食品中沙门氏菌预测模型的研究进展

金永国，韩梦琪，孙 卓，马美湖

(华中农业大学食品科技学院，湖北武汉430070)

食品中沙门氏菌预测模型的研究进展

金永国，韩梦琪，孙 卓，马美湖

(华中农业大学食品科技学院，湖北武汉430070)

沙门氏菌作为引起细菌性食物中毒的主要食源性致病菌之一，引发了国内外一系列食品安全事件，对人类健康造成严重危害。应用预测微生物学理论知识，通过建立能够描述和预测特定微生物在一定条件下的生长和存活模型，可快速对食品的微生物安全性进行评估。笔者通过综述近年来国内外开展的沙门氏菌预测模型研究，列举了肉类、蛋类及蛋制品、牛奶及奶制品等食物中建立的生长模型与失活模型，概述了在动态变化环境下的生长模型研究以及界面模型研究的最新进展，最后对沙门氏菌预测模型的研究提出了展望。

沙门氏菌；预测模型；食品安全

沙门氏菌被认为是目前世界范围内最重要的食源性致病菌之一。食物传播是人类感染沙门氏菌的主要途径，肉类(尤其是禽肉)、蛋类及蛋制品、未经巴氏消毒的牛奶及奶制品、海产品等很多食品都与沙门氏菌致病有关。全球每年约有1 600万由沙门氏菌引起的感染病例，其中死亡病例60万。2010年，美国有2 000多人因食用被肠炎沙门氏菌污染的鸡蛋而出现腹泻等症状。在我国，沙门氏菌引起的食物中毒居细菌性食物中毒的首位，尤其是禽肉和禽蛋中沙门氏菌的控制对食品安全、兽医公共卫生等具有重要意义。进出口食品安全检测监控项目中，沙门氏菌属于不得检出的微生物种类。通过建立数学模型来描述不同环境下致病菌的生长、存活及失活的变化，实现食品加工、运输、贮存及使用过程中对致病菌变化的预测，快速进行食品微生物风险的定量评估以及产品质量安全的控制与管理。本文中，笔者主要以生长模型与失活模型、界面模型与动态模型为主来进行沙门氏菌预测模型的最新进展综述，通过大量研究数据与研究结果的整理，可对未来沙门氏菌的定量风险评估工作、食品企业的产品质量安全控制以及相关标准的制定提供理论依据，保证食品安全问题的有效管理，保护消费者健康。

1 沙门氏菌概述

目前，已经分离得到的沙门氏菌有2 500余种血清型，其中与人类疾病有关的常见血清型为鼠伤寒沙门氏菌、猪霍乱沙门氏菌以及肠炎沙门氏菌[1]。沙门氏菌广泛分布于自然界之中，人类易通过食物传播而感染沙门氏菌，继而引发胃肠炎、菌血症或败血症以及伤寒等其他肠热症型疾病[2]。沙门氏菌为革兰氏阴性，形态是呈两端钝圆的短杆菌，需氧或兼性厌氧菌，无芽孢和荚膜，大多有周身鞭毛，能运动。在普通培养基中就可生长，最佳生长温度约为37 ℃，最低生长温度为5 ℃，最适pH为6.8～7.8。但它对热抵抗力不强，在60 ℃、15 min条件下都可被杀死[3]。在我国细菌性食物中毒中，70%～80%的案例是由沙门氏菌引起，我国风险监测显示蛋及蛋制品中沙门氏菌的检出率为3.9%～43.7%[4]。沙门氏菌的中毒主要是菌体内毒素的作用，因为它对肠道黏膜、肠壁及血管具有强烈刺激作用进而引发呕吐、腹痛、腹泻等中毒反应[5]。

2 预测微生物学

预测微生物学(predictive microbiology)是一门在微生物学、统计学、数学和应用计算机学基础上建立起来的新兴学科[6]。它的研究内容主要是基于微生物对环境影响具有重现性的原理，设计一系列能够描述和预测微生物在特定条件下的生长和存活模型。这些模型为微生物定量风险评估(QMRA)和危害分析关键控制点(HACCP)提供了科学依据，是管理食品安全的重要工具[6]。 目前认可度较高的是Buchanan[7]基于变量的类型，把模型分为3个级别：一级模型是描述在特定的培养条件下，微生物对时间的生长或存活曲线；二级模型描述的是培养和环境变量对微生物生长或存活特性的影响；三级模型是描述合并或联合在一起的初级和二级模型，三级模型主要指建立在一级和二级模型之上的电脑应用软件程序，又称为专家模型[8]。

建立可靠的微生物生长和存活模型是预测食品加工贮藏中微生物的前提，随着预测微生物学在20世纪90年代的迅猛发展以及沙门氏菌污染在食源性疾病案例中的频繁出现，针对沙门氏菌预测模型的研究越来越多，并较多地应用在肉类与肉制品、蛋与蛋制品等常见易携带沙门氏菌的食品风险分析中。同时，美国农业部的病 原 菌 预 报 模 型 库(pathogen modeling program,PMP)及英国农业、渔业与食品部的食品微生物模型库(food micro model,FMM)系统软件，美、英两国联合共同建立的世界最大预测微生物学信息数据库Combase[9]均包含了获得沙门氏菌在不同基质中的预测模型数据。

3 食品中沙门氏菌的预测模型研究

关于沙门氏菌预测模型最早发表的文章是Anellis等[10]对沙门氏菌在鸡蛋中失活过程的研究，随后，哥本哈根大学于1958年通过对鼠伤寒沙门氏菌的对数生长期进行线性模型拟合并成功求得最大生长速率，虽然其研究没有用数学模型加以描述，但研究中对于不同温度下沙门氏菌的生长曲线形状相同的发现奠定了如今由一级模型推演二级模型的方法基础[11]。本文中，笔者以生长模型、失活模型为主，分述一级模型与二级模型的研究现状，并简介动态模型、界面模型的最新进展，最后总结并提出综述展望。

3.1 生长模型

3.1.1 一级模型

关于沙门氏菌在特定环境条件下的一级生长模型研究较多，Logistic方程与Gompertz方程是较为常用的经验模型，在20世纪80年代关于沙门氏菌的众多生长模型的研究中，Gompertz方程被认为是最适用于描述沙门氏菌在培养基中生长时浓度对数值随时间变化情况的模型。Zwietering于1990年将Gompertz方程进行了修正，Juneja等[12]研究了鸡肉中温度对沙门氏菌生长模型的影响，进行等温条件下鸡肉中沙门氏菌的一级生长模型建立，结果发现修正Gompertz模型拟合度更高。毛贻政等[13]在草鱼鱼糜中、李昱妲[14]在杀菌液全蛋中以及郑婷等[15]在冷却牛肉中建立的沙门氏菌温度生长模型也证实修正Gompertz方程的拟合优度更佳。而Sakha等[16]在杀菌液全蛋与未杀菌液全蛋中的一级模型拟合得到的修正Logistic方程拟合度更优。除此之外，Baranyi模型亦是真正意义上的动力学模型[8]，由于拟合性较高的优点在研究中广泛使用，Juneja等[12]的研究认为由Baranyi建模得到的最大生长速率等参数能更好地应用到二级模型中。高丽娟等[17]以新鲜猪肉滤汁为培养液，接种沙门氏菌，绘制沙门氏菌在17、25、30、35和37 ℃下的生长曲线，Baranyi模型与Ratkowsky模型建立了较为准确的一级和二级模型。Zhou等[18]在鸡肉中建立沙门氏菌的生长模型，对Combase软件中以及现有研究中的数据加以整理后进行模型拟合，其研究认为Baranyi模型得到相应生长参数值在多种环境因素共同作用下都比其他一级模型更为准确。Juneja等[19]研究了温度对生牛肉中沙门氏菌生长的影响，并以同样的方法建立了一级模型，并增加Huang模型的建立和拟合，发现4种一级模型对于沙门氏菌一级生长模型的拟合度精度差别不显著，但温度因素会影响其拟合度。另外，Baranyi模型和Huang模型对于二级模型在建立更易得，Huang模型比Baranyi模型在数据采集上更便捷。以上大部分研究中，单从拟合优度上来说，常用的修正Gompertz模型、Logistic模型和Baranyi模型差别不大，但用于整体分析时，Baranyi模型比其他模型更实用，所以Baranyi模型也被广泛用于估计最大比生长速率等生长参数[20-21]。

3.1.2 二级模型

在沙门氏菌的二级模型研究中，涉及的环境因素包括温度、pH、水分活度(aw)、气体组成以及天然有机酸和防腐添加物等因素。其中温度是食品在生产链中波动最大的因素，也是在众多预测模型研究中选用较多的因素[22]。上述大部分关于温度因素的研究中，平方根模型往往选作二级模型用来拟合。平方根模型自提出后经过不断修正和完善，逐渐扩展到 pH、水分活度(aw)、CO2浓度等，其基本形式被看做是最经典的二级模型之一。除了较为广泛使用的平方根模型之外，多项式模型、γ方程在针对多因素的二级模型建立中得到较多应用，Pinon等[23]在沙门氏菌二级模型的研究中使用了γ方程建立二级模型，γ方程的原理是假设温度、水分活度、pH等多种因素对微生物的作用是相互独立的。

3.2 失活模型

由于致病菌的失活模型在食品的杀菌中具有重要意义，最常用且重复性较好的失活模型就是一定温度下的热失活线性模型，其主要包括两个方程，分别为一级、二级模型。

(1)

(2)

式中：N表示菌浓度，N0表示初始菌浓度，t为时间，D值为菌浓度减少10倍时需要的时间，Z值为D值减少10倍需要升高的温度。

这两级模型中D值与Z值的概念在热杀菌中有较为广泛的应用。Van Asselt等[24]研究了不同食品基质、不同温度下的D值和Z值，研究证实在48～90 ℃的范围内，pH与水分活度对沙门氏菌在不同环境下的D值和Z值没有影响，较低的水分活度与高脂质的基质中D值会偏高。Muoz-Cuevas等[25]对以上研究的方程与Combase数据库的数据进行了拟合，拟合证实食品基质对于D值和Z值的影响不显著，除了水分活度较低的糕点类的基质以外。上述失活模型的研究中将温度作为主导因素，实际模型的拟合中要考虑影响到沙门氏菌抗热性的诸多因素，例如食品基质条件、初始环境、菌种等因素。Humphrey[26]探讨了肠炎沙门氏菌与森夫滕贝格沙门氏菌等菌种对D值的影响。失活模型在实际失活曲线的拟合中发现会有“肩部”和“拖尾”的非线性偏差发生[22]，基于概率分布的Weibull频数模型将失活曲线看作细菌失活致死积累分布形式，Van Bokel[27]对Weibull模型通过其与传统一阶线性失活模型的比较，证实Weibull更适用于实际情况下的热失活规律。 Jordan等[28]用Weibull模型拟合了蛋黄液中沙门氏菌在58～66 ℃之间动力学热失活模型，其中应用了4种沙门氏菌菌种混合接种至蛋黄液中进行不同温度下失活模型拟合。

