预测微生物模型在水产品中的应用

刘丽君，方婷

（福建农林大学食品科学学院，福建福州350002）

预测微生物模型在水产品中的应用

刘丽君，方婷*

（福建农林大学食品科学学院，福建福州350002）

水产品在捕获后的微生物存活状况十分复杂，如果消费者在水产品中微生物状况未知的情况下食用了水产品，就可能会发生食物中毒。预测食品微生物学是食品微生物学的关键领域，也是食品安全控制的重要学科组成，能够帮助食品专家和从业人员有效评估和控制食品的安全状况。水产品中病原微生物生长模型的建立在水产品的食用安全性方面能够起到重要作用，微生物预测模型能够分析和预测水产品中微生物随时间的变化，以及不同温度、不同环境条件下微生物的存活情况，为水产品的生产加工方式、储存条件及安全状况提供参考。

水产品；预测微生物学；数学模型；安全控制

随着经济的迅猛发展和科学技术的不断进步，人们的饮食结构趋于多样化，对水产品的需求也越来越多。但一些水产品从收获到复杂的生产加工，再经过多样化的贮存和运输，最后到达消费者手中，其不确定的微生物污染等安全性问题令人担忧。微生物的生长繁殖是食源性疾病爆发的主要原因，也是食品安全控制的主要研究方向，同时应运而生的预测微生物学成为食品危害分析和安全控制的有力工具[1]。预测微生物学（Predictive Microbiology）是运用微生物学、数学、统计学，结合计算机软件建立模型，来描述和预测特定环境下微生物的生长和死亡，从而预防和控制食品腐败和有毒食品的形成。目前，预测微生物学在水产品方面的安全控制作用逐渐受到重视[2]。

1 水产品的营养价值与安全现状

全球海洋面积辽阔，水产资源种类繁多，主要包括各种鱼类、虾、蟹、贝类以及藻类。水产品不仅肉质细嫩，味道鲜美，更含有非常均衡的营养素，是人体营养的重要组成部分，主要包括丰富的蛋白质及人体所需的各种维生素和矿物质，且易于被人体消化吸收，是一种生理价值非常高的功能性食品。各类水产品也因其营养全面，防治疾病，滋身养体等诸多功效而深受人们的喜爱。

人们在认识水产品的营养和药用价值的同时，其食用安全性也成为关注的焦点。纵观国内外水产市场，水产加工业正在面临严峻的挑战：缺少科学的行业标准、较小的精加工水产品比例、低水平的下脚料处理技术以及薄弱的工业组织管理和存在一系列安全隐患等问题[3]。

食源性疾病在全球每年都会发生约40亿～60亿例[4]，其发病率居各类疾病总发病率的前列，其中主要因素之一就是水产品中的病原微生物，尤其是动物性水产品中食源性病原菌的污染最为严重[4]。生鲜水产品中经常含有能引起感染的沙门氏菌、志贺氏菌、弧菌、李斯特氏单细胞质菌、耶尔森氏肠道菌，以及能产生毒素的肉毒杆菌、产气荚膜梭菌、金黄色葡萄球菌等[5]；同时水产品含有丰富的水分和蛋白质，因此也更容易腐败变质，且很快就会产生引起食物中毒的毒素，所以因食用水产品而中毒的事件频频发生[6]。水产品在生长过程中的水质污染，捕获时的物理损伤及加工、储存、流通等环节的污染，都会使上述这些微生物在水产品中迅速生长繁殖，并对食用者的健康及生命安全造成威胁[7]。即使是在冷冻和冷藏条件下，其中一些细菌仍然会继续残活，例如沙门氏菌和李斯特菌等[8]，这就给水产品食用人群带来极大的安全隐患。因此，分析和预测水产品中各种微生物的生长情况，是预防和控制水产品中食源性疾病发生急需解决的问题。

