Microbiologia Predittiva: Principigenerali e casi pratici

Anna Roccato

Jeanne Marie Membrè (INRA, Nantes, France)

An Vermeulen (University of Ghent, Faculty of Bioscience Engineering – Department of Food Safety and Food Quality)

INDICE

La microbiologia predittiva (definizione ed origini) Sviluppo di un modello Tipi di modelliApplicazioni Software Esempi di impiego di alcuni software

Microbiologia predittiva: Impiego di equazioni matematiche per descrivere ilcomportamento dei microrganismi

Growth

Inactivation

Survival

Spore germination

Toxin production

• La crescita, sopravvivenza ed inattivazione dei microrganismi neglialimenti sono risposte riproducibili

• Un numero limitato di parametri ambientali degli alimenti determinala risposta cinetica dei microrganismi

- Temperatura- aw/water phase salt- pH- food preservatives (acidi organici, nitrite, ….)

• Un modello matematico che descriva in maniera quantitativa l’effettocombinato dei parametri ambientali può essere usato per predire lacrescita, sopravvivenza o inattivazione di un microrganismo e quindicontribuire a fornire informazioni sulla sicurezza del prodotto stesso edella sua shelf-life.

Microbiologia predittiva: premesse

• The log-linear microbial death kinetics by Bigelow et al.(1920), Bigelow (1921) and Esty and Meyer (1922): the firstexample of a predictive model to find widespread applicationin the food industry (thermal death of Clostridium botulinumtype A in canned foods).

• In 80s, broth-based PM, often considered as too conservative to be valuable tools inindustry.

• From 90s up to now, PM has established itself has a scientific discipline. Industrialapplications have built on this scientific “maturation”

La microbiologia predittiva: storia

Sviluppo del modello

Model validation

Planning

Data collection Model identification and parameter estimation (μ, λ, ecc..)

PRIMARY MODELµmax

l

Constant environmental conditions

Modelli primari

PRIMARY MODELµmax,1

l1MULTIPLE

Different environmental conditions

SECONDARY MODEL

µmax

l

as a function of environmental conditions

Modelli secondari

µmax,2

l2

Modelli terziari

PRIMARY MODEL SECONDARY MODEL

µmax

l

as a function of environmental conditions

Input: environmental factorse.g. aw, T

TERTIARY MODEL: softwarepackages

Modelli cinetici

Descrivono l’evoluzione microbica (crescita, inattivazione,sopravvivenza) in funzione del tempo

Tipi di modelli

Log

CFU

/ml

time

µmax

GROWTH

Es: predice quanto velocementeL. monocytogenes crescerà durantela shelf-life

(dipendendo da fattori intrinseci edestrinseci)

Modelli Growth/no growth (probabilistici)

Descrivono la probabilità che uno specifico fenomeno (produzione ditossine, crescita, ...) avvenga in funzione delle condizioni ambientali

Distingue tra capacità di crescere eincapacità di crescere

Tipi di modelli

• Valutare la sicurezza e stabilità di nuove ricette/prodotti

• Cambiamenti del processo di produzione o formulazione di un prodotto

• Ridurre i costi dei challenge test

• Determinare il periodo di shelf life

• Supporto all’HACCP (identificazione dei pericoli ed identificazione di CCP)

• Per avere una risposta rapida in assenza di dati (Ch. Test), PM forniscel’ordine di grandezza

• In caso di incidenti (no time/rush)

• Prima di iniziare un Ch. Test (Data gap analysis/ hazard screening)

Applicazioni – FBO

Predictivemodelling

Applicazioni – Autorità Pubbliche

Esposizione ad un pericolo in un approccio QRA• Crescita: numero di log in X giorni? • Quantificare l’effetto di fattori quali temperatura, pH,….• Verificare l’inattivazione o l’inibizione

• Interazione tra organismi

• Effetti positivi dei microrganismi – production of ‘good’ metabolites

• Deterioramento e rischio di deterioramento (Spoilage)

• In ambienti molto specifici (biofilm)

• Con una forte specificità per l’alimento

• Ampia variabilità tra i ceppi naturali

• Con molti fattori extra es: grassi, atmosfera, nisina, ecc

• MP basata su modelli empirici (modelli meccanicistici e dinamiche intracellulari)

Applicazioni – Sviluppi attuali e Prospettive future

Freeware packages

• ComBase

• Food Spoilage and Safety Predictor (FSSP)

• PMP (USDA)

• Etc...

Commercially available

• Sym’previus

• Dairy products safety predictor

• Etc....

