1. Giới thiệu chung

Astaxanthin là một trong nhưng chất có nhiều và quan trọng nhất trong nhóm chất carotenoid, hàm lượng astaxanthin càng cao thì giá sản phẩm carotenoid có chứa nó càng cao, sản phẩm carotenoid trên thị trường hiện nay là từ 100 – 130 tấn mỗi năm. Quy mô thị trường astaxanthin toàn cầu có giá trị khoảng 645,6 triệu đô la Mỹ vào năm 2021 và dự kiến ​​sẽ tăng lên khoảng 725,2 triệu đô la Mỹ vào năm 2028 với tốc độ tăng trưởng kép hàng năm (CAGR) khoảng 8,3% từ năm 2022 đến năm 2028 (Zion Market Research, 2022). Astaxanthin là một chất chống ôxy hóa sinh học mạnh được sử dụng nhiều trong ngành nuôi trồng thủy sản như tôm, cua, cá hồi, trứng cá, cá cảnh và sao biển (Inoue, 2012). Do nhu cầu astaxanthin sinh tổng hợp có nguồn gốc tự nhiên thay thế cho nguồn tổng hợp hóa học đang ngày càng tăng. Các nguồn sinh tổng hợp astaxanthin tự nhiên có thể kể đến như là tảo, nấm men và vi khuẩn đang được sử dụng rộng rãi trong công nghiệp. Astaxanthin chủ yếu được thu nhận từ tảo Haematococcus pluvialis, từ nấm men Xanthophyllomyces dendrorhous, vi khuẩn Agrobacterium auraticum, ngoài ra còn được tổng hợp hóa học hoặc từ vỏ giáp xác. Trong đó, vi tảo Haematococcus pluvialis là nguồn nguyên liệu rất có tiềm năng để sản xuất astaxanthin (Ngô Đại Nghiệp và cs., 2017).

Theo thống kê trên trang Zion Market Research (2022), thị trường astaxanthin toàn cầu dự kiến sẽ mở rộng trong giai đoạn 2022 – 2028 nhờ nhu cầu ngày càng cao từ ngành thực phẩm. Astaxanthin được sử dụng rộng rãi nhờ các lợi ích sức khỏe như chống viêm, tăng cường miễn dịch và ngăn ngừa bệnh tim mạch, dẫn đến việc tăng cường sử dụng trong thực phẩm như chất tạo màu và chống oxy hóa. Thị trường phân chia theo nguồn (tự nhiên và tổng hợp), phương pháp sản xuất (nuôi cấy vi tảo, lên men, chiết xuất, tổng hợp hóa học), sản phẩm (bột tảo khô, dầu, viên nang mềm, chất lỏng, v.v.) và ứng dụng (dược phẩm chức năng, mỹ phẩm, thức ăn chăn nuôi, thực phẩm). Phân khúc dược phẩm chức năng dự kiến sẽ tăng trưởng nhanh nhất, đặc biệt do nhu cầu cao và tác dụng chống oxy hóa nổi bật của astaxanthin. Bắc Mỹ dự kiến sẽ duy trì vị trí dẫn đầu nhờ sự phát triển của ngành dược phẩm chức năng và các nhà sản xuất lớn. Trong khi đó, Châu Á Thái Bình Dương được dự đoán sẽ có tốc độ tăng trưởng nhanh nhất với Ấn Độ và Trung Quốc là các thị trường triển vọng chính nhờ nhu cầu cao, chi phí R&D giảm và sự phát triển kinh tế.

Hình: Một số sản phẩm chứa astaxanthin trên thị trường

(Nguồn: Zion Market Research, 2022)

Tảo Haematococcus pluvialis là nguồn cung cấp astaxanthin lớn nhất hiện nay cũng được sản xuất trong hệ thống PBR (Photobioreacter). Tuy nhiên việc mở rộng và khả năng ứng dụng cần được nghiên cứu thích ứng với các điều kiện cụ thể với từng loại vi tảo.

