Software di microbiologia predittiva: bene comune

Dimensione: px

Iniziare la visualizzazioe della pagina:

Download "Software di microbiologia predittiva: bene comune"

Margherita Mele
10 anni fa
Visualizzazioni

1 Software di microbiologia predittiva: bene comune Come e perchè utilizzare i software di microbiologia predittiva disponibili in rete. La validazione dei modelli attraverso challenge test. Elena CoscianiCunico, Elena Dalzini, Paolo Daminelli, Marina Nadia Losio Istituto Zooprofilattico Sperimentale della Lombardia e dell Emilia Romagna Milano 21 Maggio 2014

La validazione dei modelli attraverso challenge test.

2 L arte della predizione La capacità di predire gli eventi è da sempre nel desiderio dell animo umano che sia per motivi religiosi o scientifici Ognuno di noi quotidianamente è a contatto con modelli matematici previsionali

sia per motivi religiosi o scientifici Ognuno di noi

3 La filosofia dei modelli matematici Un modello è utile quando è sufficientemente semplice (altrimenti non è un modello) Quanto dettagliato deve essere un modello per essere efficiente? Quante variabili?

4 Quando posso usare i modelli di microbiologia predittiva? Sicurezza alimentare (RE CE ) Qualità del prodotto (shelf-life) Validazione del processo Analisi del rischio

5 Parametri di crescita batterica ln cell concentration ln(x max ) µ max : maximum specific growth rate ln(x 0 ) h0=lag*μ L: lag time Fig. 1: Rappresentazione del modello Baranyi, modello complesso semi meccanicistico e dinamico (Baranyi and Roberts, 1994) Baranyi József

Fig. 1: Rappresentazione del modello Baranyi, modello complesso

6 Aumento e decremento del tasso di crescita o morte in funzione della temperatura crescita sp.rate=a * Temp +b Radq tasso Sqr(slope) di crescita Radq tasso di crescita vs temperatura 0.1 Valore b costante (Ratkowsky Ratkowsky) Baranyi József temperature ( C) morte log (D1 / D2) = (T2-T1) / Z Log tempo di riduzione log(slope) decimale Log (D value) vs temperatura II legge di Bigelow temperature ( C)

1 Valore b costante (Ratkowsky Ratkowsky) 0 14 15 16 17 18 Baranyi József temperature ( C) morte log (D1 /

7 L accuratezza? -1 Ln µ (1/h) NaCl (%) ph Lnµ(1/h) Non sempre generare un modello con un fattore di correlazione più alto Determina una migliore predizione NaCl (%) ph Baranyi József Salmonellae at 15 o C, cubic multivariate polynomial (Gibson et al, 1988)

Determina una migliore predizione -1 5 6.8-1.5-1.5-2 -2-2.5-2.5-3 -3 1 2 3 6 5.

8 Modello VsAlimento Modello Laboratory system Accuracy 5% Inoculated sterile meat Accuracy 25% Naturally contaminated meat Overall accuracy 50% Dr Jozsef Baranyi, IFR

9 Modelli primari MicroFit, DmFit (Baranyi) Database ComBase, ars-alimentaria Modelli secondari Analalisi della regressione Predizione Validazione del modello Errore e fattore di accuratezza Baranyi József

Analalisi della regressione Predizione Validazione

13 Applicazioni:

14 Modelli Primari:DMfit I dati osservati possono essere elaborati con diversi modelli

15 Challenge test durante la shelf life Documento tecnico di orientamento AFFSA Eucrl 2008 Gorgonzola a spicchi shelf life > 60 gg ph - logc(logufc/g) temp ( C) Caratteristiche ambientali ph costante 6.7 Aw costante Temp costante 8 C time (day) lab logc ph mould log c obs temp 4 LAB logc cost> 10^7 ufc/g mould logc cost> 10^7 ufc/g

C) Caratteristiche ambientali ph costante 6.7 Aw costante 0.

