水產品微生物預測與智能化評價研究進展

郭全友，朱彥祺,2

(1.中國水產科學研究院東海水產研究所，上海 200090；2.上海理工大學醫療與食品學院，上海 200093)

?

水產品微生物預測與智能化評價研究進展

郭全友1，朱彥祺1,2

(1.中國水產科學研究院東海水產研究所，上海 200090；2.上海理工大學醫療與食品學院，上海 200093)

定量綜述水產品的安全性、保藏性和貨架期，微生物安全預測及智能化評價技術應運而生。其中預測微生物學使用數學建模的方式來描述目標微生物在多個因子影響下的生長、殘存和失活等活動規律。本文綜述了預測微生物學及智能化評價的發展概況、研究方法、應用領域、存在問題及發展趨勢。主要包括目標微生物的基本特征庫、數學模型庫、專家系統、水產品智能化評價的原理、類型、應用及發展前景，以期為數字化描述水產品目標微生物活動規律，智能化評估水產品的品質和安全風險等提供支持。

預測微生物學；智能化評價；目標微生物；質量安全預測

食品質量和安全與人們的生活息息相關，隨著消費者對食品的安全性、保藏性和貨架期等要求的不斷提高，食品的生產、批發、貯藏和零售方式發生著變化，而為了滿足人們對食品質量和安全性的要求，有效保證食品的品質、安全和新鮮度的智能化評價系統應運而生。該評價體系通過監測包裝食品的環境條件，提供在運輸和貯藏期間的食品品質和安全信息，以保證食品品質，減少損失和消費者的投訴[1]。

食品安全智能化評價系統開發的理論基礎是預測微生物學，即以食品中微生物作為研究對象，綜合數學、統計學和計算機等交叉學科，通過數學模型反映微生物在內外因子作用下的活動規律，是食品處理過程保證質量安全設立的研究領域之一。預測微生物學通過數學模型，定量預測食品中有害微生物在特定條件下的動態變化，因而是一種預防食源性病原菌對食品的食用安全性造成損害的有效預警工具，也是防止腐敗菌造成食品品質下降的有效手段[2]。相較于耗時、繁瑣的傳統微生物計數評價方式，智能化評價方式有快速、準確的優勢，能夠更好地優化水產品的保鮮方法。本文對水產品質量安全微生物預測與智能化評價的發展概況、研究方法、應用領域、存在問題及發展趨勢等進行概述，以期為數字化描述水產品有害微生物活動規律、智能化評估產品質量和風險概率等提供支持。

1 預測微生物學和智能化評價概況及其在水產品的應用

20世紀80年代，美國、澳大利亞和歐盟各國開始對食品預測微生物學進行研究[3]，主要集中在致病菌模型的開發，得到各國政府的資助。隨著分子技術、信息技術、分析技術等學科的快速發展，世界各國投入大量人力和財力對致病菌進行，例如20世紀90年代英國投資900萬英鎊，花費了6年時間建立了蠟樣芽孢桿菌、單核增生李斯特菌等細菌的生長、殘存和失活模型[4]。2007年英國MAFF和美國農業部東部研究中心聯合構建了Comebase數據庫，利用食源性病原菌在NaCl、pH、亞硝酸鹽濃度等條件下的生長/殘存/失活模型，預測一定生態學條件下微生物的動態變化，為快速評估產品的安全性提供了一種新方法。然而，該研究成果是基于液態微生物培養基，設定生態學因子下的微生物行為進行外推實驗數據基礎上獲得的，由于沒有考慮食品組織的不同和微生物之間的相互作用，往往產生較高誤差。目前在食品數據庫中這樣的研究數據的系統記錄是必需的，允許用戶快速找到所需的信息(例如，根據食品的產品或生產條件和分布進行檢索)。用戶將有能力比較不同的食物或不同條件下食品的制造和分銷情況,有研究者開發LabBase微生物數據庫，通過創新的應用軟件支持，應用于科學研究和工業生產[5-6]。近年來，有學者開始對水產品中微生物的模型進行研究，Mejlholm 等構建了單核增生李斯特菌等有害微生物生長/非生長模型，用于預測冷熏魚等有害微生物的生長、殘存和失活狀況，對潛在危害做出有效預測和評估，評估水產品食用安全性和貨架期[7-8]。