Hình: Nuôi cấy vi tảo quy mô công nghiệp với hệ thống khép kín

(Nguồn: Nutraingredients-USA, 2020)

Hiện nay có nhiều nghiên cứu về tách chiết carotenoid trong đó có astaxanthin từ sinh khối vi tảo H. pluvialis như phương pháp dùng dung môi hưu cơ kết hợp với các phương pháp phá vỡ tế bào nang hóa đó là nghiền lạnh, xử lý acid/base, sấy phun. Phương pháp tiên tiến hiện nay là phương pháp tách chiết bằng CO2 siêu tới hạn với đồng dung môi ethanol hoặc dầu thực vật bởi đặc tính chọn lọc được các chất hoạt chất sinh học và không lẫn các dung môi gây độc (Krichnavaruk et al., 2008).

Hình: Hệ thống chiết xuất CO2 siêu tới hạn tại Trung tâm Ươm tạo Doanh nghiệp Nông nghiệp Công nghệ cao (TTUT DNNN CNC)

2. Quy trình tách chiết carotenoid chứa astaxanthin từ sinh khối vi tảo Haematococcus pluvialis bằng phương pháp CO2 siêu tới hạn

Trong năm 2021, nhóm nghiên cứu tại TTUT DNNN CNC đã thực hiện đề tài: “Nghiên cứu tách chiết carotenoid chứa astaxanthin từ sinh khối vi tảo Haematococcus pluvialis bằng phương pháp CO2 siêu tới hạn” nhằm hỗ trợ doanh nghiệp và phù hợp với định hướng nghiên cứu khoa học công nghệ của Trung tâm Ươm tạo Doanh nghiệp Nông nghiệp Công nghệ cao trong giai đoạn 2021-2025. Kết quả nghiên cứu đã xây dựng và hoàn thiện được quy trình tách chiết carotenoid chứa astaxanthin từ sinh khối vi tảo Haematococcus pluvialis bằng phương pháp CO2 siêu tới hạn với các thông số được tối ưu.

Hình: Quy trình tách chiết sinh khối vi tảo H. pluvialis bằng CO2 siêu tới hạn

Quy trình tách chiết được tiến hành như sau:

– Xử lý nguyên liệu: Nguyên liệu sinh khối tảo có độ ẩm 5,33%, dạng bột, bảo quản ở -20⁰C, nghiền nhỏ bằng máy nghiền bi tốc độ 400 vòng/phút, nghiền trong 5 phút để phá vỡ vách tế bào, thu sinh khối đã xay và bảo quản ở -20⁰C để sử dụng tiếp cho quá trình chiết.

– Nạp liệu: Nguyên liệu sinh khối sau khi được nghiền nhỏ, sẽ được cho vào các bình chứa nguyên liệu chiết. Nguyên liệu được nén chặt trong ống chứa có thể tích 24L, tối đa 10kg sinh khối/ống và có lưới chặn ở hai đầu ống, tránh nguyên liệu tràn ra trong quá trình chiết

– Tiến hành tách chiết: Quá trình tạo CO2 ở trạng thái siêu tới hạn được tiến hành như sau: CO2 ban đầu chứa trong bình khí nén ở thể lỏng, áp suất ban đầu là 7 MPa (25kg) được dẫn qua một bộ phận làm lạnh để tăng tỷ trọng CO2 lên. Tiếp theo CO2 lạnh được nén vào bình chiết bằng một bơm cao áp, lên đến áp suất chiết 35MPa. Tiếp theo điều chỉnh nhiệt độ trong bình chiết tới nhiệt độ chiết là 62,5⁰C tức là đã đưa CO2 vượt qua điểm tới hạn 31⁰C và 7MPa để đi vào vùng siêu tới hạn. Sử dụng van điều chỉnh lưu lượng dòng CO2 trên 300L/h bằng van điều tiết. Sau đó bơm ethanol bằng bơm cao áp qua van một chiều vào bình chiết với hàm lượng 16% (4kg) so với trọng lượng CO2. Sau khi đã thu hết dầu ở bình thu (sau 90 phút), tháo sản phẩm cùng CO2 kèm theo ở bình hứng đã làm giảm áp về 5-7MPa và nhiệt độ ổn định ở 35⁰C, do vậy CO2 từ trạng thái siêu tới hạn được chuyển thẳng về thể khí, tách hoàn toàn ra khỏi dầu.

