微生物预测模型在食品行业的运用

本文从微生物预测学概念入手并对其理论和发展进行总结，从而引出微生物预测模型的演变与建立，最后对微生物预测模型在食品工业中的应用介绍，旨在对微生物预测模型进行概念化和技术化的概括，让更多的人认识和了解微生物预测模型技术，从而将其应用到实际生产流通过程中，增加我国食品安全监测手段，提高食品工业加工技术水平。

预测微生物学

预测微生物学是将特定条件下的食品微生物生长、繁殖、残存和死亡等反应进行细化，并结合计算机技术、数理统计和微生物知识，客观地评价食品在加工、流通和贮藏等条件下的食品质量安全和货架期[2]。相比其他传统微生物对食品质量和货架期的检测指标，微生物预测学对食品和微生物间关系分析更加透彻。根据不同食品的加工、流通和贮藏情况，结合食品所处的外界特征及条件，能够在不进行微生物检测的情况下更快速的对食品的安全性和货架期进行预测，从而对食品的质量和安全做出快速反应和预测[3,4]。预测微生物学的产生为保证食品质量和安全性提供了量化的依据[5]。在预测微生物学创始之初，国内外对预测微生物学的主要研究对象为食品致病微生物[6]，随着食品企业对食品自身的品质关注度增大，预测微生物模型逐渐发展到食品腐败微生物[7]。由于微生物预测模型误差小于微生物实验室所带来的误差，这也使得微生物预测模型在食品工业和食品检测领域应用更加广泛[8]。

微生物预测模型的分类及发展

微生物预测模型有多种分类方法。依据描述微生物的情况，分为描述微生物生长的数学模型和描述微生物失活的数学模型；依据基础数学建立的模型分为概率型模型和动力学模型[9~10]。Buchanan[11]基于变量类型把模型分为三个层次：初级模型(PrimaryLevelModels)指在特定培养条件下，微生物生长/存活与时间的反应；二级模型(SecondaryLevelModels)指参数与环境变量对微生物生长/存活特性的关系；三级模型(TertiaryLevels)指将初级模型和二级模型通过计算机软件形式合并的模型形式。

1初级模型

初级模型主要是描述特定条件下，微生物生长与时间的关系。初级模型可以通过等式或方程形式量化并预测菌落单位(CFU/mL)、毒素形成、底物水平和代谢产物。初级模型是计算机建模的基础。通过记录特定时间条件下，单位浓度的微生物对数变化，并根据特定时间条件下，单位浓度的微生物对数变化推导出一系列的线性关系。Baranyi[13]根据分枝杆菌(Mycobacterium)实验[16]和在牛奶中分离单增李斯特菌(L.monocytogenes)10℃条件下贮藏的生长速率实验[17]，提出微生物的生长速率是与微生物的生长时间有关的，并认为微生物特定条件下的生长速率应遵循μ=(dM/dt)/M。并在此基础上，都验证了公式的准确性。近年来，描述微生物初级模型的数学方程包括Gompertz方程，Logistic方程，Baranyi方程和Monod方程等[12~15]。随着对微生物生长速率的进一步细化，初级模型得到了更深入的发展，Gompertz方程在对初级模型的描述和反映得到广泛应用。Gibson等[18]首先将肉毒梭菌(C.botulinum)生长参数应用于Gompertz方程并进行拟合。得到方程，见公式(1)。Bratchell等[19]运用大量数据对公式(1)准确性进行验证。结果发现，检测指标超过10个点的微生物生长曲线与公式的拟合度较高。Buchanan等[20]在对单增李斯特菌(L.monocytogenes)稳定期的微生物数量进行测定时发现，在NaCl，pH，温度，亚硝酸钠条件水平一定时，单增李斯特菌稳定期时数量为109.2这一常数，这样就将公式(1)中的a1重新定义为9.2-N0。这一理论的提出也使Gompertz方程的应用更加广泛，也为二级模型和三级模型的计算奠定基础。Nt=N0+a1exp(-exp(-a2(t-τ)))(1)

