano mai, e nuove evidenze sottolineano come il microbiota naturale possa incidere positivamente su entrambi. Vediamo quindi perché sempre più elementi che si possono ritrovare in natura possono apportare reale beneficio non solo alle produzioni e agli allevamenti, ma all'ambiente più in generale. Come sempre, sono i dati a parlare.


Una nuova frontiera delle scienze animali è lo studio del microbiota ruminale, per le innumerevoli ricadute che ha sia sul benessere animale sia sulla qualità delle produzioni sia nella riduzione dei dei gas-climalteranti e quindi nel controllo dell’impatto ambientale dell’attività zootecnica.



L'ambiente ruminale si caratterizza per un complesso ecosistema microbico composto da batteri, archaea, funghi e protozoi ciliati. La componente batterica è particolarmente attiva nel metabolismo lipidico, che può essere ricondotto a tre importanti fasi: lipolisi, bioidrogenazione e sintesi de novo di acidi grassi.


Purtroppo, gli attuali approcci analitici, riescono a definire nel dettaglio la struttura della popolazione microbica, ma non sono in grado di stabilire una diretta relazione tra il singolo genere batterico e un particolare pathway metabolico ruminale.

Questa difficoltà è dettata dalla notevole complessità della popolazione ruminale e dalle scarse informazioni disponibili sul ruolo di uno specifico genere nel metabolismo ruminale. Le poche informazioni disponibili in letteratura descrivono interazioni sinergiche che coinvolgono consorzi batterici, dove ogni gruppo ha un ruolo ancora non ben definito.


L’elevato numero di acidi grassi e di batteri simbiontici complica tremendamente l’interpretazione del fenomeno, a causa della ridondanza di informazioni che ogni singola variabile fornisce e la loro stretta relazione nei processi metabolici.

Tecniche di analisi statistiche dei dati con approccio multivariato possono essere un utile strumento per ovviare a questi grossi limiti, come proposto nel lavoro “Exploring the relationship between bacterial genera and lipid metabolism in bovine rumen” pubblicato sulla rivista Animal (reperibile al seguente link https://pubmed.ncbi.nlm.nih.gov/35468508/)



Conte et al. (2022) hanno proposto un approccio statistico basato sull’utilizzo dell’Analisi delle Correlazioni Canoniche (CCA), una tecnica multivariata che offre un utile sistema di valutazione delle relazioni lineari tra due gruppi di variabili. L’approccio è una sorta di regressione tra due gruppi di variabili che consente di individuare l’associazione presente tra le variabili dei due gruppi dettata da variazioni quantitative direttamente o indirettamente correlate.


Nel lavoro di Conte et al. (2022) la CCA è stata applicata confrontando il gruppo di generi batterici, con il gruppo di acidi grassi direttamente coinvolti in un particolare pathway metabolico (bioidrogenazione ruminale, sintesi dei dimetil acetali e sintesi degli acidi grassi ramificati) allo scopo di individuare una possibile associazione tra alcuni generi batterici e alcuni acidi grassi.


Nell’applicazione della CCA il gruppo dei generi batterici è stato considerato come la variabile indipendente, mentre il gruppo degli acidi grassi come la variabile dipendente. Il numero di variabili per gruppo, “n” per quello indipendente e “p” per quello dipendente, deve essere tale che n < p. La CCA genererà “n” combinazioni lineari chiamate variabili canoniche. Ogni variabile canonica spiega una parte delle correlazioni, con le prime (solitamente le prime due) che spiegano la maggior parte delle correlazioni tra i gruppi e quindi sono quelle più rappresentative per lo studio delle relazioni tra i due gruppi di variabili.


Una elevata correlazione tra due variabili canoniche, comunque, non significa che esiste una forte relazione tra i due set di variabili. La correlazione canonica massimizza la correlazione tra le due variabili canoniche, quindi, se tale correlazione è significativa, è necessario calcolare l’indice di ridondanza, per determinare quanto della variazione delle variabili dipendenti sia dovuta a quelle indipendenti (Sharma, 1996).


Figura 1. Esempio di output di una Analisi di Correlazione Canonica. (tratta da Conte et al., 2022)


La figura 1 riporta un esempio dell’output che si ottiene dalla CCA. Ogni variabile originale è considerata correlata con altre variabili se lo score con le due variabili canoniche è maggiore di 0,5. Per una più facile interpretazione del risultato, le variabili C18:1t15, C18:1c11 e il genere Oribacterium non mostrano valori superiori alla soglia, pertanto mostrano scarsa correlazione.


Al contrario, le altre variabili hanno mostrato una forte correlazione. Tale correlazione è tanto più diretta quanto più vicine sono le variabile nel sistema di assi cartesiani. Ad esempio, il genere Acetitomaculum è direttamente correlato con gli acidi grassi C18:1t12, C18:1c12, C18:1c13, C18:2c9c12. Questo gruppo di variabili, a sua volta, mostra una correlazione inversa con Saccharofermentans, Ruminococcaceae_UCG-010, Rikenellaceae_RC9_gut_group e C18:2c9t11.


La CCA può rappresentare un efficiente metodo per indagare sulle associazioni tra particolari generi batterici e specifici prodotti del metabolismo lipidico. Questo approccio statistico può essere una valida applicazione anche in altri settori dove devono essere valutate le correlazioni tra gruppi di variabili.


 

Fonti:


Contributo a cura della Commissione ASPA “Metodologia statistica e disegno sperimentale

Appunti”

Sinossi tratta dall’articolo “Exploring the relationship between bacterial genera and lipid metabolism in bovine rumen” - G. Conte, C. Dimauro, M. Daghio, A. Serra, F. Mannelli, B.M. McAmmond, J.D. Van Hamme, A. Buccioni, C. Viti, A. Mantino, M. Mele


Animal, 16 (2022), doi.org/10.1016/j.animal.2022.100520.

https://pubmed.ncbi.nlm.nih.gov/35468508/

79 visualizzazioni0 commenti