預測微生物學在鮮切果蔬產品質量安全控制中的應用

馮 可，胡文忠，姜愛麗，徐永平，薩仁高娃

（1.大連理工大學生命科學與技術學院，遼寧大連116024；2.大連民族學院生命科學學院，遼寧大連116600）

鮮切果蔬（Fresh-cut fruits and vegetables）是以新鮮水果或者蔬菜為原料，經清洗、去皮、切割、修整、包裝等加工過程而制成的即食產品[1]。在美國、英國、法國等發達國家，鮮切果蔬產業已經得到了蓬勃發展。20世紀90年代，鮮切產品在農產品總銷售額的占有率為25.8%，在零售和食品服務業的銷售額已達到100多億美元。目前，鮮切產品的年產量和銷售額正在以每年10%的速度遞增。工業化生產的鮮切果蔬品種主要有生菜、蘋果、胡蘿卜等多種產品[2]。

在果蔬切割過程中會對果蔬組織結構造成損傷，破壞原有的自然保護系統，較大的切割表面和多汁液的特性為微生物生長和繁殖提供了的營養條件[3]。近年來，有關鮮切果蔬產品受到食源性致病菌侵染并引發食物中毒的事件時有報道[4]。如，2011年美國暴發由于食用受單增李斯特菌污染的甜瓜產品，而引起的食物中毒事件，該事件涉及并危害了美國的24個州，感染病例為109例，死亡21例，是10多年來美國最嚴重的食源性疾病暴發事件，該類疾病將嚴重危害人們的身體健康及生命安全[5]。因此，了解和控制鮮切果蔬中的微生物的生長情況是保障食品安全和提高品質的關鍵。傳統的微生物學檢測分析方法因其耗時長，工作量大等缺點無法對鮮切果蔬產品貯藏、配送、銷售等環節進行實時監控。而預測微生物學（Predictive M icrobiology）可在不對鮮切果蔬產品取樣檢測的前提下運用數學、統計學和應用計算機科學等知識對該產品流通過程中的主要致病菌或腐敗菌的延遲、生長、殘存和消亡情況做出快速評估并建立生長預測模型[6]。實現從原料、加工到產品的貯存、銷售整個體系的計算機智能化管理和監控，保證食品的安全。本文主要對預測微生物學在鮮切果蔬產品的貨架期，風險評估以及質量安全控制中的應用進行了闡述，為預測微生物學在鮮切果蔬產品中的應用提供了參考依據。

1 預測微生物學發展概況

數學模型很早就開始在微生物學中應用，預測微生物學的歷史最早可以追溯到20世紀20年代初，學者們觀察到孢子的熱滅活現象具有動力學趨勢，由此開發了微生物的熱致死模型，如，Arrhenius方程和Bigelow模型[7]。60年代，Olley等提出了一個通用腐敗模型，可描述多種受溫度影響的腐敗過程，這些都為預測微生物學的發展奠定了基礎。80年代初期，由食源性病原菌侵染食品引起的中毒事件不斷暴發，公眾要求能夠吃到安全、健康的食品，這引起了政府的廣泛關注。在Ross等[8]首次提出“微生物預測技術”之后，由30多名微生物學家組成的科研小組，用計算機預測了食品的貨架期、保質期，并對腐敗菌的生長建立了數據庫，從此正式開啟了預測微生物學的大門[9]。隨著計算機技術的不斷成熟，預測微生物學在食品領域的應用也得到了迅猛發展[10]。對食品貯藏過程中單增李斯特菌、沙門氏菌、大腸桿菌O157∶H7等食源性致病菌以及一些腐敗菌的研究也逐漸發展起來，并建立了這些細菌生長的數據庫。目前，每年在Food Microbiology、International Journal of Food M icrobiology、Journal of Food Protection等期刊均有大量預測微生物的相關論文發表。美國、英國、澳大利亞、丹麥等發達國家更是致力于微生物預測軟件的開發[11]。預測微生物學已成為食品微生物、食品安全等領域的研究熱點之一。