2 预测微生物模型在水产品中的应用

预测微生物模型是通过一个或多个数学关系或方程式来表达出微生物的生长特性，从而预测出食品中微生物的存活状况，我们通常是将能够描述微生物特性的数学函数模型分为一级、二级和三级模型[9]。预测模型的实质就是通过衡量环境因素的影响，将数据存入数据库，并整合到数学模型中，通过预测软件处理来预测食品中微生物群体的状况，再结合适当的监测技术，就可以不用依靠传统微生物计算技术来评估食品货架期和微生物安全性[10]。

预测微生物模型在食品微生物学领域应用十分广泛。目前，预测微生物模型在食品领域中的发展与应用主要包括以下4个方面[11]：一、产品创新。通过对食品在特定加工条件下的微生物的增殖速度、生长范围或失活速率进行评估，来开发新产品、改进加工工艺、改善现有产品、确定储存条件和货架期。二、生产操作。预测微生物学为食品安全管理体系提供了极大的帮助，例如：加热体系的设置、HACCP中关键控制点（CCPs）的设置、以及评估不同的加工工艺在微生物安全和食品质量上的影响。三、危险评估。通过预测模型得到的数据信息可以判断食品的安全性、预测产品质量和对消费者安全的影响，防止产品在流通中发生问题。四、用于将新的风险管理理念转变成实际的指导方针。预测微生物模型作为一种控制和管理食品质量与安全的强有力的工具，在水产品的安全控制上也逐渐发挥出重要作用。

2.1 一级模型及其在水产品中的应用

一级模型（primary model）是描述在一定的环境条件下，微生物的生长数量与时间的关系。微生物的数量随时间的变化是通过绘制线性或非线性生长曲线（即S形曲线）进行表达的。典型的微生物生长曲线包括三个阶段：延滞期、指数期和静止期。常用的一级模型方程式及其参数见表1。

表1 一级模型方程式及其参数Table 1 The equation and parameters of primary model

Monod方程式是最简单的描述微生物细胞数量指数增加的模型，很多定量微生物学都是基于Monod方程式，其最重要的实际应用是在评估环境系统中有机物的生物降解动力学方面[12]。Logistic模型为很多模型提供了基础，但较为简单，在环境因素复杂时准确性较低[13]。Gompertz模型是应用很普遍的非线性模型，Gompertz方程式的修改形式能够以包含肩区和尾区的线性残存曲线建立模型[14]。Baranyi模型是以logistic生长模型为基础的非线性微分方程。Baranyi模型与普通生长模型的不同之处在于它有一个对延滞期有很好的处理能力的附加函数，应用范围广，且具有生理学意义[15]。

这些模型具有简易性、稳定性、与微生物实验数据有较好的拟合性，并且符合基本的微生物学现象，所以应用非常普遍。在实际应用中，选择模型时首先需要经过大量的实验确定某种微生物在特定环境条件下的生长曲线，再通过计算机软件使曲线与多种经典数学模型进行拟合，通过计算相关系数（R2）或斜率和准确度来比较不同模型的拟合优度[16]，从中选取拟合优度最佳的函数方程式作为这种微生物在此环境条件下的预测模型。曲线拟合的应用软件也有很多，例如SAS、R、Matlab等。近年来，很多预测微生物学家根据特定微生物的特性对经典模型进行了修改和完善，有的还创建了自己的预测微生物模型，使其在实际应用中能够发挥更好的作用[17]。

一级模型中应用最广泛的是建立不同温度条件下微生物生长的预测模型。由于水产资源分布的不均匀性，刚刚收获的水产品大多不能立即被人们食用，因此，水产品一般通过低温冷藏或冻藏的方式储存和运输，或者经过进一步的加工流通到市场。由于微生物和酶的活动都与温度有关，温度降低，微生物的生长繁殖就会受到抑制，甚至死亡，酶也会减弱或失去分解能力，因此水产品在加工和流通过程中，温度波动对其品质及安全性的影响是非常大的。水产品在整个冷链流通过程中，温度是很难控制的因素，仅通过经验判断和微生物实验很难准确估计水产品中微生物的生长情况。在研究不同温度条件下微生物的生长模型中，通常将温度的变化分为3种情况：恒定温度、连续波动温度和非连续波动温度[18]。根据特定水产品温度变化的情况建立相应的温度-时间预测模型，可以了解微生物在不同温度条件下随时间的数量变化情况，帮助管理者判断和控制水产品中关键微生物的存活状态，保障水产品的安全性。