水產品腐敗主要由于細菌快速增殖會產生胺、硫化物、醛、酮、酯和有機酸等代謝物，使產品感官不能令人接受[9]。水產品會受到多種微生物污染，但只有部分適合生存的細菌得以快速地增殖。參與腐敗過程并產生異臭味產物的微生物稱為特定腐敗菌(specific spoilage organism，SSO)，特定腐敗菌在水產品貯藏中比其他微生物生長快活性強[10-11]。上世紀90年代中期Dalgaard等提出特定腐敗菌概念，推動了魚類保鮮研究的進程。水產食品中病原菌引起的食物中毒事件明顯增多，導致了公眾對整個食品供應安全性的重視，引發了美國、英國、澳大利亞、丹麥等國對食品中SSO和特定潛在病原菌(Specific Potential Pathogen, SPP)研究熱潮，并已滲透到包括水產食品的所有食品加工領域。目前魚類的保鮮成為水產保鮮領域關注的熱點，水產食品中微生物種類和數量受捕獲、加工、流通等環節影響。Gram等學者對冷藏魚類的腐敗菌生長進行研究，通過構建品質預測模型對魚類貨架期進行預測；Huss等對冰鮮及冷熏魚不同貯藏條件的鮮度及菌群變化進行研究，得出不同產品在不同貯藏條件下特定腐敗菌的生長情況亦存有較大差異[12-13]。丹麥漁業技術研究所開發的海產食品腐敗與安全預報軟件(Seafood Spoilage & Safety Predictor, SSSP)，對冷、溫水域海水魚鮮度和貨架期進行預測和評價[14]。

從水產食品中分離確定導致其腐敗和可能引發食源性疾病的微生物，需要從感官、理化和微生物學進行研究。首先，要檢測原料、加工、貯藏等過程中感官、微生物學以及化學的變化，包括確定同腐敗和引發疾病相聯系的給定水平。其次，要分離并鑒定出細菌。最后，評估它們在相應生態學環境下生長、殘存和失活情況[15-16]。水產品微生物預測模型的應用，由于受微生物檢測的滯后性影響，造成在實際應用中無法快速預測的問題。因此，鑒別并定量分析對于水產品腐敗影響最大的揮發性和非揮發性代謝產物，構建其與質量安全相關數學模型，開發新鮮度和病原菌指標等智能化評價系統，可解決上述問題。例如氧化和非氧化的生物腐敗而形成的惡臭成分，如魚肉中蛋白質降解所產生的惡臭胺類含有大量的堿性組分、由脂質或無氧糖酵解產生的乙醛和酮類，這些氣味的出現可能是產品中的化學物質和微生物超過最大限度的信號，據此可評價產品的鮮度。在美國、日本和澳大利亞智能化安全評價技術已應用于延長食品貨架期、控制食品質量與安全中，提供供應鏈各階段的食品品質安全，引導產品的流向，減少產品損耗，為消費者提供實時的產品特性、質量和食用信息。

2 預測微生物學研究內容和方法

2.1 水產品微生物數據庫的構建

數據包括不同類型的目標微生物(腐敗菌和致病菌)、好/厭氧性、有無芽孢、能源利用、生理學范圍(如pH、溫度和Aw的生長/非生長界限和最適值)等組成。先要確定水產品中目標微生物，主要包括SSO(如腐敗希瓦氏菌、產氣腸桿菌、乳酸菌等)和致病菌(感染型和毒素型)等，例如沙門氏菌、腸炎桿菌和副溶血性弧菌等。其次，要確定水產品所處的環境，包括確定食品安全的各方面，如生理作用、化學作用、物理作用、微生物活動等，通過改變環境條件，可以防止食品品質降低，提高安全性，進而研究目標微生物與其環境因子進行的相關性，如在不同pH、溫度、Aw和時間等因子調控下的生長、失活和殘存狀況。