2 微生物預測模型分類

預測微生物學的核心目標是根據微生物生長情況建立完善的數學模型，通過分類方法可將所建立的數學模型分為動力學模型、概率模型、經驗模型、理論模型等[12]。目前，認可度較高的是Buchanan和Whiting[13]提出的初級、次級和三級模型。初級模型是描述微生物數量變化與時間的函數關系，可以得出起始菌數量、生長延遲期、比生長速率、最大菌數量等參數；次級模型是描述初級模型中的各參數與環境因子（如pH、溫度、氧氣濃度、二氧化碳濃度、水分活度、營養物質濃度和防腐劑濃度等）之間的函數關系；三級模型也稱為專家系統，是在初級模型和次級模型的基礎上，通過計算機編程制作的微生物預測軟件，它可以預測相同或不同環境條件下同一種微生物的生長或失活情況[14]。每一類級別的模型中都含有多種不同的數學模型，這些預測模型可以描述特定情況下微生物生長和失活情況，表1為主要模型種類的統計結果。

3 預測微生物學在鮮切果蔬中的應用

3.1 貨架期預測

微生物生長是導致鮮切果蔬產品腐敗變質，影響貨架期的主要因素。確定產品的貨架期是一個復雜的過程，需要全面了解貯藏環境變化對果蔬產品中微生物數量和生理生化指標的影響程度。微生物預測模型可以通過統計學原理結合計算機語言描述動態環境食品中致腐、致病微生物潛在的存活狀態，可作為一種有效的監控鮮切果蔬產品儲存的評價手段，能夠快速，準確的評估產品的貨架期。

運用微生物預測模型對鮮切果蔬產品貨架期進行評估需要考慮三個方面：a.了解微生物生長數量和繁殖情況；b.結合溫度、水分活度、pH、包裝中氣體成分等因素建立微生物生長的動態模型；c.再參考已經建立的數據庫和實驗數據開發方便快捷的貨架期預測軟件。

表1 預測模型的分類[15]Table1 Classification of predictivemodels

LU等[21]利用響應面模型分析方法描述了不同氯濃度、清洗時間和水三個因素對鮮切萵苣上需氧嗜常溫菌的影響，建立了該菌在不同條件下的生長模型，隨后利用改良的Gompertz模型描述了0、4、25℃條件下該菌的生長情況，通過模型曲線可以看出，經氯處理的鮮切萵苣貯藏于0℃條件下可有效延長產品的貨架期。樊振江等[22]利用Gompertz模型擬合了4、8、20℃貯藏條件下，鮮切蓮藕中細菌的生長趨勢，并結合感官分析評分得出，可在4℃下貯藏12d，8℃下貯藏8d，20℃下貯藏4d，感官分析評分均為5分。同樣，韓巍巍等[23]利用Gompertz模型描述了4、10、20℃環境下鮮切蘋果中細菌的生長情況，從而確定在細菌總數小于104cfu/m L時，20℃可貯存1d，10℃可貯藏3d，4℃可貯藏7d。Corbo等[24]利用修正的Gompertz模型擬合了鮮切刺梨在不同溫度下嗜冷菌和嗜常溫菌的生長情況，通過擬合曲線可以看出，當鮮切刺梨儲存于低溫環境時貨架期可以達到8d。綜上所述，鮮切果蔬產品的貨架期與貯藏溫度具有一定的相關性，并且選擇Gompertz模型及修正的Gompertz模型可以客觀的描述及確定果蔬產品的貨架期，這為模擬貨架期貯藏時微生物預測模型的選擇提供了參考。

3.2 風險評估

對鮮切果蔬產品安全的風險評估主要分為危害識別、危害描述、暴露評估和風險描述。其中，暴露評估需要考慮致病性微生物在樣品中出現的概率、污染程度，及在特定溫度和貯藏時間條件下病原菌的生長情況[25]。預測微生物學是暴露評估的常用工具，可以用計算機手段結合數學模型相關知識對以上情況進行有效的定量評估[26]，可在不進行檢驗的情況下，最大限度保證食品的安全和品質，也可為易感染人群提供風險預警。如Walter等[27]研究了不同溫度下，單增李斯特菌在即食椰汁中的生長情況，并利用Baranyi模型對該菌的生長動力學參數進行了評估。通過模型曲線可以看出，即便是在低溫（4℃）環境下，單增李斯特菌也會出現一定的增長趨勢。可見，市場上低溫貯存的即食椰汁也會給消費者帶來一定的安全危害。Danyluk等[28]利用Baranyi and Roberts模型擬合了鮮切哈密瓜、香瓜和西瓜中單增李斯特菌的生長情況，Ratkowsky模型描述了該菌隨溫度變化的線性關系。通過模型可以看出，在低溫環境下單增李斯特菌的生長速率高于沙門氏菌和大腸桿菌，在5℃時單增李斯特菌的生長量可在15d里增長104倍。在4℃時，生長量仍可提高10倍，可見，即使是低溫貯藏鮮切瓜類食品仍可給產品帶來一定的微生物侵染風險。

