Commentcaractériserlaperformancedesporcsencroissancefaceàdeschallenges

liésàleurenvironnementd’élevage?

MasoomehTAGHIPOOR,LudovicBROSSARD,JaapVANMILGEN

PEGASE,INRA,AgroCampusOuest,35590,Saint-Gilles,France

Masoomeh.taghipoor@inra.fr

Commentcaractériserlaperformancedesporcsencroissancefaceàdeschallengesliésàleurenvironnementd’élevage?

L’objectifdecetravailestdedécrire,àl’aided’unmodèlemécaniste,l’influenced’uneperturbationdansl’environnementsurlaconsommation d’aliment des porcs en croissance. Cette dernière étant considérée comme un indicateur de stressenvironnemental,sareprésentationpermetdemieuxappréhenderlesmodificationsdelacinétiquedecroissancechezlesporcs.Deplus,avec lesnouvelles technologiesdemonitoring, ilestmaintenantpossibled'évaluer l'impactdecesperturbationssur laconsommationjournalièreetsurlaperformancedel'animalentempsréeletàtrèshautdébit.Lemodèledéveloppéestbasésurdeuxsous-modèles:unpremierquipermetdedécrirelaperformancedesporcsencroissancedansunenvironnementstandard(InraPorc), et un second connu en physique pour décrire le comportement d’un système face aux perturbateurs extérieurs(système de ressort et amortisseur). Le couplage de ces deux modèles a permis de décrire l’influence des perturbateurs surl’ingestion de porcs en croissance, et de caractériser par deux paramètres la réponse de porcs face à une perturbation. Lacomparaisondecesparamètrespermetalorsdeclasserlesanimauxenfonctiondeleurrésistanceetleurdegréderésilienceainsiqueleuraptitudeàretrouverplusoumoinsrapidementunecroissancenormaleaprèsuneperturbation.Lesrésultatsmontrentquecontrairementauxanimauxavecunecroissancelente,lesanimauxavecunecroissancerapidesontmoinsrobustesfaceàlaperturbation etmettent plus du temps à regagner leur trajectoire de croissance normale. Pour lemoment, lemodèle permetd’étudierlaperformancedesanimauxfaceàuneseuleperturbation.Lesfutursdéveloppementsdumodèleontpourobjectifdel’adapteràladétectionautomatiqueetl’étudedeplusieursperturbationsd’originesconnuesouinconnues.

Characterizationofgrowingpigs’adaptiveresponsewhenfacedwithenvironmentalperturbations.

Themainobjectiveofthisworkistodevelopamechanisticmodeltodescribetheinfluenceofagenericandunknownperturbationonthefeedintakeofgrowingpigs.Thislatterisconsideredasareliableindicatorofstressintheenvironment,itsrepresentationby a model is useful to better understand the influence of the stress on the growth kinetics of pigs. Moreover, with novelmonitoringtechnologies,itisnowpossibletoevaluatetheimpactoftheseperturbationsonanimalperformanceinrealtimeandwithahighfrequency.Theproposedmodelisbasedontwosub-models:InraPorc,amodeltodescribegrowingpigs’performanceinstandardconditions,andawell-knownmodelinphysics(springanddampersystem)todescribethebehaviorofasysteminthepresence of external perturbations. Coupling these twomodels made it possible to represent the influence of environmentalperturbationsonthefeedintakeofgrowingpigs.Inthisnewmodel,weintroducedtwoparameterstocharacterizetheresponseofanimalswhenfacedwithperturbations.Themain interestof thischaracterization is todefinenewstandardstorankanimalsbased on their performance and on their capacity to recover normal growth after perturbation. The results show that unlikeanimalswith a slowgrowth, animalswith rapid growthare less robustwhen facedwithperturbations and take longer time toregaintheirstandardgrowthtrajectory.Currently,themodel isabletosimulatetheperformanceofanimalsfacingwithagivenstress; future development of themodelwill adapt it to the automatic detection and simulation of several perturbationswithknownorunknownorigins.