2二级模型

二级模型主要描述初级模型条件下的参数在不同环境条件下的反应。目前，二级模型中比较常见的方法有响应面法，Arrhenius模型和平方根模型。响应面法是通过一系定试验，用多项式函数在失效概率上收敛于真实的隐形极限状态函数。由于误差平方和较小，这使得模型参数的对数值拟合度更高。同时，回归方程可以推导出未知参数值，从而增大判断实际数据的准确性。这些都使得响应面法在模型的建立和使用上得到广泛的应用。Spencer[21]首次应用简单的线性关系报道了-1℃~25℃条件下鲜鱼的腐败速率，并提出该条件下鲜鱼的腐败速率可以用公式(2)表示。至此，在初级模型建立基础上，延伸的二阶和多项参数的响应面法应用更加广泛。Robert[22]模拟logistic方程中的参数Y，并提出多项式方程(3)，更多参数的提出与细化使得多参数研究加大[23~25]，也使得响应面法应用更加广泛。Arrhenius模型最早应用于微生物模型时，主要是通过限制速率的酶促反应来计算微生物生长速率的，一些特定温度条件下的微生物的生长曲线是运用分光光度法通过Arrhenius模型生成的[26]。Schoolfield等[27]重新修订了早期的Arrhenius模型，将微生物的生长温度延伸。同时取代酶促反应，扩大了微生物生长活力范围，将微生物生长曲线推广至低于微生物适宜生长温度。Zwietering等[28]验证了Schoolfield的理论，并应用修订后的Gompertz方程成功描述了多参数条件下微生物生长情况。平方根模型方法主要根据生长速率和温度的平方根的线性关系进行建立的。平方根模型最主要的特征就是当可以根据温度变化来推导微生物生长速率[29]，见公式(4)。由于微生物生长达到T0温度条件下很难观察或生长。因此，平方根模型将温度范围重新扩增，见公式(5)。Gill[30]首先使用平方根模型对9种培养基培养下的大肠杆菌(E.Coli)生长速率进行检验。结果发现6种培养基条件下的大肠杆菌生长速率与平方根模型拟合效果差。然而，Gill坚持认为在某种特定的培养基条件下模型仍然可以准确描述微生物的生长速率。这一观点的提出也使得平方根模型变化更加细致，根据aw，pH，温度等参数的平方根模型相关研究也逐步开展。运用NaCl配置不同aw对木糖葡萄球菌(S.xylosus)进行培养，采用平方根模型推算在不同温度条件下的生长速率，实验结果均表现出良好的拟合度[31]。同时，相关实验通过pH变化得出2种食源性微生物生长速率[32]。McMeekin等[33]综合aw，pH，温度等参数提出新的平方根模型，见公式(6)，这也是未来多参数模型构建的基础。

3三级模型

三级模型主要是根据计算机程序，集成初级模型和二级模型的数据，转化成的一种微生物预测软件。目前现有的微生物预测软件主要有美国农业部微生物食品安全研究中心的“PathogenModelingProgram”[34]；英国农业、渔业和食品部开发的“FoodMicromodel”软件[35]；澳大利亚Tasmania大学开发的多因子分析系统FSP等[36]；中国水产科学研究院东海水产研究所研发的罗非鱼品质控制“FishShelfLifePredictor”系统等[37]。

微生物预测模型在食品工业中的应用

微生物预测模型的构建是从2个方向上发展的，即基于引起食品腐败的特定腐败微生物的预测模型和基于食品致病微生物生长因素的预测模型。前者的研究主要为食品货架期预报和监控，而后者的研究主要为食品致病微生物的安全监测和管理。