Software disponibili

COMBASE www.combase.cc

• L. monocytogenes• L. Monocytogenes con CO2

• L. monocytogenes con nitriti

• L. monocytogenes con lattato

• L. monocytogenes con acetato

• Advantages• Freeware

• Possibility to use T-profile

• Based on extensive database

Disadvantages• Not product specific• Original data can not be

retrieved

COMBASE Growth predictor

• Effect of CO2 in MAP

• Input:• Inoculation level 1 CFU/g (0 log CFU/g)• T: 7°C• pH: 6.2• aw : 0.99• CO2: 0, 20, 40 and 60%• Storage time: 240 h (10 days)

0%

20%

40%

60%

COMBASE Growth predictor

• Effect of T-profile

• Input:• Inoculation level 1 CFU/g (0 log

CFU/g)

• T-profile• 100 h @ 4°C (e.g. retail)

• 2 h @ 22°C (e.g. transport to consumer)

• 138 h @ 7°C (e.g. refrigerator at consumer)

• pH: 6.2

• aw : 0.99

• CO2: 0%

COMBASE Growth predictor

Significant growthdue to T-shift

Batch pH aw

1 5.30 0.958

2 5,35 0,967

3 5,06 0,967

4 5,13 0,968

COMBASE Growth predictor

Formaggio a latte caprino

crudo. Presenza di L.

monocytogenes in 25 g ma <

10 cfu/g.

Formaggio conservato a 7°C

per 28 giorni (672 ore).

Durability test (MPN –L. monocytogenes)

MPN (intervallo di confidenza al 95%)

MPN (ufc/25g) Min Max

2,3 <1 8,751,85 <1 5< 1 <1 < 2,50,9 <1 4,250,9 <1 4,252,3 <1 8,750,9 <1 4,25

3,75 1 9,5<1 <1 < 2,52,3 <1 8,750,9 <1 4,250,9 <1 4,25

5,75 1,25 23,50,9 <1 4,25<1 <1 < 2,5

1,85 <1 50,9 <1 4,250,9 <1 4,250,9 <1 4,25

3,75 1 9,50,9 <1 4,252,3 <1 8,750,9 <1 4,250,9 <1 4,25<1 <1 < 2,50,9 <1 4,250,9 <1 4,252,3 <1 8,75

2,75 1 8,750,9 <1 4,25

http://fssp.food.dtu.dk/• Models to predict the simultaneous growth of Listeria

monocytogenes and lactic acid bacteria in chilled seafood,meat products and cottage cheese

• A generic model to predict growth of microorganisms infood depending on temperature, salt (NaCl/aw), pH, CO2,smoke intensity, nitrite and organic acids:Acetic/diacetate, benzoic, citric, lactic and sorbic acids.

FSSP – Food Spoilage and safety predictor

Advantages Disadvantages

• Less user friendly as Combase

• Lag phase is less accuratelypredicted

• Models are product specific

• Original data of the studies areavailable

• Model includes interaction effectbetween background flora (lacticacid bacteria) andL. monocytogenes

• T-profile can be used (data logger)

• Calculation modules (% on totalproduct vs % on water phase)

FSSP

Caso studio: L. monocytogenes in formaggio a latte crudo

• Specific for Listeria monocytogenes• Listeria in chilled seafood and meat products

• Growth model

• Growth/no growth model

Effect of T, atmosphere, salt, smoke components, pH, nitrite and organic acids

• Interaction model between Listeria and lactic acid bacteria (chilled seafood and meat products)Effect of T, atmosphere, salt, smoke components, pH, diacetate and lactate

FSSP

Input: • pH 6.0

• Dry matter: 30%

• 3.7% salt (on total product)

• 6300 ppm lactic acid (on total product)

• 6 ppm smoke components

• 200 ppm diacetate (on total product)

• Storage temperature: 2d @ 2°C/ 10 d @ 4°C/ 20 d @ 7°C

• Vacuum packed

• Inoculation level: L. monocytogenes 1 CFU/g LAB: 100 CFU/g

Caso studio: L. monocytogenes in salmone affumicato

Qual è la shelf life del prodotto?Esiste un rischio di sicurezza alimentare

(crescita di L. monocytogenes)?

L. monocytogenes increases 1.65 log CFU/g during shelf-life

Caso studio: L. monocytogenes in salmone affumicato

• Crescente interesse nella microbiologia predittiva

• Combinazione di conoscenze matematiche, microbiologiche etecnologiche

• Strumento molto utile

• Osservazioni

I risultati sono stime e non valori assoluti

Essere consapevoli dell’uso improprio

Non è possibile eseguire alcuna estrapolazione

E’ ancora necessario migliorare i modelli esistenti per diverse categorie alimentari

Conclusioni

Grazie per l’attenzioneAnna.Roccato@Ugent.be o anna.roccato@gmail.com

Giffel and Zwietering (1999): «A model is a useful ‘discussionpartner’ giving you good ideas, pointing you in the rightdirection, but like other discussion partners is not alwaysright»