16 Validazione modello predittivo µ max = µ max ref ( T ( T ref -T min -T ) min 2 ) 2 Obs max rate logc/h Pred max rate logc/h Modello predittivo cf 0.3 max rate +/- SE maxrate, T min -2 C

17 Modelli Predittivi secondari e parametri Comparare i dati osservati con l andamento predetto

18 Software di Modelli Predittivi Combase-predictor: previsione del tasso di crescita di crescita dei microrganismi in brodi colturali

19 Combase-predictor: previsione dell andamento dei microrganismi in brodi colturali a temp. variabili

20 Combase-predictor:previsioni tasso di morte dei microrganismi in brodi colturali

21 Combase-predictor:previsioni tasso di morte dei microrganismi non Temp dipendente in brodi colturali

22 E. coli VTEC durante caseificazione

23 Effetto della stagionatura: ph <5.2 Modello predittivo validato dalla sperimentazione

24 Perfringens predictor

25 Informazioni rapide!

26 milk L. monocytogenes

27 Effetto delle popolazioni indigene: Co- colture Esistono modelli predittivi che considerano la competizione batterica Temperatura: 20 C ph: 5.5 Inoculuo Lc. lactis :10 3 cfu/g Inoculuo L.monocytogenes:10 3 cfu/g Data from Farkas et al. (2002) Modello secondario validato con dati osservati Yvan Le Marc

28 Co-colture (Le Marc et al., 2002) Output

29 Seafood spoilage and safety predictor»

30 Seafood spoilage and safety Input predictor

31 Seafood spoilage and safety predictor Output

33 Salmonella predictions Input Output time temp ph aw 0 4,5 5,63 0,973 0, ,5 13,5 98,5 13, ,5 12,5 5,247 0, ,5 11, , , ,5 10, ,5 5,327 0,97 358,5 10,5 5,543 0, ,5 5,72 0, ,5 6,267 0,947

34 Conclusioni I modelli matematici possono aiutare l analisi quantitativa del rischio anche se fra ambiente controllato e alimenti c è una elevata discrepanza..ma calcolabile I software disponibili in rete sono accessibili a tutti e rappresentano un valido aiuto Modello matematico e software devono essere scelti con giudizio in funzione dei casi specifici

35 GRAZIE A TUTTI PER L ATTENZIONE e a chelab silliker per l invito Elena CoscianiCunico, Elena Dalzini, Paolo Istituto Zooprofilattico Daminelli, Sperimentale Marina della Lombardia Nadia Losio e dell Emilia Romagna [email protected]

36 Bibiliografia Baranyi J, Roberts TA (1994): A dynamic approach to predicting bacterial growth in food. Int J.Food Microbiol 23: Baranyi J, Pin C, Ross T (1999) Validating and comparing predictive models, Int J Food Microbiol McMeekin, T.A.(2003). An Essay on the Unrealized Potential of Predictive Microbiology. In: McKellar, R.C. and Lu, X (eds): Modelling Microbial responses in Foods. CRC, Boca Raton, Fla. Ross T, McMeekin TA, Baranyi J (2000) Predictive microbiology and food safety, Encyclopedia of food microbiology. Ed. Robinson R.K., Batt C.A., Patel P.D. Academic Press Elena Cosciani Cunico - Paola Monastero - Guido Finazzi - Paolo Daminelli - Paolo Boni - Yvan Le Marc -József Baranyi. Concetti di microbiologia predittiva: sopravvivenza di Salmonella spp. nel salame Industrie Alimentari (44), 443 pag Cosciani Cunico E., Le Marc, Y., Dominelli, P., Boni, P., Baranyi J. Development and Validation of a Model for the Survival of Salmonella spp in Italian Salami. The 20th International ICFMH Symposiumfood safety and food biotechnology: diversity and global impact 29 Aug - 02 Sept 2006 Alma Mater Studiorum, Bologna, Italy Le Marc Y., Baranyi J. & Ross T Modelling Understanding Pathogen Behaviour (Chapter 2) stress responses and resistance Metris A., Le Marc Y., Elfwing A., BalLagi A. & Baranyi J (a) Modelling the variability of Lag times and the first generation times of single cells of E-coli International Journal of Food Microbiology 100 (1-3) Metris A The ComBase database, a platform for predictions CFA day, February 15th 2005 (b), IFR

Documenti analoghi

NUOVI STRUMENTI Shelf-life sicurezza alimentare

NUOVI STRUMENTI Shelf-life sicurezza alimentare Esperienza sul campo in un azienda della GDO dr. Davide Pessina - RAQ Struttura aziendale punti di di vendita Nessun laboratorio centralizzato piattaforme: