Microbiologia Predittiva: Principi generali 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 modelli Applicazioni Software Esempi di impiego di alcuni software
Microbiologia predittiva: Impiego di equazioni matematiche per descrivere il comportamento dei microrganismi Growth Inactivation Survival Spore germination Toxin production
Microbiologia predittiva: premesse La crescita, sopravvivenza ed inattivazione dei microrganismi negli alimenti sono risposte riproducibili Un numero limitato di parametri ambientali degli alimenti determina la risposta cinetica dei microrganismi - Temperatura - aw/water phase salt - ph - food preservatives (acidi organici, nitrite,.) Un modello matematico che descriva in maniera quantitativa l effetto combinato dei parametri ambientali può essere usato per predire la crescita, sopravvivenza o inattivazione di un microrganismo e quindi contribuire a fornire informazioni sulla sicurezza del prodotto stesso e della sua shelf-life.
La microbiologia predittiva: storia The log-linear microbial death kinetics by Bigelow et al. (1920), Bigelow (1921) and Esty and Meyer (1922): the first example of a predictive model to find widespread application in the food industry (thermal death of Clostridium botulinum type A in canned foods). In 80s, broth-based PM, often considered as too conservative to be valuable tools in industry. From 90s up to now, PM has established itself has a scientific discipline. Industrial applications have built on this scientific maturation
Sviluppo del modello Planning Data collection Model identification and parameter estimation (μ, λ, ecc..) Model validation
Modelli primari PRIMARY MODEL µ max l Constant environmental conditions
Modelli secondari PRIMARY MODEL SECONDARY MODEL MULTIPLE µ max,1 l 1 µ max,2 l 2 µ max l as a function of environmental conditions Different environmental conditions
Modelli terziari PRIMARY MODEL SECONDARY MODEL µ max l as a function of environmental conditions TERTIARY MODEL: software packages Input: environmental factors e.g. a w, T
Log CFU/ml Modelli cinetici Tipi di modelli Descrivono l evoluzione microbica (crescita, inattivazione, sopravvivenza) in funzione del tempo µ max Es: predice quanto velocemente L. monocytogenes crescerà durante la shelf-life (dipendendo da fattori intrinseci ed estrinseci) GROWTH time
Tipi di modelli Modelli Growth/no growth (probabilistici) Descrivono la probabilità che uno specifico fenomeno (produzione di tossine, crescita,...) avvenga in funzione delle condizioni ambientali Distingue tra capacità di crescere e incapacità di crescere
Applicazioni FBO 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 fornisce l ordine di grandezza In caso di incidenti (no time/rush) Prima di iniziare un Ch. Test (Data gap analysis/ hazard screening) Predictive modelling
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
Applicazioni Sviluppi attuali e Prospettive future 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 intra cellulari)
Software disponibili Freeware packages ComBase Food Spoilage and Safety Predictor (FSSP) PMP (USDA) Etc... Commercially available Sym previus Dairy products safety predictor Etc...
COMBASE www.combase.cc
COMBASE Growth predictor L. monocytogenes L. Monocytogenes con CO 2 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 Effect of CO 2 in MAP Input: Inoculation level 1 CFU/g (0 log CFU/g) T: 7 C ph: 6.2 a w : 0.99 CO 2 : 0, 20, 40 and 60% Storage time: 240 h (10 days)
COMBASE Growth predictor 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 a w : 0.99 CO 2 : 0% Significant growth due to T-shift
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). Batch ph aw 1 5.30 0.958 2 5,35 0,967 3 5,06 0,967 4 5,13 0,968
Durability test (MPN L. monocytogenes) MPN (intervallo di confidenza al 95%) MPN (ufc/25g) Min Max 2,3 <1 8,75 1,85 <1 5 < 1 <1 < 2,5 0,9 <1 4,25 0,9 <1 4,25 2,3 <1 8,75 0,9 <1 4,25 3,75 1 9,5 <1 <1 < 2,5 2,3 <1 8,75 0,9 <1 4,25 0,9 <1 4,25 5,75 1,25 23,5 0,9 <1 4,25 <1 <1 < 2,5 1,85 <1 5 0,9 <1 4,25 0,9 <1 4,25 0,9 <1 4,25 3,75 1 9,5 0,9 <1 4,25 2,3 <1 8,75 0,9 <1 4,25 0,9 <1 4,25 <1 <1 < 2,5 0,9 <1 4,25 0,9 <1 4,25 2,3 <1 8,75 2,75 1 8,75 0,9 <1 4,25
FSSP Food Spoilage and safety predictor 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 in food depending on temperature, salt (NaCl/aw), ph, CO2, smoke intensity, nitrite and organic acids: Acetic/diacetate, benzoic, citric, lactic and sorbic acids.
FSSP Advantages Models are product specific Original data of the studies are available Model includes interaction effect between background flora (lactic acid bacteria) and L. monocytogenes T-profile can be used (data logger) Calculation modules (% on total product vs % on water phase) Disadvantages Less user friendly as Combase Lag phase is less accurately predicted
Caso studio: L. monocytogenes in formaggio a latte crudo
FSSP 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
Caso studio: L. monocytogenes in salmone affumicato 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 Qual è la shelf life del prodotto? Esiste un rischio di sicurezza alimentare (crescita di L. monocytogenes)?
Caso studio: L. monocytogenes in salmone affumicato L. monocytogenes increases 1.65 log CFU/g during shelf-life
Conclusioni Crescente interesse nella microbiologia predittiva Combinazione di conoscenze matematiche, microbiologiche e tecnologiche 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
Giffel and Zwietering (1999): «A model is a useful discussion partner giving you good ideas, pointing you in the right direction, but like other discussion partners is not always right» Grazie per l attenzione Anna.Roccato@Ugent.be o anna.roccato@gmail.com