1食品腐败微生物预测模型在食品工业的应用

食品加工流通过程中可能会受到其他微生物的侵染，然而在贮藏一定条件下，特定腐败微生物会在增殖过程中占领优势地位。同时，相同地域的同类产品中，特定腐败微生物往往包括一种或几种[7]。通过对特定腐败微生物的生长趋势进行分析就可以预测该产品的货架期。郭全友等[38]基于大黄鱼腐败指数，对冷藏条件下大黄鱼的货架期进行分析。结果发现，0、5和10℃条件下冷藏大黄鱼的货架期为别为17.8±2.5、9.3±1.1和5.4±1.3d，在此条件下相对误差为-6.1%-4.6%，可以有效快速的预测冷藏条件下大黄鱼的货架期。许钟等[39]运用Gompertz方程构建波动温度条件下罗非鱼的货架期，相对误差为-9.1%~5.9%，这都有效地评价了产品在特定条件下的货架期。食品腐败微生物预测模型的构建大大增加了产品货架预测的可信度，有利于产品质量的控制与监测，同时对产品开发过程中的工艺参数改良也起到一定的指导作用。然而食品腐败微生物预测模型仍存在一定的问题。例如，目前对特定腐败菌的预测模型及其相关研究对是针对嗜冷菌和中温菌，货架期模型也只限于鱼类产品，不适于更多产品的推广。另外，模型的构建对实验数据从量到质都存在依赖。试验中，对特定腐败微生物感官拒绝点的控制较为主观，这也使得对特定腐败微生物的腐败能力的界定存在不确定因素。加之试验繁琐，工作量大，而且大量数据仅以普通培养基获得，这就可能造成微生物的真实生长数据出现偏差，使得货架期的预测出现滞后性。这些问题都是今后食品腐败微生物预测模型急需解决的。

2食品致病微生物预测模型在食品工业的应用

良好操作规范(GMP)及危害分析与关键控制点(HACCP)条款中明确规定食品加工过程中的可能产生的危害及其控制方法或限量实施，从而确保食品质量安全。食品致病微生物预测模型的构建对食品风险分析及食品质量安全管理发挥重要作用[40]。通过分析食品致病微生物在不同条件下的生长、存活及消亡变化，估计出食品致病微生物的暴露水平及浓度水平，从而对致病微生物的食品中的分布及风险进行定量分析，进而得出食品的安全评价。赵瑞兰对肉冷却过程中的大肠杆菌的数目控制进行报道[41]。根据报道中预测模型计算，原料肉必须冷却到7℃，且大肠杆菌的对数值要低于log1.5时不会造成危害。同时，FAO和WHO在2002年对鸡肉及鸡蛋中的沙门氏菌进行了风险评估[41]。通过对不同条件下沙门氏菌的暴露评估及随机指标的推断，将数据输入相关的预测模型，得出反应模型的风险预测值，从而降低鸡肉引起的疾病风险。食品致病微生物预测模型的构建可以准确的评估加工过程对食品安全的影响程度，从而制定相应的HACCP体系管理标准；也可以为病原菌在食品中的分布及消费者的摄入量做出风险描述，从而对食品安全性进行定量评价。然而，目前的食品致病微生物预测模型只含盖了特定操作条件下的模型，未将整个食品过程进行模拟，这就无法了解甚至解决食品安全问题。另外，目前的加工手段无法保证产品质量的均一性，这就造成微弱的灭菌效果容易使食品存在安全隐患，从而影响食品致病微生物预测模型的准确与发展。

展望与总结

微生物预测模型的构建对食品加工过程的规范控制与食品货架期的评估是一种重要的工具。微生物预测模型的魅力在于运用已知数据去预测未来的发展趋势，对实际生产和流通进行监控[42]。近年来对微生物预测模型技术的研究取得一些进展，特别是在冷藏养殖鱼类和冷藏肉类货架期的预测模型上取得一定的成果。但是目前的研究方式仍很原始，微生物培养方式、微生物检测方式和数据采集方式仍不能完全满足模型的准确评估；在对多因素条件下的微生物预测效果不理想，延滞期系数预测不准确；在特定条件下，对微生物间的竞争及抑制关系考虑不准确，相关研究文献介绍较少；未完全热力失活/致死的微生物残存的分布及积累形式掌握不明确；食品生产过程定腐败微生物和致病微生物估计偏差较大等。这些问题都使得微生物预测模型在评估和建立时可能导致参数饱和或拟合情况不理想，这也是微生物预测模型未来的发展方向和研究重点。微生物预测模型是新型的量化微生物生长的评估工具。较传统的检测方法相比，预测模型的构建可以节约大量时间和成本。微生物预测模型可以有效地预测食品加工和流通过程中的质量安全并做出合理的判断，为提高食品的货架期和消费者对食品质量安全信心提供有力的依据。同时，微生物预测模型也可以为产品开发和配方制定提供合理的工艺参数。（本文作者：迟海、李学英、杨宪时 单位：中国水产科学研究院东海水产研究所、农业部东海与远洋渔业资源开发利用重点实验室）