Prædiktiv mikrobiologi af Tina Beck Hansen Hvad er det? Hvordan gøres det? Hvad bruger vi det til?
Prædiktiv mikrobiologi Hvad er det? At forudsige mikroorganismers reaktion overfor omgivelserne 28/04/2015 slide 2
Ideen ikke ny!. Et kendskab til væksthastighederne af bestemte mikroorganismer ved forskellige temperaturer er essentiel ved undersøgelse af fordærv af kølet oksekød. Har man disse data, vil det være muligt at forudsige den relative indflydelse på fordærv af forskellige organismer ved en given lagringstemperatur. (Citat af Scott 1937: Journal of the Council of Scientific and Industrial Research, Australia 10, 338-350) 28/04/2015 slide 3
Men det accelererede i 1980 erne. Roberts & Jarvis (1983): At vækst, overlevelse og inaktivering af mikroorganismer i fødevarer er reproducerbare hændelser At et begrænset antal miljøparametre i fødevarerne bestemmer det kinetiske respons af mikroorganismerne Temperatur Vandaktivitet / salt-i-vand ph Konserveringsmidler At matematiske modeller, som beskriver den kombinerede effekt af disse miljøparametre, kan bruges til at forudsige vækst, overlevelse eller inaktivering af fødevarebårne mikroorganismer 28/04/2015 slide 4
Prædiktiv mikrobiologi Hvordan gøres det? Ved at beskrive mikroorganismers opførsel med matematiske udtryk 28/04/2015 slide 5
Procedure for opbygning af modeller Primær modellering Lag µ MPD Validering N = No e µt Sekundær modellering Tertiær modellering 28/04/2015 slide 6
Anvendelse Hvad bruger vi det til? At vurdere mikrobiologisk sikkerhed og kvalitet af fødevarer: - Forudsige effekten af produktkarakteristika og opbevaring - Understøtte HACCP systemer - Lette uddannelses- og træningsaktiviteter - Kvalificere QMRA modeller 28/04/2015 slide 7
Forudsætninger for mikrobiologiske forudsigelser Hvilke mikroorganismer kan skabe problemer i produktet? Hvilken type problem er der tale om? Skaffe (nok) data der beskriver problemet Indsamle data fra den videnskabelige litteratur Generere data via forøg i laboratoriet Opstille matematiske modeller der beskriver problemet Efterprøve om modellerne virker til problemstillingen Videnskabeligt og matematisk grundlag for et prædiktionsværktøj 28/04/2015 slide 8
Sikker produktion af smørrebrød og sandwich Smørrebrød og sandwich er krydssmitte Mikroorganismer der overlever varmebehandling af pålæg Alle mikroorganismer fra de rå ingredienser Produktionen er brud på kølekæden Vækst /toksindannelse af mikroorganismer Hvilke mikroorganismer? Hvor hurtigt vokser de? 28/04/2015 slide 9
Sygdomsfremkaldende mikroorganismer der kan vokse i smørrebrød og sandwich Listeria monocytogenes Staphylococcus aureus Salmonella E. coli (VTEC) Clostridium botulinum Bacillus cereus 28/04/2015 slide 10
Faktorer der påvirker nølefasens længde (timer) Bakterie Salatblade Varmebehandlet kødprodukt 15 C 20 C 25 C 15 C 20 C 25 C L. monocytogenes 10 4,8 3,8 - - - Salmonella 6,5 5,2 2,8 8,2 3,8 2,5 S. aureus - - - 12 5,5 2,6 28/04/2015 slide 11
Forsøg gennemført i projektet BAKTERIER FØDEVARER TEMP. L. monocytogenes Salmonella C. botulinum Lollo Bionda salatblade Sous-vide kyllingebryst Fra 5 til 25 C 28/04/2015 slide 12