针对沙门氏菌的非热失活模型研究主要围绕辐照、压强、电场以及添加物等因素展开。Erkmen等[29]研究了鼠伤寒沙门氏菌在不同高静压处理下的失活曲线，研究中用到Gompertz方程分别对200～350 MPa变化下的鼠伤寒沙门氏菌的灭活曲线拟合，建立了高静压与生长速率之间的二级模型，证实线性模型与平方根模型在拟合度上优于Arrhenius方程。Chen[30]对牛奶中7种致病菌的压力失活模型进行了Weibull、log-logistic方程以及线性方程的拟合评价，对沙门氏菌的拟合结果中，Weibull方程和log-logistic方程的拟合性更好。Monfort等[31]在加热处理液蛋产品的基础上研究了脉冲电场和添加剂影响下沙门氏菌失活模型的建立。Juneja等[32]研究了生牛肉中不同菌种的沙门氏菌在添加牛至油与羟基丙酸钠后的失活情况。Chun 等[33]研究了辐照量对于沙门氏菌在即食火腿中失活模型的影响，用Weibull模型更好地拟合了失活模型。除此之外，将加工过程中沙门氏菌的生长与失活作为整体的研究，如Coroller等[34]选用了发酵剂类型、温度、水分活度以及pH等因素对γ方程进行改进，建立了香肠干燥过程中的生长-失活模型。

3.3 动态模型

微生物的生长预测模型常常用在食品的货架期预测以及风险评估的暴露评估环节之中，而在真实情况中，外部环境不会保持恒温，而是有变化的。所以，动态条件下生长模型的建立也是近年的研究热点。

Bovill等[35]将Baranyi模型应用到沙门氏菌在奶制品中波动温度下的生长情况，但主要探讨了延滞期在动态温度下的预测准确性。Gumudavelli等[36]建立了肠炎沙门氏菌在蛋黄里动态温度变化下的生长模型，研究中首先建立了拟合度较高的Baranyi一级模型和修正Ratkowsky方程拟合的二级模型，然后将两级模型联合起来，并用四阶-龙格库塔方法对4种温度变化(线性加热、指数加热、指数降温以及正弦波动)范围内的微生物生长进行了较为准确的拟合，其结果可与PMP三级模型联合应用到鸡蛋的风险分析以及关键控制点研究中。 Velugoti等[20]利用相同的方法进行了碎猪肉中温度动态变化下的沙门氏菌生长模型的建立，并且对所建模型进行了较为系统的评估，证实了该模型在线性降温与指数降温中的实际值与预测值的偏差小于0.5个log，其余变化范围内偏差也不大于1个log。这一动态温度条件下生长模型的建立方法与Singh等[21]在液全蛋中的研究相似。

3.4 界面模型

沙门氏菌作为人类致病菌之一，近年来关于其生长/不生长的界面模型被越来越多的研究提出[37]。只要致病菌开始生长必然会对食品消费者造成安全隐患，所以关于致病菌生长/不生长临界点的探讨在质量管理中将有更重大的意义，预测微生物学逐渐深入发展形成的生长界面模型(G/NG)正是应用不同的方法来确定 G/NG 界面，以此判断一定条件下的生长概率，再基于栅栏效应的基本原理对食品中微生物生长进行控制。

在所有影响微生物是否生长的因素中，目前研究证实接种状态、食品基质、微生物相互作用是最重要的因素。Koutsoumanis等[38]应用了Logit模型拟合鼠伤寒沙门氏菌在温度、水分活度以及pH变化下的界面模型。研究采取了5种血清型，找到低临界值的相应血清型，并进行了食品基质上的模型验证。Pin等[39]在研究中得到相似结论，但是在低温等特定条件下的生长概率更大。Polese等[40]利用Koutsoumanis的研究结果以及Koseki[41]的研究数据对沙门氏菌建立了一种简化的生长/不生长界面模型，并证实了其在实际加工中的利用潜力。关于界面模型的研究不仅在于方程的建立，也有不少将三级模型用于沙门氏菌生长界面的讨论中。Koseki等[41]以Combase的数据为基础建立的MRV数据库中包含了19种不同的微生物(包括沙门氏菌)的界面模型。界面模型的应用十分广泛，而且对于食品生产加工环节意义十分重大， 但由于其统计工作巨大且结果精确度和稳定性较差，所以建立关于界面模型的数据库是进一步需要探究的工作。