2.2 水產品微生物動力學模型的類型

20世紀早期，人們用動力學模型描述食品熱加工過程中食源性致病菌的失活情況，隨著計算機技術的迅猛發展，衍生出了預測微生物學，即通過數學模型來描述和預測設定環境(包括可變條件)下生物增殖和衰減狀況[17]。食品微生物預測模型包括“動力學模型”和“概率模型”，分為基礎模型、二級模型和三級模型[18-19]。基礎模型能量化微生物生長量(或等同物)隨時間變化，即微生物的響應。而表示微生物的響應參數分為直接響應和間接響應兩種，直接響應表示為每毫升菌落形成單位數、毒素的產生或底物濃度以及代謝產物；間接參數包括吸光率、電阻抗等。模型類別有經驗模型(如Logistic、Gompertz模型)和機理模型(如Baranyi 模型)，前者是簡單的飽和增長模型，呈現S形特征，后者是基于生化反應速率的差分方程[20-21]。二級模型用來描述溫度、pH、Aw等調控因素變化時的反應，包括Belehardek模型、Arrhenius模型、響應面模型和主參數模型等。三級模型是在結合前兩種模型的基礎上，開發出的計算機專家系統，使非專業的人士也可以獲取預測微生物學的相關指導信息。目前有UGPM(統一生長預測模型)軟件應用Baranyi和羅伯茨(1994)基本模型，耦合二級溫度模型，模擬一個特定的食物或食物分類存儲在一個給定的環境中的微生物生長情況[22]。

2.3 水產品微生物預測專家系統構建

近年來，美國、英國和丹麥等國陸續開發出了三級模型，如PMP(Pathogen Modeling Program)、FM(Food Micromodel)、SSSP(Seafood Spoilage &Safety Predictor)、ComBase等專家系統。例如，2003年，英美將PMP、FM和Growth Predictor整合為ComBase系統[23]，目前包括約40 489個微生物生長和存活信息，是世界上最大的預測微生物學信息數據庫，提供了Growth Predictor (version 1.0)免費軟件系統，可對常見食源性病原菌在不同條件下生長情況進行預測。目前，我國開發的水產品預測微生物學專家系統仍然較少，2013年中國水產科學研究院東海水產研究所開發了“海水魚類腐敗與鮮度預測專家系統”和“淡水魚類腐敗與鮮度預測專家系統”，能對大黃魚、大菱鲆、羅非魚和鯉魚鮮品在恒溫和變溫條件下剩余貨架期進行預測，但針對加工水產品的品質和安全預測的專家系統仍未見報道，目前已有相關的方法來評價軟件的適用性[24]。

2.4 智能化評價系統

2.4.1 時間溫度指示器(TTI)

時間溫度指示器是一種簡單便宜的智能化評價系統，易于測量時間與溫度相關的變化，這種變化能夠反映出產品的全部或部分溫度歷史。時間溫度指示器檢測的可以是機械、化學、電化學、酶學或微生物學方面的變化[25]，通常以機械變形或顏色變化的形式表現出可目測性。該變化速度與溫度有關，且隨溫度的升高而增大。目前TTI分為三種，即臨界溫度指示器(CTI)、臨界溫度-時間指示器(CTTI)和時間溫度積分指示器(TTI)。

TTI的共性特點為能夠呈現出連續的變化，其變化速率隨溫度升高而增高，而當溫度降低時不會逆轉。時間溫度指示器可以模擬食品腐敗程度和剩余貨架期，具有可靠性高、重復性好等優點，當處于同一溫度條件時能夠顯示出一致的反應，同時價格低，能夠以簡潔清晰的形式向經銷商、監察員或顧客傳遞所攜帶的信息。目前已有一些關于溫度轉化標簽的研究，可以通過標簽指示的轉變提示產品的鮮度[26-27]。