Hình: Thu nhận tinh dầu carotenoid chứa astaxanthin sau khi chiết bằng

hệ thống CO2 siêu tới hạn

– Thu nhận tinh dầu: Dịch trích ly thu được sau đó cô đặc bằng thiết bị cô quay chân không (nhiệt độ 40⁰C, áp suất 150 mbar) đến trọng lượng không đổi thu được dầu tảo. Dầu tảo được lọc sạch bụi bẩn bằng giấy lọc và tách nước bằng Na2SO4 khan.

Hình: Cô đặc dịch trích ly bằng thiết bị cô quay chân không

– Đóng gói và bảo quản: Dầu tảo sau khi loại dung môi và tinh sạch được bảo quản trong bình thủy tinh sẫm màu, đậy kín nắp, bảo quản ở nhiệt độ 10-15⁰C tránh hư hại dầu cũng như giư cho dầu có chất lượng tốt nhất.

Hình: Dầu tách chiết từ sinh khối tảo Haematococcus pluvialis

Nhìn chung, tách chiết các hợp chất carotenoid, đặc biệt là astaxanthin từ sinh khối vi tảo Haematococcus pluvialis bằng phương pháp CO2 siêu tới hạn mang lại nhiều lợi ích về mặt kinh tế:

– Sử dụng phương pháp CO2 siêu tới hạn cho phép tách chiết astaxanthin với hiệu suất cao hơn so với các phương pháp truyền thống như chiết xuất bằng dung môi. Điều này làm giảm lượng nguyên liệu cần thiết và cải thiện hiệu quả thu hồi sản phẩm.

– Phương pháp CO2 siêu tới hạn có thể giảm nhu cầu sử dụng dung môi hóa học, giúp tiết kiệm chi phí cho việc mua và xử lý dung môi. Hơn nữa, CO2 siêu tới hạn có thể được thu hồi và tái sử dụng, làm giảm chi phí vận hành.

– Chiết xuất bằng CO2 siêu tới hạn thường giữ lại chất lượng và hoạt tính nguyên vẹn của carotenoid tốt hơn so với các phương pháp khác. Astaxanthin thu được có độ tinh khiết cao hơn và ít bị biến đổi hóa học, tạo ra sản phẩm có giá trị cao hơn trên thị trường.

Hình: Giá bán một số sản phẩm dầu chiết từ tảo H. pluvialis chứa astaxanthin

(Nguồn: alibaba.com; amazon.com)

3. Kết luận

Astaxanthin là một carotenoid quan trọng và mạnh mẽ về khả năng chống ôxy hóa, đang ngày càng được ưa chuộng và có giá trị thị trường dự đoán sẽ tiếp tục tăng trưởng mạnh mẽ trong những năm tới. Với nhu cầu ngày càng cao về astaxanthin sinh tổng hợp tự nhiên, các nguồn như tảo Haematococcus pluvialis, nấm men và vi khuẩn đang được khai thác và ứng dụng trong sản xuất. Trong khi các phương pháp tách chiết tiên tiến như sử dụng CO2 siêu tới hạn kết hợp với đồng dung môi ethanol hoặc dầu thực vật đang được áp dụng để tối ưu hóa hiệu quả thu nhận và đảm bảo độ tinh khiết của sản phẩm.

https://abi.com.vn/cong-nghe-thuy-san/chiet-xuat-carotenoids-chua-astaxanthin-tu-vi-tao-189.html

Trí tuệ nhân tạo (AI) đang dần trở thành công cụ quan trọng trong nhiều lĩnh vực, và ngành nuôi trồng thủy sản cũng không ngoại lệ. Trong bối cảnh ngành nuôi tôm đang đối mặt với những thách thức lớn do dịch bệnh gây ra, một nghiên cứu mới của các nhà khoa học đến từ Trường Đại học Nha Trang đã mở ra triển vọng mới cho việc ứng dụng AI vào tự động hóa chẩn đoán bệnh cho tôm sú (Penaeus monodon). Nghiên cứu này không chỉ giúp tăng hiệu quả chẩn đoán mà còn tiết kiệm chi phí và thời gian, góp phần vào sự phát triển bền vững của ngành tôm Việt Nam.