4 总结与展望

沙门氏菌目前仍然是肉、蛋等食品中需要重点控制的食源性致病菌，本文所介绍的食品中沙门氏菌预测模型研究以量化形式描述了沙门氏菌在食品中的行为，对于这些食品中沙门氏菌的风险评估及质量控制具有重要意义，尤其是为肉与肉制品、蛋与蛋制品等产品的质量安全管理提供了依据。相较于传统的耗费人力、物力的实验室检测方法，模型的建立能够快速地对特定环境中微生物的生长速率进行预测，有利于效率提升和品质保证。

但是上述研究中获取数据的方法大多是传统的平板计数法，这种经典方法可以区分死菌和活菌，但工作量大、耗时；另外，沙门氏菌预测模型主要解决的是沙门氏菌生命活动与温度、pH、水分活度等环境因素之间的关系，且目前预测软件中大部分模型也是依据这些环境因素基于实验室数据所建立的，实验中存在接种浓度较高、没有考虑实际情况下微生物之间的相互影响、交叉污染以及食品基质存在差异等问题，容易导致生长速率评价过高；此外，研究的样本量较小，往往是针对特定条件、菌种以及食品所建立的相应模型，在食品工业中以及大范围内应用的普适性不强。

在今后的沙门氏菌预测模型研究中，本文主要提出以下几点展望：

1)预测模型建立方法的改变，根据现有的易降解的RNA反转录后再进行实时荧光定量 PCR的方法[42]，可实现对微生物总浓度的间接测定以及采用宏基因组、蛋白质组学的方法建立预测模型，拟开展用上述方法进行沙门氏菌预测模型的研究。

2)针对食品营养组成、食品包装形式、微生物相互作用、微生物代谢活动等因素进行沙门氏菌预测模型建立，使模型的普适性更强。

3)通过将大量沙门氏菌实验室研究数据和实际案例相结合，增大样本容量，运用统计学、工程数学、人工神经网络等技术手段进行数据处理，建立沙门氏菌数据库以及相关预测软件，提高模型预测的准确性。

4)相比于沙门氏菌群体性的模型研究，单细胞的生长观测及预测也将得到更多关注，开展单细胞或低数量级水平下的食源性致病菌生长规律研究工作，更好地将沙门氏菌的预测模型研究与食源性致病菌风险评估相结合。

[1] 唐涛.病原微生物学[M].呼和浩特:远方出版社,2005.

[2] 江汉湖.食品微生物学[M].2版.北京:中国农业出版社,1995.

[3] 布坎南 R E.伯杰细菌鉴定手册[M].北京:科学出版社,1984.

[4] 王晶钰,董睿,王利勤,等.市售鲜鸡蛋中沙门氏菌的分离鉴定及毒力岛基因检测[J].食品科学,2012(16):154-158.

[5] 曾晓芳.畜产品中沙门氏菌污染的检测与控制[J].四川畜牧兽医,2003(4):28-29.

[6] MCMEEKIN T A,BARANYI J,BOWMAN J,et al.Information systems in food safety management[J].Int J Food Microbiol,2006,112(3):181-194.

[7] BUCHANAN R L.Predictive food microbiology[J].Trends Food Sci Technol,1994,4(1):6-11.

[8] 董庆利.食品预测微生物学:过去 现在 将来[J].农产品加工·学刊,2009(3):38-41.

[9] 郭剑飞,李柏林,欧杰.基于食品安全性的预测微生物学研究模式[J].食品科技,2004(2):5-8.

[10] ANELLIS A,LUBAS J,RAYMOND M M.Heat resistance in liquid egg of some strains of the genusSalmonella[J].Food Res,1954,19:377-395.

[11] KJELDGAARD N O,MAALOE O,SCHAECHTER M.The transition between different physiological states during balanced growth ofSalmonellatyphimurium[J].J General Microbiol,1958,19(3):607-616.

[12] JUNEJA V K,MELENDRES M V,HUANG L H,et al.Modeling the effect of temperature on growth ofSalmonellain chicken[J].Food Microbiol,2007,24(4):328-335.

[13] 毛贻政,王成,张伟,等.草鱼鱼糜中沙门氏菌生长预测模型的建立[J].食品工业科技,2015,36(24):49-53.

[14] 李昱妲.杀菌液全蛋中沙门氏菌预测模型的建立[D].哈尔滨:东北农业大学,2010.

[15] 郑婷,董鹏程,王仁欢,等.冷却牛肉中沙门氏菌生长预测模型的建立和验证[J].食品与发酵工业,2015,41(7):38-44.

[16] SAKHA M Z,FUJIKAWA H.Prediction ofSalmonellaenteritidis growth in pasteurized and unpasteurized liquid egg products with a growth model[J].Biocontrol Sci,2013,18(2):89-93.

[17] 高丽娟,瓮绍苏,刘清珺,等.鲜猪肉中沙门氏菌生长预测模型的建立[J].食品研究与开发,2011,32(12):143-146.

[18] ZHOU K,ZHONG K C,LONG C,et al.Development and validation of a predictive model for the growth ofSalmonellaenterica in chicken meat[J].J Food Safety,2014,34(4):326-332.

[19] JUNEJA V K,MELENDRES M V,HUANG L,et al.Mathematical modeling of growth ofSalmonellain raw ground beef under isothermal conditions from 10 to 45 degrees C[J].Int J Food Microbiol,2009,131(2/3):106-111.

[20] VELUGOTI P R,BOHRA L K,JUNEJA V K,et al.Dynamic model for predicting growth ofSalmonellaspp.in ground sterile pork[J].Food Microbiol,2011,28(4):796-803.

[21] SINGH A,KORASAPATI N R,JUNEJA V K,et al.Dynamic predictive model for the growth ofSalmonellaspp.in liquid whole egg[J].J Food Sci,2011,76(3):M225-M32.

[22] MCQUESTIN O J,MUSGROVE M T,TAMPLIN M L.Kinetics of growth and inactivation ofSalmonellaenterica serotype typhimurium DT104 in pasteurised liquid egg products[J].Food Microbiol,2010,27(3):396-402.

[23] PINON A,ZWIETERING M,PERRIER L,et al.Development and validation of experimental protocols for use of cardinal models for prediction of microorganism growth in food products[J].Appl Envir Microbiol,2004,70(2):1081-1087.

[24] VAN ASSELT E D,ZWIETERING M H.A systematic approach to determine global thermal inactivation parameters for various food pathogens[J].Int J Food Microbiol,2006,107(1):73-82.

[25] MUNOZ-CUEVAS M,METRIS A,BARANYI J.Predictive modelling ofSalmonella:from cell cycle measurements to e-models[J].Food Res Int,2012,45(2):852-862.

[26] HUMPHREY T J.Heat resistance inSalmonellaenteritidis phage type 4:the influence of storage temperatures before heating[J].J Appl Bacteriol,1990,69(4):493-497.

[27] VAN BOEKEL M A J S.On the use of the Weibull model to describe thermal inactivation of microbial vegetative cells [J].Int J Food Microbiol,2002,74(1/2):139-159.

[28] JORDAN J S,GURTLER J B,MARKS H M,et al.A mathematical model of inactivation kinetics for a four-strain composite ofSalmonellaenteritidis and oranienburg in commercial liquid egg yolk[J].Food Microbiol,2011,28(1):67-75.

[29] ERKMEN O.Mathematical modeling ofSalmonellatyphimurium inactivation under high hydrostatic pressure at different temperatures[J].Food Bioprod Proc,2009,87(C1):68-73.

[30] CHEN H.Use of linear,Weibull,and log-logistic functions to model pressure inactivation of seven foodborne pathogens in milk[J].Food Microbiol,2007,24(3):197-204.

[31] MONFORT S,SALDA A G,COND N S,et al.Inactivation ofSalmonellaspp.in liquid whole egg using pulsed electric fields,heat,and additives[J].Food Microbiol,2012,30(2):393-399.