TTI主要應用于流通過程中貨架期的監控，隨著檢測和控制流通的要求提高，TTI與食品貨架期定量預測模型的協同發展，將會促進智能化貨架期監控系統等冷鏈優化工具的成功運用。水產品質量動力學模型和預測微生物學領域的研究進展表明，TTI的理念將會為更多的食品品質保證發揮作用，國內外已經開發了針對肉制品和水產品的品質動力學模型，并加以應用[28]。有研究者通過對即食食品中的單增生李斯特菌的案例研究證明其可以提高食品的安全性[29]。我們發現，微生物的TTI可以將生產菌生長的最大消耗時間告知消費者，當超過此限制則可以立即調整保藏措施。同時針對產品單元可使用用戶友好軟件構建起專家系統，以此來預測加工參數和產品設計對食品品質的影響。根據加工工藝和原料參數，該系統可提供產品最初的質量分布數據。這些數據正是貨架期判斷系統對于冷鏈控制點進行計算所需要的，據此實現基于TTI的產品品質管理。

2.4.2 新鮮度指示器

研發新鮮度指示器，首先要了解用于指示品質的代謝產物，指示新鮮度的代謝化合物和潛在目標分子的化合物，主要有如下類型：葡萄糖、有機酸、乙醇、揮發性含氮化合物、生物胺、二氧化碳、ATP降解產物和含硫化合物等。新鮮度指示器多數是基于腐敗過程中的微生物代謝產物引起指示標簽變色的原理。包括pH值變化敏感型指示卡、對揮發性含氮化學物敏感的指示器、硫化氫敏感型指示器、對各種微生物代謝產物敏感的指示器等。

2.4.3 病原菌指示器

除了標識食品腐敗的指示器外，還有一些檢測食品中SPP的體系。由Toxin Alert TM公司生產的Toxin Guard體系是一種用于合成聚乙烯包裝材料的成分，可通過固定的抗體來檢測病原菌，例如沙門氏菌、彎曲桿菌、大腸桿菌和李斯特菌等。檢測物(毒素、微生物)與特定標記的抗體結合，然后再與印制為特定形狀的捕獲體結合[30]。此外，基于免疫反應的食品警戒體系(Food Sentinel System, FSS)用于檢測特定的微生物，如沙門氏菌、李斯特菌和大腸桿菌等，反應發生在條形碼內，當遇到特定微生物時，條形碼就變得模糊不清。

2.4.4 其他腐敗檢測法

未來的智能化檢測如生物傳感器和電子鼻，有可能發展成為微型化概念的新技術。生物傳感器是一種分析裝置，包括：生物部分，用于特定分析，抗體、細胞都可作為生物傳感器的生物部分；物理部分，用于將生物信號轉化為物理信號。信號可以用多種方法檢測，例如測量電流、電位或熱量的方法。目前已經開發出了一些測定生物胺的酶類生物傳感器。電子鼻是一系列傳感器(如金屬氧化物和多聚物)構成的分析工具，這些傳感器以它們的電子特性的改變對揮發性化合物做出反應，所有傳感器的變化組合即形成了樣品的酶解圖譜。電子鼻不能分離或區分單獨的化合物，但是，根據揮發性化合物的酶解圖譜和由參考方法獲得的結果(如感官評價或微生物分析)，可以將樣品劃分為可接受和不可接受。根據現有的傳感器響應與品質之間相關性數據，對于系統作適當的調整后，就可以對未知品質的樣品進行分析。

3 結 語

目前水產品的預測微生物學及其智能化評價主要可用于生產、加工、運輸的過程中，相較于傳統的保鮮評價技術，智能化評價更加方便、快捷、準確，可以優化生產保鮮的過程，提升產品的品質；智能化評價系統可監測食品質量，跟蹤食品供應鏈中的關鍵點。目前商業化的智能化監控系統主要通過檢測時間-溫度變化和檢測某種化學成分(泄露指示卡和新鮮度指示卡)可目測信息，來對水產品的新鮮度進行判斷。由于消費者傾向于選用最少加工和天然保藏的食品，建立直觀、便捷的水產品質量安全智能化評價系統可以提供高效的技術支撐，為水產品的新鮮度和安全性提供保障，為消費者提供更多的產品信息；隨著全球化導致食品供應鏈的延伸，滿足人們對安全可追溯性的更高要求；同時加強并統一機構對食品供應鏈中的制造商和零售商的監控能力。