1. Tổng quan về ngành nuôi tôm và vấn đề dịch bệnh

Nuôi tôm là một trong những ngành kinh tế mũi nhọn của Việt Nam, đặc biệt là ở khu vực Đồng bằng sông Cửu Long, nơi có điều kiện thuận lợi cho việc nuôi trồng thủy sản. Theo Hiệp hội Chế biến và Xuất khẩu Thủy sản Việt Nam (VASEP), Việt Nam hiện là một trong những quốc gia sản xuất tôm sú hàng đầu thế giới, với diện tích nuôi hơn 600.000 ha và sản lượng lên đến 300.000 tấn mỗi năm. Xuất khẩu tôm đóng góp từ 13 đến 14% tổng giá trị xuất khẩu tôm toàn cầu, giải quyết việc làm cho hơn 3 triệu lao động.

Tuy nhiên, dịch bệnh luôn là mối đe dọa lớn đối với ngành công nghiệp này. Các bệnh phổ biến như Hội chứng tử vong sớm (EMS), bệnh đốm trắng (WSSV), bệnh phân trắng (WFS), và bệnh đầu vàng (YHV) đã gây thiệt hại nghiêm trọng. Sự lây lan nhanh chóng của dịch bệnh trong môi trường nuôi tôm có mật độ cao đòi hỏi những phương pháp chẩn đoán nhanh và chính xác để kịp thời phát hiện và kiểm soát dịch bệnh.

2. Trí tuệ nhân tạo: Bước tiến mới trong chẩn đoán bệnh tôm

Nhóm nghiên cứu do Nguyễn Đình Hưng và cộng sự (2024) thực hiện đã áp dụng các kỹ thuật AI tiên tiến trong lĩnh vực thị giác máy tính để phát triển hệ thống tự động nhận dạng bệnh trên tôm sú. Các công cụ AI, đặc biệt là mô hình mạng neural tích chập (Convolutional Neural Network – CNN), đã được huấn luyện để nhận diện hình ảnh các loại bệnh thường gặp trên tôm thông qua các dấu hiệu đặc trưng trên bề mặt cơ thể tôm.

Hình 1. Cấu trúc cơ bản của mô hình CNN

1. Các loại bệnh tôm được chẩn đoán

Nghiên cứu này tập trung vào bốn loại bệnh thường gặp trên tôm sú tại Việt Nam:

• Đen mang (Black Gill Disease): Bệnh này làm cho mang của tôm chuyển sang màu đen, ảnh hưởng đến chức năng hô hấp của tôm.
• Đốm đen (Black Spot Disease): Được nhận diện qua các đốm đen trên cơ thể tôm, thường xuất hiện khi tôm bị nhiễm vi khuẩn hoặc tổn thương mô.
• Đốm trắng (White Spot Syndrome Virus – WSSV): Là một trong những bệnh nguy hiểm nhất, với triệu chứng là các đốm trắng trên vỏ tôm và tỷ lệ chết cao.
• Hoại tử cơ (Infectious Myonecrosis – IMN): Bệnh này gây hoại tử các mô cơ, làm cho tôm suy yếu và có thể dẫn đến chết hàng loạt.
  2. Công nghệ AI và mô hình CNN

Hệ thống AI được phát triển dựa trên mô hình mạng neural tích chập (Convolutional Neural Network – CNN), một kỹ thuật được sử dụng phổ biến trong các ứng dụng nhận diện hình ảnh. Mô hình CNN có khả năng học các đặc trưng từ dữ liệu hình ảnh thông qua các lớp mạng, giúp nhận diện các dấu hiệu bệnh trên tôm một cách tự động.

Để đạt được độ chính xác cao, nhóm nghiên cứu đã sử dụng một phiên bản cải tiến của CNN, đó là mô hình EfficientNet-B4. Đây là mô hình nổi bật với khả năng xử lý tốt các dữ liệu hình ảnh phức tạp mà vẫn đảm bảo tốc độ và hiệu suất cao. Mô hình này sử dụng kỹ thuật học chuyển giao (transfer learning), một phương pháp giúp tái sử dụng kiến thức từ các mô hình đã được huấn luyện trên các tập dữ liệu lớn (như ImageNet) và áp dụng vào bài toán nhận diện bệnh tôm.