2017. Journées Recherche Porcine, 49, 25-30.

25

INTRODUCTION

Laperformancesedéfinitcommelacapacitédeproductiond’unanimal (la capacité d’ingestion d’aliment, le gain de poids, leratiodes tissusmaigreetgras, le rendementencarcasse,etc.).Cette performance est en partie déterminée par le potentielgénétiquedel’animaldontl’expressionestfortementinfluencéepar les facteurs environnementaux. Les animaux d’élevagedoivent de plus en plus faire face à des contraintesenvironnementales liéesàdesmilieuxchangeantsetcontrastésen termes de température (pic de chaleur, hausse destempératures moyennes, etc.), d’hygiène, de modifications del’espace alloué aux animaux (élevage en groupe, en systèmesd’alimentationautomatiques,etc.).Ainsi,laplupartdesanimauxn’expriment pas la totalité de leur potentiel de production enraison de contraintes au cours de la vie productive,mais aussiparcequel’environnementd’élevageestdifférentdeceluidanslequell’animalaétésélectionné.Unemeilleureconnaissancedel’adaptation de l’animal face à des contraintesenvironnementales susceptibles de perturber sa physiologie etses performances est indispensable pour garantir uneproduction compatible avec les enjeuxde la durabilité (Bolhuiset Kemp, 2016). Dans ce travail, nous nous focalisons sur lesperturbations ponctuelles ou à court terme. Ce type dechallenge influence ponctuellement les cinétiques desperformances des animaux au cours de leur vie productive,contrairementàuneperturbationchronique (à long terme)quichangeplusglobalementlephénotypedel’animal.Aveclesnouvellestechnologiesdemonitoring,ilestmaintenantpossible d’évaluer plus précisément l’impact d’événementsperturbateurs ou challenges ponctuels (par exemple pic dechaleur, événement sanitaire, …) sur la cinétique desperformances de l’animal. La compréhension des mécanismesmis en œuvre par l’animal pour résister à ces challenges etrebondir après un ou plusieurs challenges successifs estimportante pour proposer des stratégies de gestion dansl’élevage. Prendre en compte les perturbations dans la gestiond’un élevage constitue un enjeu majeur pour l’élevage deprécision(viae.g.l’alimentationdeprécisionoulamédicationdeprécision). Les impacts socio-économiques potentiels(considération de l’animal comme «individu», détection desproblèmesetapportdesolutionsindividuelleset/oucollectives,réductions de l’utilisation des antibiotiques…) sont indéniableset justifient la prise en compte de ces perturbations dans lecadre de la durabilité de l’élevage et de la production(Berckmans, 2014). Différentes études expérimentales ont étémenées pour observer et comprendre l’influence del’environnement sur la performance des animaux d’élevage(Renaudeau et al., 2013; Campos et al., 2014) mais restentinsuffisantespourenvisagerunegrandediversitédechallenges,deconditionsd’application,etderéponsesindividuelles.Laréponsedel’animalauxperturbationsestcomplexeetdoitêtre analysée de façon systémique, c’est-à-dire que l’on nepeut se contenter de faire la sommedesdifférents élémentsde cette réponse pour en comprendre la nature. De ce fait,une approche multidisciplinaire basée sur la modélisationmathématique de la réponse adaptative de l’animal est plusappropriée que les expérimentations successives pourcaractériser cette réponse. Différents modèles existent pourdécrire le phénotype des porcs en croissance dans unenvironnementdonnéetstable(vanMilgenetal.,2008;Fragaetal.,2015).Cesmodèlespermettentd’étudierl’influencedesdifférents régimes et des stratégies alimentaires sur la

