Evaluación del contenido energético de la harina de soja basado en su composición química y calidad nutricional. Críticas y soluciones al uso de ecuaciones de predicción

La harina de soja (HS) es la principal fuente de aminoácidos (AA) esenciales utilizadas en piensos para animales monogástricos. Debido a sus altos niveles de inclusión, es conveniente ser precisos en la predicción de su contenido energético para reducir los costes de producción (Mateos et al., 2019).

• La contribución energética de la harinas de soja al pienso se estima en base a valores tabulados, ecuaciones de predicción y resultados obtenidos en pruebas “in vivo”.
• En la mayoría de los casos, los valores publicados por instituciones de prestigio son la principal fuente de información utilizada para formular piensos comerciales.
• Sin embargo, la variabilidad existente entre tablas en relación con el contenido energético de la harina de soja limita su aplicabilidad (Tabla 1).

Tabla 1. Composición química (% materia fresca) y contenido energético (Mcal/kg) de la harina de soja según diversas instituciones

La tendencia actual es estimar el contenido energético de la HS mediante ecuaciones de predicción, tanto en aves (WPSA, 1989; Alvarenga et al., 2015; Rostagno et al., 2017; CVB, 2019; Tangendjaja, 2020; FEDNA, 2021) como en porcino (Noblet et al., 2003; Li et al., 2015; Pasquetti et al., 2015).

• En estas ecuaciones se estima el valor energético de la harina de soja HS utilizando valores de sus principales componentes obtenidos vía espectroscopía infrarroja (NIRs), vía húmeda o pruebas “in vitro” e “in vivo”.
• Proteína bruta (PB), extracto etéreo (EE), fibra bruta y extractivos libres de nitrógeno (ELN) son las principales variables utilizadas en estas ecuaciones.
• Sin embargo, los valores de energía de harina de soja-HS que se obtienen al aplicar estas ecuaciones presentan gran variabilidad y en la mayoría de los casos, son significativamente inferiores a los publicados en las tablas de composición de alimentos (NRC, 1994; NARO, 2009; RPRI, 2014; Rostagno et al., 2017; INRA, 2021; CVB, 2019; Premier Atlas, 2019; Feedipedia, 2020; FEDNA, 2021).

Valor nutricional de la HS

El valor nutricional de la harina de soja – HS- depende de numerosos factores, incluyendo:

• genotipo del haba (Hou et al., 2019),
• tipo de suelo (Westgate et al., 2000),
• condiciones medioambientales durante el crecimiento y
• el periodo de cosecha (Wolf et al., 1982),
• tratamiento térmico aplicado (Grieshop et al., 2003)
• condiciones de almacenamiento tanto de las habas originales como de las harinas (Serrano et al., 2013).

Su contribución al contenido energético de la dieta depende en gran medida del contenido y calidad de la fracción proteica (Thakur and Hurburgh, 2007; Serrano et al., 2012), contenido en EE (Bolton, 1957) y la composición de la fracción hidratos de carbono (HC).

El objetivo de este trabajo es criticar de forma constructiva las ecuaciones de predicción utilizadas por la industria para estimar el contenido en EMAn de la harina de soja -HS- a fin de explicar las diferencias que se encuentran en relación con los valores esperados. Una vez se proporcionen los argumentos adecuados, se plantea la introducción de cambios en estas ecuaciones para mejorar su precisión y utilización en formulación de dietas prácticas

En este estudio se utilizó la ecuación de predicción de la WPSA (1989) como modelo para los cambios recomendados. Esta ecuación, ampliamente utilizada, estima la EMAn de la harina de soja -HS- para aves en base a: EMAn (kcal/kg) = 37,5 × PB + 46,4 × EE + 14,9 × ELN

Donde:

1. todos los componentes se presentan en porcentaje
2. el coeficiente de digestibilidad de la PB se estima en 0,87 para todas las HS, independientemente de la calidad del haba original y las condiciones del proceso de extracción del aceite
3. EE es el extracto etéreo analizado sin hidrólisis previa con HCl
4. ELN representa la fracción extractiva libre de nitrógeno (N).

La facilidad de aplicación y notable precisión de esta ecuación de predicción justifica su amplia utilización en las últimas tres décadas a nivel mundial. De hecho, es el modelo de referencia para diferentes instituciones de prestigio (Rostagno et al., 2017; CVB, 2019). Estudios recientes, sin embargo, sugieren que las ecuaciones de predicción basadas exclusivamente en PB, EE y ELN podrían mejorarse aplicando los conocimientos adquiridos en los últimos 30 años.

El contenido en PB de las harina de soja -HS- se estima a partir de su contenido en N (N × 6,25), lo que conlleva cierta variabilidad ya que el contenido en N de la muestra depende de su perfil en AA. Además, el coeficiente de digestibilidad (CD) de la fracción proteica varía en función de factores tales como el método utilizado, unidades de expresión, tipo de ave y país de origen del haba.