3. Phương pháp nghiên cứu và triển khai hệ thống AI

Bộ dữ liệu đầu vào gồm 473 hình ảnh về tôm, trong đó có tôm khỏe mạnh và tôm mắc bốn loại bệnh kể trên. Để tăng cường độ chính xác của mô hình, các kỹ thuật tăng cường dữ liệu (data augmentation) như xoay ảnh, lật ảnh, và cắt ảnh được áp dụng, tạo ra 1892 ảnh từ bộ dữ liệu gốc. Nhóm nghiên cứu cũng áp dụng kỹ thuật loại bỏ nền tự động để giữ lại các chi tiết quan trọng trong hình ảnh của tôm, nhờ đó nâng cao hiệu quả nhận diện.

Hình 2. Sơ đồ quy trình huấn luyện mô hình phân loại bệnh tôm qua ảnh

Hình 3. Kết quả xử lý loại bỏ hình nền tự động.

Bên trái: Ảnh ban đầu, bên phải: ảnh thu được sau khi xử lý

4. Kết quả nghiên cứu

Độ chính xác (accuracy) được dùng để đánh giá hiệu năng của mô hình nhận dạng, thể hiện qua công thức sau:

Độ chính xác = Số mẫu dự đoán đúng tổng số mẫu dự đoán x 100%

Bảng 1 thể hiện độ chính xác của các mô hình nhận dạng bệnh tôm trên bộ dữ liệu kiểm thử. Kết quả thực nghiệm cho thấy năm mô hình CNN đều cho độ chính xác dự đoán trên 80%, giá trị trung bình là 84.7%, trong đó mô hình Effi cient Net – B4 có độ chính xác cao nhất (87.58%). Kết quả dự đoán với một ảnh mẫu vật được minh họa trong Hình 5 với mô hình Effi cient Net – B4, thể hiện giá trị dự đoán chính xác (tôm bị bệnh đốm đen).

Bảng 1. Độ chính xác của các mô hình CNN sau huấn luyện

STT	Mô hình	Số lượng tham số (đơn vị tính: triệu)	Độ chính xác (%)
1	Resnet18 [12]	11.7	82.35
2	Resnet50 [12	25.6	87.23
3	Resnet101 [12]	44.5	85.71
4	Effi cient Net – B0 [13]	5.3	80.61
5	Effi cient Net – B4 [13]	19.3	87.58

Nhóm tác giả thực nghiệm với hai mô hình phân lớp MobileNet-V1 và Inception-V3 với số chu trình huấn luyện đến 3000 epoch, có sử dụng kỹ thuật tìm kiếm lưới (grid search) để tìm mô hình tối ưu. Ngoài ra, trong nghiên cứu [6] hệ thống dự đoán bệnh tôm chưa hoàn toàn tự động do áp dụng xử lý loại bỏ ảnh nền được thực hiện bằng tay. Độ chính xác cao nhất đạt được là 90,02% với mô hình Inception-V3. Trong nghiên cứu này, chúng tôi thiết lập hệ thống nhận dạng cho phép quá trình nhận dạng từ ảnh đầu vào đến kết quả đầu ra hoàn toàn tự động. Khi thực nghiệm với số chu trình huấn luyện 1000 epoch và tốc độ cập nhật là 0.01, độ chính xác thu được tương đương với kết quả của nghiên cứu này.

Hình 4: Đồ thị thể hiện độ chính xác (accuracy) của mô hình thu được trong quá trình huấn luyện

Đồ thị biểu diễn độ chính xác của mô hình Effi cient Net – B0 trong quá trình huấn luyện. Trong đó đồ thị màu xanh thể hiện độ chính xác thu được trên bộ dữ liệu huấn luyện, đồ thị màu vàng thể hiện độ chính xác thu được trên bộ dữ liệu kiểm thử. Đồ thị cho thấy trong quá trình huấn luyện, độ chính xác của mô hình CNN tăng lên rất nhanh trong những epoch đầu tiên, sau đó tăng thêm rất ít hoặc không đổi. Để gia tăng độ chính xác cần huấn luyện với bộ dữ liệu lớn hơn và/hoặc thử nghiệm với mô hình nhận dạng tốt hơn

Hình 5. Kết quả dự đoán với hai mẫu ảnh

5. Tổng kết

Nghiên cứu này khảo sát thực nghiệm ứng dụng trí tuệ nhân tạo (AI) trong tự động hóa quá trình nhận dạng bệnh trên tôm sú (Penaeus monodon). Mô hình mạng neural tích chập (CNN) được sử dụng để huấn luyện hệ thống chẩn đoán bệnh tôm từ hình ảnh mẫu vật. Nghiên cứu cũng đề xuất một hệ thống nhận dạng bệnh tôm hoàn toàn tự động ứng dụng kỹ thuật học sâu (DL). Kết quả thực nghiệm cho thấy hệ thống nhận dạng đạt độ chính xác cao nhất là 87.58% với mô hình phân lớp Effi cient Net – B4.