未來發展要求智能化評價系統使用方便、成本低、適于包裝作業，不影響裝卸。食品供應鏈的管理極有可能采用無線信息系統傳遞各個階段的食品品質和履歷，減少產品損耗，為消費者提供實時的產品特性、質量和適用信息。未來智能化系統可能會包含有產品特性的豐富信息，能夠提供產品來源和成分方面的信息，如包含產品的營養信息和可能的過敏原等，而且還可能包括包裝材料可能造成的環境問題等。

[1] GARCIA M R, VILAS C, HERRERA J R,etal. Quality and shelf-life prediction for retail fresh hake (Merlucciusmerluccius)[J]. International Journal of Food Microbiology, 2015, 208: 65-74.

[2] DABADE D S, DEN BESTEN H M W, AZOKPOTA P ,etal. Spoilage evaluation, shelf-life prediction, and potential spoilage organisms of tropical brackish water shrimp (Penaeusnotialis) at different storage temperatures [J]. Food Microbiology, 2015, 48: 8-16.

[3] 郭全友, 王錫昌, 姜朝軍, 等. 養殖尼羅羅非魚鮮度特征及動力學模型構建[J]. 食品科學,2013(4):245-249.

[4] MIIA L, MARI N. Thermal inactivation of non-proteolyticClostridiumbotulinumtype E spores in model fish media and vacuum packaged hot smoked fish products[J]. Applied and Environment Microbiology, 2003, 69(7): 4029-4036.

[5] PSOMAS A N, NYCHAS G J, HAROUTOUNIAN S A,etal. LabBase: Development and validation of an innovative food microbial growth responses database [J]. Computers and Electronics in Agriculture, 2012, 85: 99-108.

[6] 應華永, 林雪峰, 徐瑞龍, 等.微生物數據庫標準化在細菌耐藥監測網中的應用 [J].中華臨床感染病雜志, 2013, 6(1): 49-51.

[7] MEJLHOLM O, DALGAARD P. Modeling and predicting the growth boundary ofListeriamonocytogenesin lightly preserved seafood [J]. Journal of Food Protection, 2007, 70(1): 70-84.

[8] MEJLHOLM O, BOKN?S N, DALGAARD P. Development and validation of a stochastic model for potential growth ofListeriamonocytogenesin naturally contaminated lightly preserved seafood [J]. Food Microbiology, 2015, 45: 276-289.

[9] HOZBOR M C, SAIZ A I, YEANNES M I,etal. Microbiological changes and its correlation with quality indices during aerobic iced storage of sea salmon (Pseudopercissemifasciata) [J]. Food Science and Technology, 2006, 39: 99-104.

[10] DALGAARD P, BUCH P, SIBERG S. Seafood spoilage predictor: development and distribution of a product specific application software[J]. International Journal of Food Microbiology, 2002, 73:343-349.

[11] MAN C M D, JONES A A. Shelf life Evaluation of Foods[M]. Gaithersburg Maryland USA: Aspen Publishers Inc, 2000, 110-139.

[12] DALGAARD P. Qualitative and quantitative characterization of spoilage bacteria from packed fish[J].Food Microbiology, 1995, 26: 319-333.

[13] 楊憲時, 許鐘, 肖琳琳. 水產食品特定腐敗菌與貨架期的預測和延長[J].水產學報, 2004, 28(1): 106-111.

[14] DALGAARD P. Seafood spoilage and safety predictor (SSSP) ver. 2.0 [EB/OL].(2015-09-20). http://www.dfu.min.dk/micro/sssp, 2005, 3.

[15] WANG S D, LIU X H, YANG M. Review of time tem-perature indicators as quality monitors in food packaging [J]. Packaging Technology and Science, 2015, 28(10): 839-867.

[16] ROSALBA L, MILENA S, FAUSTO G,etal. Growth/no growth interfaces ofBacilluscereus,StaphylococcusaureusandSalmonellaenteritidisin model system based on water activity, pH, temperature and ethanol concentration [J].Food Microbiology, 2001, 18: 659-668.

