![](data:image/png;base64,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)
Nutrición Animal Tropical 14(1): 13-35. Enero-Junio, 2020
ISSN: 2215-3527 / DOI 10.15517/nat.v14i1.41475
_________________________________________________________________________________________________
_______________________________________________________________________________________
1
Proyecto de Investigación. 739-B5-142. Vicerrectoría de Investigación. Universidad de Costa Rica. Este trabajo forma parte de la
tesis de licenciatura del primer autor. Ingeniería Agronómica con énfasis en Zootecnia. Escuela de Zootecnia. Facultad de Ciencias
Agroalimentarias. Universidad de Costa Rica. San José, Costa Rica.
2
Alimentos del Norte S.A. (ALIANSA). Correo electrónico: walter.arceramirez@gmail.com
3
Universidad de Costa Rica. Escuela de Zootecnia y Centro de Investigación en Nutrición Animal. San José Costa Rica. Correo
electrónico: augusto.rojas@ucr.ac.cr (https://orcid.org/0000-0002-9834-2361)
4
✉
Universidad de Costa Rica. Escuela de Zootecnia y Centro de Investigación en Nutrición Animal. San José Costa Rica. Autor para
correspondencia: carlosmario.campos@ucr.ac.cr (https://orcid.org/0000-0002-0079-2621)
Recibido: 14 agosto 2019 Aceptado: 26 marzo 2020
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
ARTÍCULO CIENTÍFICO
Determinación del contenido energético de materiales forrajeros a través de la relación
entre la técnica de producción de gas
in vitro
y la ecuación mecanicista del NRC (2001)
1
Walter Arce-Ramírez
2
, Augusto Rojas-Bourrillon
3
, Carlos M. Campos-Granados
4✉
RESUMEN
El objetivo de este estudio fue estimar el contenido de energía metabolizable (EM) de fuentes
forrajeras utilizadas en Costa Rica por medio de la ecuación del NRC (2001) y las ecuaciones
utilizadas en la metodología de producción de gas
in vitro
a las 24 horas de incubación (PG24h).
La composición química, bromatológica y la producción de gas se analizaron en el Centro de
Investigación en Nutrición Animal (CINA). Se seleccionaron las dos ecuaciones de la metodología
de gas con los mejores coeficientes de determinación respecto a la ecuación NRC (2001): Steingass
y Menke (1980) y Menke y Steingass (1988). Mediante un análisis de correlación de Pearson y un
análisis de regresión lineal se evaluó la relación entre la composición nutricional de los alimentos y
ambas metodologías de estimación de energía. Los forrajes con mayor y menor EM obtenida con
la ecuación NRC (2001) fueron el Ryegrass (2,59 Mcal kg/MS) y Camerún (1,79 Mcal kg/MS). De
acuerdo a la ecuación del NRC (2001) se determinó que la fibra detergente neutro (FDN), fibra
detergente ácido (FDA) y lignina influyen negativamente en la concentración de energía (R
2
= -0,56;
-0,54; -0,35; p<0,05, respectivamente), mientras que la proteína cruda (PC) y el extracto etéreo (EE)
tienen una correlación positiva. La ecuación con el coeficiente de determinación más alto (R
2
=0,72)
considera las variables de PG24h, PC, FDN y lignina. La producción de gas no se ve afectada por la
concentración de PC, cenizas y EE (p>0,05), pero se ve afectada negativamente por la FDN, FDA y
la lignina, con coeficientes de correlación de Pearson de -0,44, -0,32 y -0,33 (p<0,05),
respectivamente. El forraje con mayor PG24h fue la caña de azúcar, seguido de Festulolium y
Ryegrass, mientras que el pasto Camerún y la Cratylia obtuvieron valores menores. El Ryegrass y el
Camerún fueron los forrajes con mayor y menor energía respectivamente, estimados a partir de la
ecuación de gas seleccionada. Las fracciones fibrosas se correlacionaron negativamente con la
energía determinada mediante la ecuación de gas, mientras que la PC y EE presentan una relación
positiva. La técnica de producción de gases demostró ser efectiva para estimar el contenido
energético de fuentes forrajeras, a partir de una metodología que incluye menos análisis y por ende
deriva en un menor costo por concepto de análisis de laboratorio.
Palabras clave: alimentación, rumiantes, contenido nutricional, energía.