Kết quả nghiên cứu cho thấy tiềm năng của ứng dụng AI vào dự đoán bệnh tôm, giúp giảm thiểu thời gian và chi phí so với phương pháp truyền thống, góp phần hạn chế thiệt hại của dịch bệnh gây ra đối với công nghiệp nuôi tôm.

https://abi.com.vn/cong-nghe-thuy-san/giai-phap-cong-nghe-moi-cho-nganh-nuoi-trong-thuy-san-199.html

Trần Việt Tiên và Đặng Thị Hoàng Oanh (2020) đã đánh giá ảnh hưởng của việc bổ sung β-glucan vào thức ăn đến các chỉ tiêu miễn dịch và tính mẫn cảm của tôm thẻ chân trắng (Litopenaeus vannamei) với bệnh hoại tử gan tụy cấp tính (AHPND). Tôm thẻ chân trắng có trọng lượng trung bình 1,8 ± 0,51 g/con được bố trí ngẫu nhiên trong 15 bể nhựa (30 con/bể) với 5 nghiệm thức (NT), mỗi nghiệm thức lặp lại 3 lần, gồm: (NT1) không cảm nhiễm và không cho ăn bổ sung β-glucan; (NT2) không cảm nhiễm và cho ăn bổ sung β-glucan; (NT3) cảm nhiễm và không cho ăn bổ sung β-glucan; (NT4) cảm nhiễm và cho ăn bổ sung βglucan (7 ngày trước cảm nhiễm) và (NT5) cảm nhiễm và cho ăn bổ sung β-glucan (7 ngày trước cảm nhiễm và 7 ngày sau cảm nhiễm). Sau 14 ngày cảm nhiễm, tôm ở NT3 có tỷ lệ chết tích lũy cao hơn đáng kể (46,7 ± 1,9%) (P <0,05) so với NT1, NT2, NT4 và NT5. Không có sự khác biệt về tỷ lệ chết tích lũy giữa NT4 và NT5 (P>0,05) và tỷ lệ chết tích lũy của hai nghiệm thức này khác biệt có ý nghĩa so với NT1 và NT2 (P<0,05).

Thí nghiệm được bố trí hoàn toàn ngẫu nhiên với 5 nghiệm thức (NT), mỗi NT lặp lại 3 lần (mật độ bố trí 30 tôm/bể), gồm có: (NT1) Đối chứng không cảm nhiễm và không cho ăn bổ sung β-glucan; (NT2) Đối chứng không cảm nhiễm và cho ăn bổ sung β-glucan; (NT3) Đối chứng cảm nhiễm vi khuẩn V. parahaemolyticus và không cho ăn bổ sung β-glucan; (NT4) cảm nhiễm V. parahaemolyticus và cho ăn bổ sung β-glucan (2g/kg) 7 ngày trước cảm nhiễm; và (NT5) cảm nhiễm V. parahaemolyticus và cho ăn bổ sung βglucan (2g/kg) liên tục 14 ngày (7 ngày trước cảm nhiễm và 7 ngày sau cảm nhiễm).

KẾT QUẢ

Dấu hiệu bệnh lý

Ở các nghiệm thức cảm nhiễm vi khuẩn V. parahaemolyticus (NT3, NT4 và NT5), tôm có biểu hiện bệnh sau 14 giờ với dấu hiệu bơi lờ đờ, hoạt động kém, ruột rỗng hoặc chứa thức ăn không liên tục, khối gan tụy của tôm nhạt màu và teo (Hình 1C/c, 1D/d và 1E/e). Tôm ở hai nghiệm thức không cảm nhiễm vi khuẩn V. parahaemolyticus (NT1 và NT2) có màu sắc tươi sáng, khối gan tụy bình thường, ruột đầy thức ăn, phản ứng nhạy với tiếng động (Hình 1A/a và 1B/b).