Para estimar de forma adecuada la energía de los ingredientes, en particular de aquellos de naturaleza proteica, es importante conocer el CD de la proteína.

• En el caso de las HS, la proteína digestible es el principal contribuyente energético de cada muestra particular.
• El CD de la fracción proteica puede determinarse mediante estudios «in vivo» pero el procedimiento es tedioso, costoso y a menudo origina valores variables, por lo que su uso práctico es muy limitado.

Como consecuencia, la mayoría de los nutricionistas utilizan valores de tablas de composición de alimentos proporcionados por instituciones de prestigio o valores obtenidos mediante tecnología NIRs por diferentes empresas del sector.

A menudo, los datos de CD de la fracción proteica de la HS publicados por distintos laboratorios no se presentan en las mismas unidades.

• A fin de evitar errores en la valoración energética, es necesario diferenciar entre valores obtenidos a nivel ileal o a nivel fecal, así como si los datos se corresponden con valores aparentes (sin considerar las pérdidas endógenas) o estandarizados (considerando estas pérdidas) (CVB, 2017a).
• En el caso de las aves, pero no así en porcino, las diferencias entre los CD fecal e ileal son limitados para la mayoría de los AA, por lo que las diferencias no son excesivas (CVB, 2017b).
• Otro problema identificado es el origen de los datos originales de los CD. En muchos casos, no sabemos si estos se obtuvieron en ensayos realizados con pollos de engorde, gallos adultos o gallinas ponedoras, lo que complica recomendar un valor óptimo único para todas las situaciones

Trabajos publicados por de Coca-Sinova et al. (2008), Frikha et al. (2012), Ravindran et al. (2014), García-Rebollar et al. (2016) e Ibáñez et al. (2020) destacan la importancia del origen del haba sobre el valor energético de las harinas correspondientes. En base al origen de las habas, los CD obtenidos para la HS en estos trabajos varían entre el 80 y el 93%, lo que se traduce en variaciones apreciables en su contenido energético. La ecuación de predicción recomendada por WPSA (1989) utiliza un CD para la PB basado en estudios realizados con gallos adultos a nivel fecal. La ecuación publicada asume un CD (0,87) independientemente de la calidad del haba original y de las características de la HS utilizada. Por tanto, el aporte energético de la fracción proteica de la HS depende exclusivamente del contenido en N de la muestra y no de su proteína digestible, lo que conlleva errores importantes en su valoración.

Por tanto, es recomendable utilizar términos digestibles en lugar de absolutos para mejorar la precisión en la valoración de la contribución energética de la fracción proteica de la HS.

• A tener en cuenta que numerosos factores, tales como el país de origen, las condiciones climáticas durante el periodo de cosecha, el sistema de almacenamiento y las condiciones aplicadas durante el procesado del haba afectan a la digestibilidad de la proteína y por ende, al contenido en EMAn de la HS (Thakur y Hurburgh, 2007; de Coca- Sinova et al., 2008; Frikha et al., 2012; Serrano et al., 2013).

El contenido y calidad de la fracción lipídica de la HS depende de la calidad del haba original, el proceso de extracción del aceite y la posible adición de otros compuestos lipídicos al producto final previo a su comercialización (p. ej. adición de gomas).

Por otra parte, el contenido en EE de las HS se expresa de forma diferente en base al procedimiento laboratorial utilizado, incluyendo el tipo de solvente y la utilización o no de hidrólisis previa. La ecuación de la WPSA (1989) utiliza, para el EE, la extracción directa del aceite mediante éter de petróleo o éter etílico.

• Sin embargo, la precisión del análisis mejora si el EE se analiza con hidrólisis previa con HCl (Reglamento CE 152/2009).
• La relación entre el valor sin (EE) y con (EEh) hidrólisis ácida depende principalmente de la composición de la fracción lipídica, incluyendo la posible incorporación de gomas o aceites residuales obtenidos durante el procesado del haba.
• La diferencia entre ambos componentes disminuye en general al incrementarse el contenido lipídico de la muestra ya que la proporción de lípidos difíciles de extraer disminuye.
• La relación EE:EEh para las HS con más de 2,5% de EEh es relativamente constante y probablemente superior a 0,65 (CVB, 2019).

La fracción ELN incluye aquellos componentes de la HS distintos a humedad, PB, cenizas, fibra bruta y EE. Por tanto, el valor en ELN está sujeto a todo tipo de errores, incluyendo aquellos originados por el uso de distintas técnicas de laboratorio (Mateos et al., 2019).

Por ejemplo, los ELN aumentan si utilizamos EE en lugar de EEh para la determinación de la grasa o el método Kjeldahl en vez del Dumas para la determinación de la PB de la harina (Mateos et al., 2019).