[32] JUNEJA V K,HWANG C A,FRIEDMAN M.Thermal inactivation and postthermal treatment growth during storage of multipleSalmonellaserotypes in ground beef as affected by sodium lactate and oregano oil[J].J Food Sci,2010,75(1):M1-M6.

[33] CHUN H,KIM J,CHUNG K,et al.Inactivation kinetics ofListeriamonocytogenes,Salmonellaentericaserovar Typhimurium,andCampylobacterjejuniin ready-to-eat sliced ham using UV-C irradiation[J].Meat Sci,2009,83(4):599-603.

[34] COROLLER L,JEUGE S,COUVERT O,et al.Extending the gamma concept to non-thermal inactivation:a dynamic model to predict the fate ofSalmonelladuring the dried sausages process[J].Food Microbiol,2015,45:266-275.

[35] BOVILL R,BEW J,COOK N,et al.Predictions of growth forListeriamonocytogenesandSalmonelladuring fluctuating temperature[J].Int J Food Microbiol,2000,59(3):157-165.

[36] GUMUDAVELLI V,SUBBIAH J,THIPPAREDDI H,et al.Dynamic predictive model for growth ofSalmonellaenteritidisin egg yolk[J].J Food Sci,2007,72(7):M254-M262.

[37] CARRASCO E,DEL ROSAL S,CARLOS RACERO J,et al.A review on growth/no growthSalmonellamodels[J].Food Res Int,2012,47(1):90-99.

[38] KOUTSOUMANIS K P,KENDALL P A,SOFOS J N.Modeling the boundaries of growth ofSalmonellatyphimuriumin broth as a function of temperature,water activity,and pH[J].J Food Prot,2004,67(1):53-59.

[39] PIN C,AVENDANO-PEREZ G,COSCIANI-CUNICO E,et al.ModellingSalmonellaconcentration throughout the pork supply chain by considering growth and survival in fluctuating conditions of temperature,pH andaw[J].Int J Food Microbiol,2011,145:S96-S102.

[40] POLESE P,DEL TORRE M,SPAZIANI M,et al.A simplified approach for modelling the bacterial growth/no growth boundary[J].Food Microbiol,2011,28(3):384-391.

[41] KOSEKI S.Microbial responses viewer MRV a new ComBase-derived database of microbial responses to food environmets[J].Int J Food Microbiol,2009,134(1/2):75-82.

[42] DELHALLE L,TAMINIAU B,ELLOUZE M,et al.Predictive microbiology combined with metagenomic analysis targeted on the 16S rDNA:a new approach for food quality[EB/OL].[2016-02-25].http:∥orbi.ulg.be/bitstream/2268/172215/1/D-E-L-H-A-L-L-E-e-t-A-L-2013ICPMF8.pdf.

(责任编辑 管珺)

Progress in predictive models of Salmonella in food

JIN Yongguo,HAN Mengqi,SUN Zhuo,MA Meihu

(College of Food Science & Technology，Huazhong Agriculture University，Wuhan 430070,China )

As a main food-borne pathogens,Salmonellacauses food safety incidents all around the world at present.By establishing series of predictive models to describe and predict the growth and inactivation of microorganisms under the specific conditions,we can rapidly evaluate the microbial safety of food.This paper introduces the research progress in growth models and the inactivation models ofSalmonellain food and growth models under dynamic conditions and surface model in recent years.Finally,anticipated future developments are summarized.

Salmonella; predictive models; food safety

10.3969/j.issn.1672-3678.2016.06.013

2016-03-07

国家自然科学基金(31230058)；现代农业产业技术体系建设专项资金(CARS-41-K23)

金永国(1977—)，男，吉林通化人，副教授，研究方向：禽蛋蛋白质抗菌机制；马美湖(联系人)，教授，E-mail：mameihuhn@163.com

TS201.3

A

1672-3678(2016)06-0071-06