微生物的存活状况除受温度影响外，水产品的内部环境体系和外界环境条件等各种因素的相互作用往往会对微生物的生长、存活和死亡产生影响。目前，已有大量数据和模型用于预测水产品中微生物的数量变化情况。Ross等结合已有数据和模型研究了温度、水分活度、pH、CO2、烟熏成分等对水产品中李斯特菌生长的影响[19]；M.Vialette等应用Gompertz模型建立了在酸和渗透压的影响及pH、NaCl、温度的相互作用下水产品中李斯特菌的生长模型[20]；O.Mejlholm等应用主要参数模型建立了在乙酰乙酸盐、乳酸盐、CO2、防腐剂、pH、NaCl、温度以及所有参数相互作用的影响下轻度保藏水产品中乳酸菌的生长模型，并证明了其对李斯特菌的抑制效应[21]。通过研究温度、pH、NaCl、CO2、乳酸等因素的共同作用对水产品中微生物生长的影响，有助于优化水产品加工工艺和储藏保鲜方法，提高风险评估安全系数。

2.2 二级模型及其在水产品中的应用

二级模型（secondary model）是描述一级模型中的参数与环境因子（如温度、pH、水分活度等）的变化之间的关系。Geeraerd等将二级模型细分为两类。第一类主要包括Ratkowsky的平方根模型、主要参数模型和Arrhenium模型，这些模型包含一些具有生物学意义的参数。其中平方根模型和主要参数模型通常应用于更多的环境因子，它们的应用范围较小，但拟合优度很好。第二类主要包括神经网络模型和响应面模型，对于模型结构的选择来说，这些模型最大的优点是没有固定的模型结构，具有很高的适用性[22]。常用的二级模型方程式及其参数见表2。

表2 二级模型方程式及其参数Table 2 The equation and parameters of secondary model

平方根模型（The square root model）是使用较多的二级模型。该方程式使用简单，参数单一，能很好地预测温度对微生物最大比生长速率的影响[23]。对于多个因素共同作用时，响应面模型较为有效。响应面模型需要处理大量数据，操作较复杂，但准确性很高。

在实际应用中，模型的选择主要考虑实验数量、关于初始模型结构的拟合优度统计、参数估计的精确性和不确定性等方面[24]。

在二级模型中，研究最多的是温度对微生物生长或失活速率的影响，因为温度是影响化学、生物化学、生物反应的重要影响因素。水产品中微生物二级预测模型的建立可以使我们很容易得到温度及其它环境因子对微生物存活速率的影响情况，从而对水产品的加工、运输及储藏等环节提供相应的理论指导。

2.3 三级模型及其在水产品中的应用

三级模型（tertiary model）是以一级模型和二级模型为基础发展起来的计算机程序软件。这种预测模型软件通过控制环境和理化因素及食品添加剂来预测食品中微生物的状况，其主要功能有：在变动的环境条件下预测微生物的生长变化；不同的环境条件下微生物的生长情况比较；一定的环境条件下，不同微生物生长状况的比较等。

近年来，预测模型软件在水产品安全评估和货架期预测中的应用比较广泛。丹麦渔业研究所开发的海洋食品腐败预测程序（SSP）软件，有效的促进了预测微生物学和海洋食品货架期数学模型在工业、研究、海洋食品检验和教学方面的应用。SSP软件包含特定腐败微生物生长的动力学模型和腐败模型的相关速率，从其输出的图表中能够得到恒温或波动温度条件下微生物生长的预测值和产品的货架期[25]。在SSP基础上发展的海洋食品腐败安全预测程序（SSSP）软件能够预测各种新鲜或轻度保藏的海产品中微生物的生长情况和货架期[26]。水产鱼类（例如大比目鱼）的微生物腐败动力学模型和感官品质可以通过鱼类货架期预测程序（FSLP）获得[27]。