有研究表明，單一的微生物預測模型往往無法提供準確的風險評估結果，將多種預測模型相結合可更真實的模擬實際情況，有效并準確的評估鮮切果蔬產品的危害風險。如，Koseki等[29]利用Baranyi模型和Ratkowsky平方根模型描述了0～15℃條件下，鮮切卷心萵苣中單增李斯特菌的生長情況。通過該組合模型可對鮮切卷心萵苣產品受污染情況進行初步評估，從而為實際物流配送中的貯藏環境提供了一定的參考價值。同樣，Ting Fang等[30]利用3-參數logistic模型和三個次級模型（Ratkowsky模型、Cardinal模型、Arrhenius模型）準確描述了4～43℃動態溫度條件下，三種血清型（1/2a、1/2b和4b）的單增李斯特菌和致腐菌在鮮切哈密瓜上的生長情況。通過生長曲線可以看出，單增李斯特菌并沒有出現生長延遲期，而是直接進入了指數生長期，并且小于4℃的貯存條件，Arrhenius模型仍可準確擬合出致病和致腐菌的生長情況。可見，在選擇預測模型時不可局限于用單一模型擬合鮮切果蔬產品中微生物的生長曲線，應比較多種預測模型擬合的曲線后進行擇優選擇，以便提供更準確的風險評估預測結果。

3.3 質量安全管理

食源性致病菌能夠在胡蘿卜、西瓜、木瓜[31]、橘子片[32]、火龍果[33]等低酸性鮮切果蔬產品中生長，所以，在果蔬貯藏、流通等環節需要考慮并防控致病菌的污染，這對食品質量安全管理提出了新的挑戰[34]。在HACCP管理體系中，可利用微生物預測模型描述特定條件下鮮切果蔬產品中致病菌或腐敗菌的生長情況，從而確定貯藏、運輸、配送等環節中質量安全的關鍵控制點，這也為加工生產和零售行業提供了參考依據。如，Rodriguez等[35]研究了不同溫度（2、4、8、12、20℃），氣調（CO2、O2）濃度和pH條件下，單增李斯特菌在包裝的鮮切蘆筍中的生長情況，利用Baranyi模型、Arrhenius模型和Ratkowsky模型描述了該菌的生長曲線，結果發現4℃貯藏和運輸環境為該菌生長的臨界點，在低于4℃條件下LM的生長速率為負值。同樣，Anderson等[36]利用Baranyi模型與Square root模型描述了鮮切萵苣中沙門氏菌和單增李斯特菌的生長速率與滯后期之間的關系，從生長曲線上可以看出，貯藏溫度小于5℃時，兩種食源性致病菌均無生長和繁殖能力，所以，可將鮮切萵苣貯藏于5℃以下的環境中。Guiomar等[37]模擬了企業加工生產過程中，經氯水殺菌處理后鮮切萵苣中病原菌的生長情況，利用Baranyi模型擬合了殺菌后不同溫度（4、8、13、16℃）下大腸桿菌O157∶H 7的生長曲線，結果表明，高溫環境（13、16℃）下大腸桿菌O157∶H 7可在2d后呈指數增長；8℃時，會在15d后呈指數增長；而4℃時，菌落數會在15d內降低10倍。可見，鮮切果蔬產品即使經過殺菌處理后仍需要貯藏于4℃的低溫環境下，這樣才會為消費者的安全提供保障。此外，一些預測微生物學軟件仍可為鮮切果蔬產品的控制及管理提供參考依據。如，PMP、Combase等軟件，均可通過調節溫度、酸度、以及鹽濃度等相關數據定量分析不同環境對產品中微生物的生長和殘存的影響。

4 展望

預測微生物學是用計算機語言描述微生物行為的新興預測工具，可對鮮切果蔬產品物流，貯藏過程中的品質和安全做出合理的推測，為鮮切果蔬產品貨架期提供一定的判斷和預警信號，有利于質量控制和市場開拓，在鮮切果蔬產品質量安全方面也具有獨特優越性，可直觀的了解產品包裝中微生物消長的數量化信息，從而對其進行合理氣調，確定貯藏、物流配送過程中可能導致產品品質下降的控制點，為開展HACCP管理體系提供了重要手段，并可確定鮮切果蔬產品貯藏的臨界溫度。

