Farine de larves : quels sont ses effets sur l’alimentation des poulets et quelle est sa valeur énergétique ?

Nous vous proposons un article rédigé par l’Université de Turin, partenaire de notre projet, concernant la farine d’insectes et ses effets sur l’alimentation des poulets.

Ces dernières années, l’un des objectifs des chercheurs est de trouver des moyens de réduire l’impact environnemental de l’élevage d’animaux destinés à la consommation humaine. La possibilité de remplacer les sources de protéines traditionnelles à fort impact environnemental (telles que la farine de soja) par de la farine d’insectes dans l’alimentation des volailles pourrait contribuer à cet objectif, en rendant les exploitations agricoles plus durables sur le plan environnemental. Parmi les espèces d’insectes les plus prometteuses figure la mouche soldat noire, qui est une excellente source de protéines et de nutriments essentiels pour les poulets d’élevage.

L’article est un extrait de la publication de l’Italian Journal of Animal Sciences intitulée « Meta-analysis of the effect of black soldier fly larvae meal in diet on broiler performance and prediction of its metabolisable energy value » (méta-analyse de l’effet de la farine de larves de mouche soldat noire dans l’alimentation sur les performances des poulets de chair et prédiction de sa valeur énergétique métabolisable ) et disponible ici

L’objectif est de déterminer par méta-analyse les réponses des performances des poulets de chair à des niveaux alimentaires croissants de farine de larves de mouche soldat noire (BSFLM) et de développer des modèles de prédiction de l’énergie métabolisable apparente corrigée par un bilan azoté nul (AMEn) de la BSFLM.

Dix-huit études provenant de 12 pays, totalisant 20 expériences et impliquant un total de 63 traitements avec 468 répétitions et 4229 oiseaux, ont satisfait aux exigences de la méta-analyse. Quatre articles provenant de trois pays et portant sur huit échantillons différents de BSFLM ont été sélectionnés pour développer la prédiction de l’AMEn au moyen d’une analyse de régression ou d’une modélisation par réseau neuronal artificiel (ANN).