performance d’un animal sans tenir compte des fluctuationsponctuelles de l’environnement (Strathe et al., 2015).LemodèledeWellocketal. (2003)décrit l’impactd’unstresssocial sur l’ingestionchez lesporcs.Cesmodèles,malgré leuraspect mécaniste et leur bonne capacité de prédiction, netiennent pas compte de l’influence des changements dansl’environnement de l’animal sur l’ensemble de saperformance; ilsnemodélisentpasouqu’imparfaitement lesruptures de croissance et les éventuels rebonds (capacité derésilience des animaux) au cours de la vie productive. Lestechnologiesactuellementdisponiblespermettentdesuivrelaperformance des animaux de façon individuelle et à hautefréquence.Cecinouspermetdedétecterdesperturbationsdeperformanceetd’étudierlacapacitéd’adaptationdusystème.Cettecapacitéestcaractériséepar(i)ledegréderésistancedusystèmedéfiniparl’amplitudedelaréponsedusystèmefaceàla perturbation,qui dépend en outre à l’intensité deperturbation et (ii) par sa résilience ou capacité derécupération du système après la perturbation (Sauvant etMartin,2010). Nous proposons dans ce travail (i) de caractériser la réponsedesporcsencroissanceauxperturbationsdel’environnementparunedémarchedemodélisation,(ii)deproposerdesloisderéponses adaptatives en s’attachant notamment aux phasescaractérisant la résistance puis la résilience animale. L’aspectgénérique de ce modèle le rend applicable à tous types destress,ycomprisceuxdontl’origineestinconnue.

1. DESCRIPTIONDUMODELE

1.1. Modélisationdelaperformanceduporcencroissanceenconditionsnonperturbées

Comme mentionné précédemment, différents modèlesexistentpourdécrire laperformancephénotypiquedesporcsen croissance dans un environnement stable. Nous nousbasonsicisurlemodèleInraPorc(vanMilgenetal.,2008)quipermet de caractériser les porcs en croissance avec cinqparamètresmajeurs. Danscemodèle,parmidifférentes fonctionsdupoidsvif (PV)de l’animal, la capacité d’ingestion d’aliment ad libitum del’animal (exprimée en kg ou MJ) peut être décrite par unefonction Gamma dépendant de l’énergie nécessaire pourl’entretiendel’animal.Nousavonsainsi:

𝑄𝐼 𝑡 = Γ 𝑃𝑉 𝑡 , 𝑎, 𝑏 ,oùaetb sont des paramètres phénotypiques dépendant del’ingestion potentielle de l’animal quand ce dernier atteint50kget100kgPV(QI50etQI100),respectivement.Lepotentieldecroissancede l’animalest représentédanscemodèleparledépôtprotéiquequiestdécritparunefonctionGompertz dans des conditions environnementales standards.Cette fonction sigmoïdale compare l’état actuel de l’animal(i.e.,lamassedesprotéinescorporelles)parrapportàunétatprévu. Au lieu de paramétrer cette fonction par lamasse deprotéines corporelles à la maturité, les auteurs ont utilisé lamoyennedudépôtdeprotéinesentreledébutetlafind’unesimulation (PDmoyen). De plus, ce paramétrage permet dechanger la forme de la courbe de croissance (à l’aide d’unparamètre nommé Précocité) sans changer la moyenne dudépôtdeprotéines.LemodèlenécessiteaussideconnaitrelePV de l’animal en début de croissance (PVinit). Ce modèlepermet alors de caractériser le potentiel phénotypique d’unporc en croissance par cinq paramètres (QI50, QI100,PDmoyen,Précocité,PVinit).

2017. Journées Recherche Porcine, 49.

26

A titred’exemple, l’évolutionen fonctionde l’âgeduPV réeldedeuxporcsencroissanceestreprésentéedanslafigure1aen considèrent un aliment avec 8,85 MJ/kg d’énergie nette(EN).Lesdonnéesmontrentunecroissanceplusrapidechezleporc A. Ces données ainsi que les mesures d’ingestionjournalièresontétéutiliséesafind’estimerlescinqparamètresdumodèlepermettantdecaractérisercesdeuxanimaux.