Hình 1: (A/a và B/b): Dấu hiệu bên ngoài và gan tụy của tôm ở các NT1 và NT2, gan tụy và tôm bình thường; (C/c, D/d và E/e): Dấu hiệu bên ngoài và gan tụy của tôm ở các NT3, NT4 và NT5, gan tụy nhạt màu, ruột rỗng

Mô bệnh học

Kết quả phân tích mô bệnh học cho thấy ở NT1 và NT2 (không cảm nhiễm), gan tụy với các ống gan tụy bình thường (Hình 2A/a). Tuy nhiên, ở các nghiệm thức cảm nhiễm vi khuẩn V. parahaemolyticus (NT3, NT4 và NT5) gan tụy tôm có những biến đổi mô bệnh học, đặc trưng là ống gan tụy teo, giảm số lượng B, R và F (Hình 2B/b), tế bào gan tụy thoái hóa bong tróc rơi vào lòng ống và tế bào máu xuất hiện quanh các cụm vi khuẩn trong vùng bị hoại tử (Hình 2B/b). Đặc điểm mô bệnh học đặc trưng của bệnh hoại tử gan tụy cấp tính là sự thoái hóa cấp tính của gan tụy, kèm theo sự giảm hoạt động của tế bào E, rối loạn chức năng của các tế bào B, F và R, dễ thấy những tế bào có nhân trương to, các tế bào bị bong tróc và rơi vào lòng ống gan tụy và giai đoạn cuối là sự tập trung của các tế bào máu ở giữa ống gan tụy và nhiễm khuẩn thứ cấp kèm theo hiện tượng melanin hóa.

Hình 2: Mô gan tụy trên tôm không cảm nhiễm và tôm cảm nhiễm

(A/a; 10X/40X) Nghiệm thức không cảm nhiễm; (B/b; 10X/40X ) Nghiệm thức cảm nhiễm AHPND. Mũi tên chỉ các tế bào gan thoái hóa và rơi vào lòng ống, các tế bào máu tập trung quanh các cụm vi khuẩn trong vùng bị hoại tử.

Tỷ lệ tôm chết tích lũy

Kết quả thí nghiệm cho thấy tỷ lệ tôm chết ở NT3 (cảm nhiễm, không cho ăn bổ sung β-glucan) với tỷ lệ tôm chết tích lũy sau 14 ngày cảm nhiễm là 46,7 ± 1,9% cao hơn có ý nghĩa thống kê (P<0,05) so với NT1, NT2, NT4 và NT5 (với tỷ lệ tôm chết lần lượt là: 5,6 ± 1,9%; 7,8 ± 5,8%; 15,6±3,9% và 14,4 ± 1,9%. Tỷ lệ tôm chết tích lũy giữa NT1 (không cảm nhiễm, không cho ăn bổ sung β-glucan) và NT2 (không cảm nhiễm, cho ăn bổ sung β-glucan) không khác biệt có ý nghĩa thống kê (P>0,05). Tỷ lệ tôm chết tích lũy giữa NT4 (cảm nhiễm, cho ăn bổ sung β-glucan 1 tuần trước cảm nhiễm) và NT5 (cảm nhiễm, cho ăn bổ sung β-glucan 1 tuần trước cảm nhiễm và 1 tuần sau cảm nhiễm) cũng không khác biệt có ý nghĩa thống kê (P>0,05) (Hình 3) và tỷ lệ chết tích lũy của hai nghiệm thức này khác biệt có ý nghĩa so với NT1 và NT2 (P<0,05).

Hình 3: Tỷ lệ tôm chết tích lũy ở các nghiệm thức qua 21 ngày thí nghiệm (7 ngày trước càm nhiễm và 14 ngày sau cảm nhiễm)

KẾT LUẬN

Sử dụng β-glucan (liều 2 g/kg thức ăn liên tục từ 7-14 ngày) có thể kích thích làm tăng các chỉ tiêu miễn dịch không đặc hiệu ở tôm. Đồng thời làm giảm tỷ lệ chết của tôm khi cảm nhiễm chủng vi khuẩn V. parahaemolyticus gây bệnh hoại tử gan tụy cấp tính.

Theo Trần Việt Tiên và Đặng Thị Hoàng Oanh

https://abi.com.vn/cong-nghe-thuy-san/glucan-va-dap-ung-mien-dich-tu-nhien-cua-tom-the-chan-trang-206.html