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
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
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?
Quando posso usare i modelli di microbiologia predittiva? Sicurezza alimentare (RE CE 2073-2005) Qualità del prodotto (shelf-life) Validazione del processo Analisi del rischio
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
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) 0 14 15 16 17 18 Baranyi József temperature ( C) morte log (D1 / D2) = (T2-T1) / Z Log tempo di riduzione log(slope) decimale 2 1 0 Log (D value) vs temperatura II legge di Bigelow 54 55 56 57 58 temperature ( C)
L accuratezza? -1 Ln µ (1/h) -1.4-1.8-2.2-2.6 1 2 3 NaCl (%) 4 6.4 ph 6-1 -1.4-1.8-2.2-2.6 5.6-1 Lnµ(1/h) Non sempre generare un modello con un fattore di correlazione più alto Determina una migliore predizione -1 5 6.8-1.5-1.5-2 -2-2.5-2.5-3 -3 1 2 3 6 5.6 NaCl (%) 4 6.4 ph Baranyi József 5 6.8 Salmonellae at 15 o C, cubic multivariate polynomial (Gibson et al, 1988)
Modello VsAlimento Modello Laboratory system Accuracy 5% Inoculated sterile meat Accuracy 25% Naturally contaminated meat Overall accuracy 50% Dr Jozsef Baranyi, IFR
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
www.ars-alimentaria.it
www.combase.cc
Applicazioni: www.combase.cc
Modelli Primari:DMfit I dati osservati possono essere elaborati con diversi modelli
Challenge test durante la shelf life Documento tecnico di orientamento AFFSA Eucrl 2008 Gorgonzola a spicchi shelf life > 60 gg 9 14 8 7 12 ph - logc(logufc/g) 6 5 4 3 2 1 10 8 6 temp ( C) Caratteristiche ambientali ph costante 6.7 Aw costante 0.970 Temp costante 8 C 0 0 10 20 30 40 50 60 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
Validazione modello predittivo µ max = µ max ref ( T ( T ref -T min -T ) min 2 ) 2 Obs max rate 0.0066 logc/h Pred max rate 0.021 logc/h Modello predittivo www.combase.cc; cf 0.3 max rate +/- SE maxrate, T min -2 C
Modelli Predittivi secondari e parametri Comparare i dati osservati con l andamento predetto
Software di Modelli Predittivi Combase-predictor: previsione del tasso di crescita di crescita dei microrganismi in brodi colturali
Combase-predictor: previsione dell andamento dei microrganismi in brodi colturali a temp. variabili
Combase-predictor:previsioni tasso di morte dei microrganismi in brodi colturali
Combase-predictor:previsioni tasso di morte dei microrganismi non Temp dipendente in brodi colturali
E. coli VTEC durante caseificazione
Effetto della stagionatura: ph <5.2 Modello predittivo validato dalla sperimentazione
Perfringens predictor
Informazioni rapide!
milk L. monocytogenes
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
Co-colture (Le Marc et al., 2002) Output
Seafood spoilage and safety predictor» http://sssp.dtuaqua.dk
Seafood spoilage and safety Input predictor
Seafood spoilage and safety predictor Output
Salmonella predictions Input Output time temp ph aw 0 4,5 5,63 0,973 0,5 5 1 10 1,5 13,5 98,5 13,5 119 13 119,5 12,5 5,247 0,971 122 12 122,5 11,5 136 11,5 141 12 141,5 11 142 11 142,5 10,5 193 10,5 5,327 0,97 358,5 10,5 5,543 0,963 695 10,5 5,72 0,956 960 10,5 6,267 0,947
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
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 elena.coscianicunico@izsler.it
Bibiliografia Baranyi J, Roberts TA (1994): A dynamic approach to predicting bacterial growth in food. Int J.Food Microbiol 23: 277-294. Baranyi J, Pin C, Ross T (1999) Validating and comparing predictive models, Int J Food Microbiol 48 159-166. 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. 2005 Industrie Alimentari (44), 443 pag.1-10. 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. 2005 Modelling Understanding Pathogen Behaviour (Chapter 2) 53-77 stress responses and resistance Metris A., Le Marc Y., Elfwing A., BalLagi A. & Baranyi J. 2005 (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) 13-19 Metris A. 2005 The ComBase database, a platform for predictions CFA day, February 15th 2005 (b), IFR. http://wok.mimas.ac.uk/ www.combase.cc www.food.gov.uk