Les résultats sont présentés dans le tableau 1. Cettecaractérisationconfirmeque leporcApossèdeunpotentielde croissance plus important que le porc B, traduit par unPDmoyen plus élevé, en accord avec les courbes de PV. Ledépôt journalier de protéines, simulé par InraPorc enutilisant lesparamètresdutableau1,estreprésentédans lafigure1b.

Figure1–Représentationenfonctiondel’âgea)desprofilsdespoidsvifsdedeuxporcsencroissancedansunenvironnementstandardetenabsencedeperturbationetb)descourbesdedépôtdeprotéines,simuléesparlemodèleInraPorc

enutilisantlesparamètresdutableau1.Tableau1–ValeursdesparamètresInraPorcestimés

àpartirdesdonnéesdepoidsvifetl’ingestiondedeuxporcsencroissance

Porc PVinit,kg

Précocité,/j

PDmoyen,g/j

QI50,MJEN/j

QI100,MJEN/j

A 31,67 0,01 198,13 15,39 31,67B 32,91 0,01 151,97 14,29 24,65RMSEPdeporcA=2,63,RMSEPdeporcB=2,26;oùRMSEPestlaracinecarréedel’erreurquadratiquemoyennedelaprédiction.

1.2. Intégrationdeperturbationsdanslemodèle

Afindedévelopperunmodèlequipermetdecaractériser laréponse des animaux face à une perturbation dansl’environnement, il faut tout d’abord caractériserl’environnement perturbé, pour ensuite l’intégrer dans lemodèle InraPorc. En effet, un challenge thermique peutfacilementêtrecaractériséavecladifférencedestempératuresentre conditions standards et perturbées (Renaudeau, 2015),Or, il n’est pas toujours possible de caractériser uneperturbation environnementale, quand il s’agit de l’étatd’hygiène d’un élevage ou les modifications non contrôléesdansl’environnement(Sandbergetal.,2007).Dansunsecondtempsetcomptetenudelavariabilitéentrelesindividusdansunélevage, il fautdécrire laperceptiondecetteperturbationpar chaque individu. En effet, l’intensité des réponses varieselon les individus. Nous cherchons alors un indicateur de laprésencede la perturbationdans l’environnementqui reflètecomment elle a été perçue par chaque animal. L’ingestiond’aliment (et donc l’acquisition des ressources) est un despremiers facteurs influencé lors des modifications dansl’environnement de l’élevage.Ce facteur permet nonseulement de détecter la présence des perturbations dansl’environnement mais représente aussi les caractèresadaptatifs de chaqueanimal face à cetteperturbationou, end’autres termes, sa perception. L’ingestion a aussi l’avantaged’être facilement mesurable avec les outils d’élevage deprécision.

Des courbes d’ingestion obtenues par le processus d’analysedesdonnéesfonctionnellesaveclepackagefda(Ramsay,2005)du logiciel R (3.2.0, R Core Team, 2015) chez sept porcs encroissance entre 110 et 130 jours d’âge (base de donnéesinterne) sont représentées dans la figure 2a. Nous pouvonsconstater dans toutes les courbes d’ingestion une baisse deconsommationsuivieparun rebond,maisavecdes intensitésdifférentes;end’autrestermesnousobservonsunerésistanceface à la perturbation environnementale suivie par unepériodederésilience.Pourcaractériserlaréponsedesanimauxfaceàuneperturbation,nousutilisonslemodèleKelvin-Voight(Marques et Creus, 2012) qui représente le comportementd’un système de ressort-amortisseur face à une forceextérieure.Sadouletal.(2015)ontmontréquecemodèleestadéquat pour décrire la réponse des animaux face auxperturbationsdansl’environnement.Ainsi,pourmodéliserdescourbes d’ingestion présentant des formes indiquant uneperturbation,nousproposonsunmodèled’ingestiond’alimentsouslaformed’unefonctiondeGammaintégrantunsystèmede ressort et amortisseur en équilibre. Ce système est alorssoumis à une force extérieure lors des perturbationsenvironnementales.NousintégronsdoncàlafonctionGammaproposée dans le modèle InraPorc, une fonction 𝛼(𝑡) quidécrit les déviations de cette courbe optimale suite à laprésencedesperturbationsdansl’environnement.Lenouveaumodèled’ingestionestalorsprésentélafonctionIQp:

où 𝛼(𝑡,𝐾,𝐶) est une fonction positive qui représente lesystèmeressortetamortisseur.Lafonction𝛼estlasolutiondel’équationKelvin-Voight:

𝑝𝑒𝑟𝑐𝐹×𝑑!𝛼𝑑𝑡 𝑡 = 𝑝𝑒𝑟𝑐𝐹 − 𝐾×𝛼 𝑡 − 𝐶×

𝑑𝛼𝑑𝑡 𝑡 ,

dans lequel t représente la période de perturbation leparamètrepercFreprésentelaperceptiondelaperturbationpar l’animal,K laconstantede ressortetC lecoefficientdel’amortisseur (pourplusdedétails sur le systèmeressortetamortisseur,voirSadouletal.,2015).

𝐼𝑄!(𝑡) = 𝛼(𝑡,𝐾, 𝐶)×Γ(𝑎,𝑏,𝑃𝑉(𝑡)) ;

a b

2017. Journées Recherche Porcine, 49.

27

Figure2–a)Courbesd’ingestionenfonctiondel’âgede7porcsencroissance,soumisàuneperturbationdansl’environnementdontl’origineestinconnue.b)Enprésenced’uneperturbation,lemodèleproposedeconsidérerlacourbed’ingestioncommeunressortinfluencéparuneforceextérieure(Fperturb).LesdeuxparamètresdeK(constantederessort)etC(coefficient

d’amortisseur)permettentdecaractériserlaréponseadaptativedel’animal.En présence des perturbations, la fonction 𝛼 induit desdéviations de la trajectoire d’ingestion prédite par InraPorc,poursuivrelanouvelletrajectoiredel’ingestion(IQp).Lafigure2b indique comment la réponse de l’animal peut êtrecaractérisée par les deux paramètres du système ressort-amortisseur.Eneffet, lesparamètresK (constantederessort)et C (coefficient d’amortisseur) permettent de représenter laréponse de l’animal en termes de résistance face à laperturbation et de rebond après la perturbation.Une grandevaleurdeKestassociéeàunegranderésistancedusystèmeetune petite valeur de C est associée à un rebond rapide dusystème.Lacapacitéderésilienced’unsystèmepeutaussiêtrereprésentéeiciparleparamètrededécroissanceexponentielledans l’équation de ressort-amortisseur T = C/K. Uneperturbation dans l’environnement d’élevage peut influencerla performance des porcs en croissance à deux niveaux: (i)modificationdel’ingestiond’aliment,(ii) modification de l’allocation de l’énergie à différentscompartiments de l’animal.Nous sommes conscients qu’unmodèle ne reflète qu’une partie de la réalité et permetsurtout d’affiner les modèles existants. Par exemple, lesdonnéesde la figure2bmontrentque l’animalne retrouvepas sa consommation initiale après la perturbation, ce quiindiqueque1)laperturbationsepoursuitjusqu’àlafinou2)la perturbation a changé les paramètres du modèle ou lephénotype de l’animal via l’adaptation à ce nouveauchangement dans l’environnement. D’autre part, nousobservons une augmentation de l’ingestion après laperturbation, qui peut indiquer une consommationcompensatrice. Dans cet article nous nous focaliserons surlesmodificationsdans lescourbesdel’ingestiond’alimentàla suite d’une perturbation ponctuelle de l’environnementsur une période donnée et nous évoquerons ensuite lespossibilitésd’améliorationdecemodèle. La figure 3 représente un schéma simple de ce modèle. Ilmontre que la consommation ad libitum d’aliment dépendde l’environnement: elle est représentée par la fonctionGamma de l’entretien dans un environnement standard etqui est influencée par un système de ressort-amortisseurdans un environnement perturbé. Lemodèle contient septparamètresprincipauxassociésàlaperformancedel’animal,dont deux (K et C) qui caractérisent en termes deconsommationadlibitumlaréponseàuneperturbationdansl’environnementd’élevage.

Afin d’en tester le comportement, le modèle a été utilisépourcaractériserlaréponseentermesd’ingestiondequatredes animaux de la figure 2. La trajectoire de croissance deces animaux a été influencée par une perturbation dansl’environnement dont l’origine est inconnue. Cependant,nous faisons l’hypothèse que c’est la seule perturbationsurvenuependant laduréedecroissancedecesanimauxetqu’elleaduré20jours,entre110et130joursd’âge.Lessixparamètres du modèle décrivant les caractéristiques del’animal ont été estimés en utilisant le logiciel Matlab(MATLAB2015b,TheMathWorks,Natick,2015).

2. RESULTATS-DISCUSSION

Letableau2présentepour lesquatreanimauxsélectionnésles paramètres de la performance et la réponse à laperturbationainsiquel’erreurrésiduelle(RMSEP)enkg.Nousnous focalisonsprincipalementsur lesdeuxparamètres (K,C)décrivant les caractères adaptatifs de ces animaux. Nousfaisons l’hypothèse qu’un retour rapide sur la trajectoirestandard de l’ingestion est équivalent à une meilleureadaptationdel’animal.LesvaleursdecoefficientderésilienceT(Tableau2),montrentque l’animal5070aune résilience trèsrapide et le porc 5073 une résilience très lente comparé auxautres animaux. Nous avons utilisé ces paramètres pourprédirelescourbesd’acquisitiond’alimentensebasantsurlemodèle d’ingestion proposé dans cet article. La figure 4montre, pour les quatre animaux sélectionnés, les donnéesexpérimentales d’ingestion (points gris), l’ingestion préditeavec notre modèle (courbe noire) et l’ingestion prédite parInraPorc (courbe pointillée). Nous observons une baisseimportantedel’ingestionchezlesanimaux5144et5073faceàcette perturbation, alors que l’ingestion des porcs 5070 et5071 est moins influencée. D’autre part, ces derniers onttendance à récupérer rapidement, ce qui est attendu en sebasantsurleurcoefficientderésilience(T=13,80etT=16,9,respectivement). Nous pouvons en déduire que ces animauxont une capacité d’adaptation plus importante face à cetteperturbationcomparéauxdeuxautresdontlescoefficientsderésiliencesontplusélevés.Cependant,nouspouvonsconstaterque malgré une adaptation rapide, ces animaux présententune ingestion plus faible après la phase de rebondcomparativementàl’ingestiondesporcs5073ou5144.

Age(jours)

ab

Age(jours)

Ingestion(kg/jour)

Ingestion(kg/jour)

2017. Journées Recherche Porcine, 49.

28

Figure3–Schémadeprincipedumodèleproposépourdécrirel’influencedesperturbationsdansl’environnementsurl’alimentationadlibitum.Lesflèches(->)représententlesfluxdenutrimentsoud’énergie.

Tableau2–Valeursdesparamètresdequatreporcsencroissance,estimésàpartirdesdonnéesdepoidsvifetd’ingestion.LeparamètreTreprésentelacapacitéderésiliencedel’animalaprèslafindelaperturbation

Paramètresdumodèle1

Porc PVinit,kg Précocité,/j PDmoyen,g QI50,MJEN QI100,MJEN K(sansunité) C,N/m T=C/K RMSEP

5070 22,89 0,0002 150,50 26,39 20,06 0,17 2,39 13,80 6,36

5071 21,44 0,005 142,60 26,98 21,41 0,17 2,86 16,9 1,65

5073 21,09 0,001 161,43 29,42 30,96 0,051 2,54 49,67 3,20

5144 25,06 0,00003 149,72 28,58 22,25 0,07 2,85 35,40 3,261Précocité,PDmoyen:paramètresdelafonctiondeGompertzdécrivantlepotentieldedépôtprotéique;QI50,QI100:potentield’ingestiondel’animalà50kget100kgdepoidsvif,respectivement;K:constantederessort;R:coefficientd’amortisseur;T:lacapacitéderésilience.