水产品中病原微生物生长模型的建立和相应软件的开发为水产品的食用安全性等方面提供了极大的帮助。通过微生物预测模型能够得到一些关于水产食品与微生物作用之间的宝贵信息，从而有助于提高水产品的安全和质量，减少经济损失，使水产渔业能够更好地发展。

3 展望

微生物预测模型能够定量食品中各种微生物（包括致病菌、腐败菌和有益菌）的生长情况，有助于预测食品货架期，指导产品研发，优化生产操作和流通环节。预测模型虽然不能完全代替传统的微生物学实验和微生物学家的经验和判断，但作为一种获取关键信息的有力工具，预测模型在食品微生物领域必将占有越来越重要的地位。在预测微生物模型应用于水产领域的未来发展中，必将会与更多的学科进行交叉和结合，并发展一系列具有通用性和高准确度的预测模型应用于水产品定量微生物危险分析中，从而更好地提高水产品的质量和安全性，使水产行业逐渐发展成为前景广阔、安全性高和经济效益大的产业。

[1]Arie H Havelaar,Stanley Brul,Aarieke de Jong,et al.Future challenges to microbial food safety[J].International Journal of Food Microbiology,2010,139:579-594

[2] 宋华,江晓路.预测微生物学发展与水产品的安全控制[J].中国食物与营养,2011,17(7):11-14

[3]Jianrong Li,Haixia Lu,Junli Zhu,et al.Aquatic products processing industry in China:Challenges and outlook[J].Trends in Food Science&Technology,2009,20:73-77

[4]张宾,邓尚贵,林慧敏,等.水产品病原微生物安全控制技术的研究进展[J].中国食品卫生杂志,2011,23(6):581-586

[5] 孙月娥,李超,王卫东.我国水产品质量安全问题及对策研究[J].食品科学,2009,21:493-498

[6]Amagliani G,Brandi G,Schiavano G F.Incidence and role of Salmonella in seafood safety[J].Food Research International,2012, 45:780-788

[7]Knut Bjorn Lindkvist,Torbjorn Trondsen,Jinghua Xie.Restructuring the Chinese seafood industry,global challenges and policy implications[J].Marine Policy,2008,32:432-441

[8]Matamoros S,Pilet M F,Gigout F,et al.Selection and evaluation of seafood-borne psychrotrophic lactic acid bacteria as inhibitors of pathogenic and spoilage bacteria[J].Food Microbiology,2009,26: 638-644

[9]Jordi Ferrer,Clara Prats,Daniel López,et al.Mathematical modelling methodologies in predictive food microbiology:A SWOT analysis[J].International Journal of Food Microbiology,2009,134:2-8

[10]McMeekin T A.Predictive microbiology:Quantitative science delivering quantifiable benefits to the meat industry and other food industries[J].Meat Science,2007,77:17-27

[11]Jeanne-Marie Membré,Ronald J W Lambert.Application of predictive modelling techniques in industry:From food design up to risk assessment[J].International Journal of Food Microbiology,2008, 128:10-15

[12]Holger Dettea,Viatcheslav B Melasb,Andrey Pepelyshevb,et al. Robust and efficient design of experiments for the Monod model[J]. Journal of Theoretical Biology,2005,234:537-550

[13]Micha Peleg,Maria G.Corradini,Mark D.Normand.The logistic (Verhulst)model for sigmoid microbial growth curves revisited[J]. Food Research International,2007,40:808-818

