Microbiologia Predittiva: Principi generali e casi pratici · Microbiologia Predittiva: Principi...
Transcript of Microbiologia Predittiva: Principi generali e casi pratici · Microbiologia Predittiva: Principi...
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’[email protected] o [email protected]
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»