Figure4–Courbesd’ingestionadlibitumdequatreporcsentre110et130joursd’âgeetayantsubiuneperturbationd’origineinconnueentre110et130joursd’âge:courbeobtenueparsimulationaveclemodèleproposéici(courbenoire),

courbeobtenueaveclemodèleInraPorc(courbepointillée)etmesuresexpérimentales(pointsgris).Plusieurs explications peuvent justifier ce comportement:(i) cela peut être dû à une deuxième perturbation quiinfluencel’ingestionduporc5070etquin’apasétépriseencompte dans notre modèle. Cependant nous pouvonsconstaterlaprésenced’autresperturbationségalementdans

les profils d’ingestion des autres animaux (diminution del’ingestion). (ii) Ce comportement peut aussi être expliquéparuncompromisentrelesdifférentesfonctionsd’unanimal(Douhard et al., 2014). En effet, il a été montré que lesanimaux avec une performance de production importante,

2017. Journées Recherche Porcine, 49.

29

onttendanceàallouerplusderessourcesàlaproduction(iciledépôtdesprotéines)plutôtqu’àlafonctionadaptationoudéfense immunitaire. Les animaux plus performants enproduction (5073 et 5144) sont alors plus fragiles face auxperturbations.

CONCLUSION

Nousavonsproposéunmodèlepermettantdecaractériserlaréponse adaptative des animaux aux perturbations dansl’environnement. Ce modèle permet de caractériser laperformancedeproductiondes animaux en tenant comptede leur comportent alimentaire face à une perturbation.Cetteapprochepermetd’envisagerdeproposerdesfacteurscomplémentairesdesélectionquipermettentdeprogresserversdesstratégiesdurablesdesélectionetdeconduitedesanimaux(Friggensetal.,2010).Danscetarticle,nousavonstraité le cas de perturbations avec des origines inconnues.Une connaissance sur l’origine des perturbations permettrad’affiner les moyennes des paramètres K et C et avoir desestimationsplusréalistes. Dans lecadrede l’élevageetde l’alimentationdeprécision,ce modèle peut permettre de détecter précocement desdéviations de la trajectoire de performances de l’animal(liées à des perturbations de l’environnement identifiablesoupas),etdeproposerdesstratégiesdegestionafinde luipermettre de regagner sa trajectoire «optimale» deperformance. Dans la version actuelle du modèle, les

intervalles de perturbations sont introduits par l’utilisateuren observant les déviations de la trajectoire d’ingestionprédite par InraPorc. Cependant, nous savons qu’enprésence des perturbations, les prédictions d’InraPorc sontfortement biaisées par les données perturbées, ce quidiminue la moyenne générale d’ingestion prédite pendanttoute la durée de croissance. Afin de rendre le modèleapplicable dans l’alimentation de précision,(i) il faut déterminer la trajectoire optimale de l’ingestiondanslesconditionsstandardsetenabsencedeperturbation,(ii) le modèle doit être capable de détecterautomatiquement la survenue des perturbations (une ouplusieurs) ou des déviations de cette trajectoire optimaled’ingestion. A terme, ceci permettra d’intégrer ce modèledansunoutild’aideà ladécisionutilisabledans lecadredel’élevage de précision, afin de déclencher une alarme dèsl’apparitiond’uneperturbationetcelaauniveaudechaqueindividu.

REMERCIEMENTS

Les auteurs remercient le projet européen Feed-a-Gene(programmeH2020,UnionEuropéenne,numérod’agrément633531)pourlesoutienfinancierapportéàcetravail.Lecontenudecetarticlenereflèteque lepointdevuedesauteurs et la Communauté Européenne ne peut pas êtretenue responsable de quelque utilisation qui pourrait êtrefaitedesinformationsquiysontprésentées.