Por otra parte, los ELN no distinguen ni separan por calidad sus diferentes componentes. A este particular, la fracción HC de la HS incluye, sin diferenciar, polisacáridos no amiláceos (pectinas, hemicelulosa y celulosa), oligosacáridos no digestibles y proporciones variables de sacarosa, almidón y azúcares simples (Bach Knudsen et al., 1997; Choct et al., 2010).

Sacarosa

Sacarosa, cuyo contenido en la HS varía entre 3 y 10 % según el origen de las habas (Hymowitz y Collins, 1974; Hou et al., 2009; García-Rebollar et al., 2016; Aguirre et al., 2021) y almidón, con un contenido cercano al 0,7% en HS (Karr-Lilienthal et al., 2005; Choct et al., 2010), son componentes muy digestibles que aportan cantidades apreciables de energía (en torno a 200-300 kcal/kg) a la HS (Ibáñez et al., 2020).

Datos no publicados recopilados en nuestro laboratorio, con 300 muestras de HS, muestran que el contenido en sacarosa es entre un 65 y un 75% del total de azúcares (determinados por el método Luff-Schoorl; Fisher, 2000).

De hecho, la proporción entre sacarosa y azúcares totales, varió con el origen del haba (75, 70, 64 y 68% para HS de Sudáfrica, Argentina, Brasil y USA, respectivamente). Por tanto, una simple variación en la fracción HC en función del origen del haba afecta ligeramente al valor energético de las HS.

Almidón

El almidón de la HS, determinado por el método polarimétrico de Ewers (recomendación de la WPSA, 1989), oscila entre 6,0 y 6,5%. Sin embargo, cuando se determina por el método de la amilo-glucosidasa, que es un procedimiento más adecuado, el contenido es inferior a 1,0%.

Datos de AMINODat 6.0. (2021) obtenidos mediante tecnología NIRs con 800 muestras de HS de distinta procedencia, muestran que el contenido en almidón es ligeramente superior para las HS de USA que para las HS de origen Argentina y Brasil (0,8 vs. 0,6 y 0,5%, respectivamente).

Oligosacáridos

Los oligosacáridos presentes en la HS (principalmente estaquiosa y rafinosa) son prácticamente indigestibles por las aves ya que estas no disponen de enzimas endógenas capaces de degradar estos compuestos (Carré et al., 1990; Parsons et al., 2000; Choct et al., 2010). Sin embargo, son fácilmente fermentados por la población bacteriana presente en el tracto gastrointestinal con la consiguiente producción de ácidos grasos de cadena corta que aportan cantidades de energía apreciables para el ave (Coon et al., 1990; Carré et al., 1995; Karr-Lilienthal et al., 2005).

De hecho, la fermentabilidad en el intestino grueso tanto de la estaquiosa como de la rafinosa es superior al 80% en aves adultas.

En el caso del porcino, la eficacia en la utilización de la energía por vía fermentativa es superior al de las aves y por encima del 60% de la obtenida a nivel ileal (Müller et al., 1989). A tener en cuenta que la presencia de oligosacáridos a niveles altos puede afectar negativamente la digestibilidad de otros nutrientes (Parsons et al., 2000; Choct et al., 2010).

• Sin embargo, con niveles habituales de inclusión de HS en piensos comerciales, su efecto sobre la digestibilidad es limitado.
• De hecho, estaquiosa y rafinosa, a niveles reducidos, podrían mostrar efecto prebiótico con un aumento en la proliferación de microorganismos beneficiosos tales como Lactobacillus spp. o bifidobacterias y disminución del crecimiento de patógenos tales como Escherichia coli o enterobacterias (Karr-Lilienthal et al., 2005).

La mayoría de las ecuaciones de predicción publicadas para determinar la EMAn de la HS en aves, no distinguen entre los diversos componentes de la fracción HC pese a la enorme variabilidad en composición.

Sin embargo, esta fracción en gran medida desconocida, poco estudiada y mal valorada, aporta un mínimo del 10-12% de la energía de la HS, por lo que una incorrecta valoración afecta de forma relevante a su utilización en piensos para monogástricos.

Las indicaciones y comentarios propuestos en este trabajo ponen en evidencia la necesidad de mejorar las ecuaciones utilizadas para predecir la energía de las HS en avicultura. La información proporcionada indica que el contenido energético de las HS depende principalmente de su contenido en proteína digestible, seguido del contenido en sacarosa + almidón y de la calidad del extracto etéreo en tercer lugar.

Por tanto, las ecuaciones de predicción basadas exclusivamente en los contenidos en PB, EE y ELN como variables principales, podrían no ser recomendables por su falta de precisión para determinar el contenido energético de las HS comerciales. En una segunda parte a publicar en la siguiente edición, propondremos cambios lógicos en las ecuaciones de predicción existentes a fin de mejorar su precisión.