[17] POWELL S M, RATKOWSKY D A, TAMPLIN M L, Predictive model for the growth of spoilage bacteria on modified atmosphere packaged Atlantic salmon produced in Australia[J]. Food Microbiology, 2015, 47: 111-115.

[18] KRISHNAN K, RADHA B S, BABU P,etal. Evaluation and predictive modeling the effects of spice extracts on raw chicken meat stored at different temperatures [J]. Journal of Food Engineering, 2015, 166: 29-37.

[19] ROBIN C M, LU X W. Modeling microbial responses in food [M].CRC press, 2004.

[20] WHITING R C, BAGI L K. Modeling the lag phase of listeria monocytogenes [J]. International Journal of Food Microbiology ,2002,73(2): 291-295.

[21] BUCHANAN R L, WHITING R C, DAMERT W C. When is simple good enough: a comparison of the Gompertz, Baranyi, and three-phase linear models for bacterial growth curves [J].Food Microbiology, 1997,14: 313-326.

[22] KOSEKI S. ComBase: The International database for predic-tive microbiology [J]. Journal of the Food Hygienic Society of Japan, 2006, 47(4): J247-J250.

[23] KOSEKI S. Microbial Responses Viewer (MRV): A new ComBase-derived database of microbial responses to food environments [J]. International Journal of Food Microbiology, 2009, 134(2): 75-82.

[24] CIASCHINI V, CANAPARO M. RONCHIERI E. Evaluating predictive models of software quality [M]. 20th International Conference on Computing in High Energy and Nuclear Physics (Chep2013), 2013.

[25] WU D, WANG Y J. CHEN J C. Preliminary study on time-temperature indicator (TTI) system based on urease [J].Food Control, 2013, 34(1): 230-234.

[26] GIANNOGLOU M, TOULI A, PLATAKOU E. Predictive modeling and selection of TTI smart labels for monitoring the quality and shelf-life of frozen seafood [J], Innovative Food Science & Emerging Technologies, 2014, 26: 294-301.

[27] ZABALA S, CASTAN J, MARTINEZ C. Development of a time-temperature indicator (TTI) label by rotary printing technologies [J], Food Control, 2015, 50:57-64.

[28] 郭全友, 許鐘, 楊憲時. 冷藏養殖大黃魚品質變化特征和貨架期預測研究[J].食品科學, 2006, 27(4): 237-240.

[29] KOUTSOUMANIS K P, GOUGOULI M. Use of Time Tem-perature Integrators in food safety management [J], Trends in food science and technology, 2015, 43(2): 236-244.

[30] BODENHAMER W T. Method and apparatus for selective biological material detection[P].US patent, 2000. 6051388.

Intelligent evaluation and safety prediction of microbiology of fishery products

GUO Quan-you1，ZHU Yan-qi1,2

(1.EastChinaSeaFisheriesResearchInstitute,Shanghai200090,China; 2.SchoolofMedicalInstrumentandFoodEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China)

In order to quantatively describe the safety, preservation and shelf life of fishery products, the safety prediction and intelligent evaluation were developed. Among the system, predictive microbiology is described by mathematical models，showing the changes of growth, survival and inactivity of targeted microorganism under multifactor conditions. This article summarized the history, research methods, application field, existing problems and development trends in the safety prediction and intelligent evaluation of fishery products，mainly including: basic characteristics, mathematical models and expert systems, the principle, type, application and development prospect of intelligent evaluation system were also summarized. So that it can provide the supports for digitally descripting activity rules of targeted microorganism and intelligently evaluating the quality and safety risk of fishery products.

predictive microbiology; intelligent evaluation; targeted microorganisms；quality and safety prediction

2095-3666(2016)01-0032-06

10.13233/j.cnki.fishis.2016.01.006

2015-09-22

2015-01-05

國家自然科學基金(31371867)；中央級公益性科研院所基本科研業務費專項資金(2011M04，2014G02)

郭全友(1974-)，男，副研究員，博士，研究方向：水產品加工與安全保障。E-mail: dhsguoqy@163.com

S 983

A