REFERENCESBIBLIOGRAPHIQUES

• BerckmansD.,2014.Precisionlivestockfarmingtechnologiesforwelfaremanagementinintensivelivestocksystems.Rev.Sci.Tech.,33,189–96.

• BolhuisJ.E.,KempB.,2016.Improvingwelfare,health,andproductivityinpigsbyoptimizingadaptation.J.Anim.Sci.,94Suppl.2,11-12.• CamposP.H.R.F.,LabussiereE.,Hernandez-GarciaJ.,DuboisS.,RenaudeauD.,NobletJ.,2014.Effectsofambienttemperatureonenergyand

nitrogenutilizationinlipopolysaccharide-challengedgrowingpigs.J.Anim.Sci.,92,4909–4920.• Douhard F., Tichit M., Amer P.R., Friggens N.C., 2014. Synergy between selection for production and longevity and the use of extended

lactation:insightsfromaresourceallocationmodelinadairygoatherd.J.Anim.Sci.,92,5251–5266.• FragaB.N.,LovattoP.A.,RobertoP.,RoratoN.,OliveiraV.De,AugustoC.,RossiR.,LehnenC.R.,2015.Modelingperformanceandnutritional

requirementsofpigslotsduringgrowthandfinishing.Cienc.Rural,45,1841–1847.• Friggens N.-C., Sauvant D., Martin O., 2010. Vers des définitions opérationnelles de la robustesse s’appuyant sur des faits biologiques :

l’exempledelanutrition.INRAProd.Anim.,23,43–51.• MarquesS.,CreusG.,2012.ComputationalViscoelasticity,Springer-VerlagEd.,BerlinHeidelberg,124p.• MATLABversion8.6.Natick,Massachusetts:TheMathWorksInc.• RCoreTeam,2015.R:ALanguageandEnvironmentforStatisticalComputing.• RamsayJ.O.,2005.MATLAB,RandS-PLUSFunctionsforFunctionalDataAnalysis1–66.• RenaudeauD.,2015.Adaptationtohighambienttemperatureandsolutionsforcopingwiththermalheatstress,ProcWorldConferenceon

InnovativeAnimalNutritionandFeeding(Wianf) ;Budapest,Hongrie,50–57.• Renaudeau D., Frances G., Dubois S., Gilbert H., Noblet J., 2013. Effect of thermal heat stress on energy utilization in two lines of pigs

divergentlyselectedforresidualfeedintake.J.Anim.Sci.,91,1162–1175.• SadoulB.,MartinO.,PrunetP.,FriggensN.C.,2015.Ontheuseofasimplephysicalsystemanalogytostudyrobustnessfeatures inanimal

sciences.PLoSOne10,e0137333.• SandbergF.B.,EmmansG.C.,Kyriazakis I.,2007.Theeffectsofpathogenchallengesontheperformanceofnaïveand immuneanimals: the

problemofprediction.Animal,1,67-86.• Sauvant D., Martin O., 2010. Robustesse, rusticité, flexibilité, plasticité... les nouveaux critères de qualité des animaux et des systèmes

d’élevage :définitionssystémiqueetbiologiquedesdifférentsconcepts.INRAProd.Anim.,23,5–10.• Strathe A.B., Danfær A., Jørgensen H., Kebreab E., 2015. A dynamic growth model for prediction of nutrient partitioning and manure

productioningrowing–finishingpigs:Modeldevelopmentandevaluation.J.Anim.Sci.,93,1061–1073.• vanMilgenJ.,ValancogneA.,DuboisS.,DourmadJ.-Y.,SèveB.,NobletJ.,2008.InraPorc:Amodelanddecisionsupporttoolforthenutrition

ofgrowingpigs.Anim.FeedSci.Technol.,143,387–405.• Wellock I.J.,EmmansG.C.,Kyriazakis I.,2003.Predictingtheconsequencesofsocialstressorsonpigfood intakeandperformance.J.Anim.

Sci.,81,2995–3007.

2017. Journées Recherche Porcine, 49.

30