目前，預測微生物學所研究的范圍主要是環境因素與微生物消長之間的關系，已開發的預測軟件數據庫中多數是實驗室培養基水平上建立起來的數據信息，與真實環境食品組織中的營養成分對微生物生長的影響有一定的差距，往往會高估產品中的微生物的生長速率。近幾年，有關鮮切果蔬中食源性致病菌以及腐敗菌的生長模型的建立已得到廣泛研究，但仍需建立完整的建模數據庫，加強并完善該類產品中微生物預測軟件的開發。預測是預測微生物學永恒的魅力，而預測準確度的提高取決于所建立的數學模型。鮮切果蔬產品的多汁成分能夠為微生物生長提供充足的營養條件，使得微生物在其生長情況呈現S形增長趨勢，經研究發現，在多種初級模型中，選擇Gompertz模型、Logistic模型和Baranyi模型來擬合鮮切果蔬產品中微生物生長曲線的情況較為常見。該類模型的主要特點是在曲線拐點之前的增長速度越來越快，在拐點之后的增長速度越來越慢，而且最終趨于一個有限值，總的曲線呈S形。因此，可合理并且準確的擬合鮮切果蔬產品中微生物的生長曲線。但是，考慮到多種環境因素（如pH、溫度、氧氣濃度、NaCl濃度等）對微生物生長的影響，還應在現有模型基礎上開發更多合適的預測模型以及具有自我思維判斷功能的模型，如Baranyi-Ratkowsky模型[38]、人工智能的綜合判斷的預警系統，建立這樣的模型可以更準確的預測微生物的實際生長情況，同時也為鮮切果蔬產品中的食源性疾病暴發提供了一定的預判性。

[1]Rico D，Mart A B，Barat JM，et al.Extending and measuring the quality of fresh-cut fruit and vegetables：a review[J].Trends in Food Science and Technology，2007，18（7）：373-386.

[2]韓俊華，李全宏，牛天貴，等.切割果蔬的微生物及其生物控制[J].食品科學，2005，26（10）：262-267.

[3]Ongeng D，Devlieghere F，Debevere J，et al.The efficacy of electrolysed oxidizing water for inactivating spoilage microorganism in process water and on minimally processed vegetables[J].International Journal of Food Microbiology，2006，109（3）：187-197.

[4]Abadias M，Usall J，Anguera M，et al.Microbiological quality of fresh minimally-processed fruit and vegetables，and sprouts from retail establishments[J].International Journal of Food Microbiology，2008，123（1-2）：121-129.

[5]Martin-Belloso O，Soliva-Fortuny R.Advances in fresh-cut fruit and vegetables processing[M].Printed in the United States of America：CRC press，2011：63.

[6]Yu C，Davidson V J，Yang SX.A neural network approach to predict survival/death and growth/no-growth interfaces for Escherichia coli O157∶H7[J].Food Microbiology，2006，23（6）：552-560.

[7]李文茹，謝小保，施慶珊，等.預測微生物學及其在食品科學中的應用[J].食品與發酵工業，2009，35（4）：136-140.

[8]ROSS T，MCMEEKIN T A.Predictive microbiology[J].International Journal of Food Microbiology，1994，23（3-4）：241-264.

[9]張秋勤，徐幸蓮.預測微生物學在禽肉質量安全控制中的應用[J].食品科學，2010，31（13）：292-296.

[10]Mafart P.Food engineering and predictive microbiology：on the necessity to combine biological and physical kinetics[J].International Journal of Food Microbiology，2005，100（1-3）：239-251.

[11]MembréJM，Lambert R JW.Application of predictive modeling techniques in industry：From food design up to risk assessment[J].International Journal of Food Microbiology，2008，128（1）：10-15.

[12]唐佳妮，張愛萍，劉東紅.預測微生物學的研究進展及其在食品中的應用[J].中國食品學報，2012，10（6）：162-166.

[13]Buchanan R L，Whiting R C.A classification ofmodels for predictive microbiology[J].Food Microbiology，1993，10：175-177.

[14]李苗云，朱應舉，趙改名.微生物預測模型研究及其在肉品工業中的應用[J].食品科技，2008（2）：57-60.

[15]Ding T，Shim Y H，Choi N J，et al.Mathematicalmodeling on the growth of Staphylococcus aureus in sandwich[J].Food Science Biotechnology，2010，19（3）：763-768.

[16]Buchanan R L.Predictive foodmicrobiology[J].Trends Food Science Technology，1993，4（1）：6-11.

[17]Nyati H.Survival characteristics and the applicability of predictive mathematical modeling to Listeria monocytogenes growth in sous vide products[J].International Journal of Food Microbiology，2000，56（2-3）：123-132.