[14]Chhabra A T,Carter W H,Linton R H,et al.A predictive model that evaluates the effect of growth conditions on the thermal resistance of Listeria monocytogenes[J].International Journal of Food Microbiology,2002,78:235-243

[15]Mytilinaios I,Salih M,Schofield H K,et al.Growth curve prediction from optical density data[J].International Journal of Food Microbiology,2012,154:169-176

[16]Régis Pouillot a,Meryl B Lubran.Predictive microbiology models vs.modeling microbial growth within Listeria monocytogenes risk assessment:What parameters matter and why[J].Food Microbiology, 2011,28:720-726

[17]Hiroshi Fujikawa,Akemi Kai,Satoshi Morozumi.A new logistic model for Escherichia coli growth at constant and dynamic temperatures[J].Food Microbiology,2004,21:501-509

[18]Jun Yue,Lu Liu,Zhenbo Li,et al.Improved quality analytical models for aquatic products at the transportation in the cold chain[J]. Mathematical and Computer Modelling,2011,11:1-6

[19]Tom Ross,Paw Dalgaard,Suwunna Tienungoon.Predictive modelling of the growth and survival of Listeria in fishery products[J]. International Journal of Food Microbiology,2000,62:231-245.

[20]Vialette M,Pinon A,Chasseignaux E,et al.Growths kinetics comparison of clinical and seafood Listeria monocytogenes isolates in acid and osmotic environment[J].International Journal of Food Microbiology,2003,82:121-131

[21]Mejlholm O,Dalgaard P.Modeling and predicting the growth of lac－tic acid bacteria in lightly preserved seafood and their inhibiting effect on Listeria monocytogenes[J].Journal of Food Protection,2007, 70(11):2485-2497

[22]Van Derlinden E,Van Impe J F.Modeling growth rates as a function of temperature:Model performance evaluation with focus on the suboptimal temperature range[J].International Journal of Food Microbiology,2012,158:73-78

[23]Koen Grijspeerdt,Koen De Reu.Practical application of dynamic temperature profiles to estimate the parameters of the square root model[J].International Journal of Food Microbiology,2005,101: 83-92

[24]Laurence Mertens,Eva Van Derlinden,Jan F Van Impe.Comparing experimental design schemes in predictive food microbiology:Optimal parameter estimation of secondary models[J].Journal of Food Engineering,2012,112:119-133

[25]Paw Dalgaard,Peter Buch,Steen Silberg.Seafood Spoilage Predictor—development and distribution of a product specific application software[J].International Journal of Food Microbiology,2002,73: 343-349

[26]Lebert Isabelle,Lebert André.Quantitative prediction of microbial behaviour during food processing using an integrated modelling approach:a review[J].International Journal of Refrigeration,2006,29: 968-984

[27]Nuin M,Alfaro B,Cruz Z,et al.Modelling spoilage of fresh turbot and evaluation of a time–temperature integrator(TTI)label under fluctuating temperature[J].International Journal of Food Microbiology,2008,127(3):193-199

Application of Predictive Microbiology Models in Aquatic Products

LIU Li-jun，FANG Ting*
（College of Food Science，Fujian Agriculture and Forestry University，Fuzhou 350002，Fujian，China）

The growth and death of microorganism in aquatic products after harvested is complicated.If consumer eats the aquatic products which the microorganism condition in it is unknown may lead to food poisoning. Predictive food microbiology is the key area of food microbiology and also the important subject composition of food safety control and can help food specialist estimates and controls the food safety.The growth models of pathogenic microorganisms in aquatic products can play an important role in aquatic products safety.Predictive models can analyze and predictive microorganism change in aquatic products with time and the growth or death of microorganism in different temperatures and environment conditions.Then it can give suggestions to the processing，storage conditions and safety control of aquatic products.

aquatic products；predictive microbiology；mathematical model；safety control

10.3969/j.issn.1005-6521.2014.19.028

2013-09-18

刘丽君（1987—），女（汉），研究生，研究方向：微生物预测模型。

*通信作者