[18]Ferrer J，Prats C，Lopez D，et al.Mathematicalmodeling methodologies in predictive food microbiology：a SWOT analysis [J].International Journal of Food Microbiology，2009，134（1/2）：2-8.

[19]楊憲時，鐘許，郭全友.養殖魚類貨架期預測系統的設計與評估[J].農業工程學報，2006，22（8）：129-134.

[20]Leporq B，Membr JM，Dervin C，et al.The“SymPrevius”software，a tool to support decisions to the foodstuff safety[J].International Journal of Food Microbiology，2005，100（1-3）：231-237.

[21]Lu Z X，Lu F X，Zhang K L，et al.Predictivemodeling and growth models of aerobic mesophilic bacteria on fresh-cut lettuce by hypochlorite-washing[J].Journal of Food Safety，2007，27（2）：157-168.

[22]樊振江，郝亞勤，張素君，等.鮮切蓮藕微生物模型的建立及貨架壽命預測[J].中國農學通報，2007，23（1）：326-329.

[23]韓巍巍，劉程惠，胡文忠，等.鮮切蘋果微生物生長模型研究及貨架期預測[J].食品工業科技，2010，31（12）：104-108.

[24]Corbo M R，AltieriC，D’Amato D，etal.Effectof temperature on shelf life and microbial population of lightly processed cactus pear fruit[J].Postharvest Biology and Technology，2004（31）：93-104.

[25]胡潔云，歐杰，李柏林.預報微生物學在食品安全風險評估中的作用[J].微生物學通報，2009，36（9）：1397-1403.

[26]Vose D J.The application of quantitative risk assessment to microbial food safety[J].J Food Protection，1998，61（5）：640-648.

[27]Walter E H，Kabuki D Y，Esper LM，et al.Modelling the growth of Listeria monocytogenes in fresh green coconut（Cocos nucifera L.）water[J].Food Microbiology，2009（26）：653-657.

[28]Danyluk M D，Friedrich L M，Schaffner D W.Modeling the growth of Listeria monocytogenes on cut cantaloupe，honeydew and watermelon[J].Food Microbiology，2014（38）：52-55.

[29]Shigenobu K，Seiichiro I.Growth of Listeria monocytogenes on iceberg lettuce and solid media[J].International Journal of Food Microbiology，2005，101（2）：217-225.

[30]Fang T，Liu Y H，Huang L H，Growth kinetics of Listeria monocytogenes and spoilage microorganisms in fresh-cut cantaloupe[J].Food Microbiology，2013（34）：174-181.

[31]Penteado AL，Mauro MF.Growth of Listeriamonocytogenesin melon，watermelon and papaya pulps[J].International Journal of Food Microbiology，2004，92（1）：89-94.

[32]Caggia C，Scifo G O，Restuccia C，et al.Growth of acidadapted Listeriamonocytogenes in orange juice and inminimally processed orange slices[J].Food Control，2009，20（1）：59-66.

[33]Sim H L，Hong Y K，Yoon W B，et al.Behavior of Salmonella spp.and natural microbiota on fresh-cut dragon fruits at different storage temperatures[J].International Journal of Food Microbiology，2013，160（3）：239-244.

[34]Abadias M，Alegre I，Oliveira M，et al.Growth potential of Escherichia coli O157∶H7 on fresh-cut fruits（melon and pineapple）and vegetables（carrot and escarole）stored under different conditions[J].Food Control，2012，27（1）：37-44.

[35]Rodriguez A M，Alcala E B，Garcia Gimeno R.M，et al.Growth modeling of Listeria monocytogenes in packaged fresh green asparagus[J].Food Microbiology，2000，17（4）：421-427.

[36]Sant’Ana A S，Franco B D，Schaffner D W.Modeling the growth rate and lag time of different strains of Salmonella enteric and Listeria monocytogenes in ready-to-eat lettuce[J].Food Microbiology，2012，30（1）：267-273.

[37]Guiomar D，Fernando P，Francisco L，etal.Modelling growth of Escherichia coli O157∶H7 in fresh-cut lettuce submitted to commercial process conditions：Chlorine washing and modified atmosphere packaging[J].Food Microbiology，2013，33：131-138.

[38]Shorten PR，Membre JM，Pleasants A B，et al.Partitioning of the variance in the growth parameters of Erwinia carotovora on vegetable products[J].International Journalof Food Microbiology，2004，93（2）：195-208.