Antal bakterier (log cfu) Antal bakterier (log cfu) Eksempler på vækstkurver ved konstante temperaturer (15-16 C) 10 Salmonella 10 8 L. monocytogenes 8 L. monocytogenes 6 6 4 C. botulinum 4 Salmonella 2 2 0 Kylling 0 24 48 72 Tid i timer 0 Salat 0 24 48 72 Tid i timer 28/04/2015 slide 13
Nølefase i timer Generationstide i timer Nølefase i timer Afhængigheden af temperatur 50 45 40 35 30 25 20 15 10 5 0 0 5 10 15 20 25 30 Temperatur ( C) Salmonella 0 L. monocytogenes C. botulinum 80 60 40 20 600 500 400 300 200 100 0 Salmonella L. monocytogenes 0 10 20 30 Temperatur ( C) C. botulinum 0 10 20 30 Temperatur ( C) 28/04/2015 slide 14
Temperatur ( C) Salmonella (log CFU/slice) Efterprøvning ved dynamisk temperaturforløb Salmonella 30 25 lufttemp. kødtemp. 6 5 20 15 4 3 10 2 observeret 5 1 forudsigelse 0 0 4 8 12 16 20 24 Tid i timer 0 0 4 8 12 16 20 24 tid i timer 28/04/2015 slide 15
Temperatur ( C) L. monocytogenes (log cfu/slice) Efterprøvning ved dynamisk temperaturforløb L. monocytogenes 30 25 lufttemp. kødtemp. 6 5 20 4 15 3 10 5 2 1 observeret forudsigelse 0 0 4 8 12 16 20 24 Tid i timer 0 0 4 8 12 16 20 24 tid i timer 28/04/2015 slide 16
Temperatur ( C) C. botulinum (log cfu/g) Efterprøvning ved dynamisk temperaturforløb C. botulinum 30 25 5.0 4.5 observeret forudsigelse 20 4.0 15 10 3.5 5 0 kødtemp. vandtemp. 0 6 12 18 24 30 36 42 48 Tid i timer 3.0 2.5 0 6 12 18 24 30 36 42 48 tid i timer 28/04/2015 slide 17
Redskabets ide og struktur Maks. 3 timer uden for køl Forhistorie Montering (inkl. opbevaring) Transport (inkl. opbevaring) Servering Nølefasen må ikke overskrides 28/04/2015 slide 18
Tilberedning % forbrugt nølefase Temperatur, C Temperatur, C Effekt af tilberedningstemperatur 30 Udenfor køl 30 Ind og ud af køl 20 20 10 0 mad temp. luft temp. 0 50 100 150 200 250 300 minutter 10 0 0 50 100 150 200 250 300 minutter 100 92 80 60 40 Udenfor køl Ind og ud af køl 20 0 180 224 344 0 100 200 300 400 Minutter Uden for køl max tilberedningstid er 3 timer 44 min Ind og ud af køl - max tilberedningstid er 5 timer 44 min 28/04/2015 slide 19
Hjælpeværktøjer kurvefitning DMFit UK: www.combase.cc Estimation of growth kinetic parameters from growth curve data Estimation of kinetic parameters from inactivation curves of various shapes Relation between specific growth rate, & generation time: Growth rate depends on the unit of your data For ln(cfu/g): max. specific growth rate = For log 10 (CFU/g): max. growth rate = / ln(10) And Generation time = ln(2) / 28/04/2015 slide 20
Hjælpeværktøjer databaser Pathogen Modeling Program (PMP) USA: pmp.arserrc.gov/pmponline.aspx >40 models (growth, survival and inactivation) Available as freeware ComBase UK & USA: www.combase.cc ComBase Predictor: online models for growth and inactivation for mainly pathogens ComBase Perfringens Predictor: online model for evaluation of safe cooling of meat ComBase Browser: data for growth or inactivation of food associated microorganisms 28/04/2015 slide 21
Hjælpeværktøjer prædiktion Food Spoilage and Safety Predictor (FSSP) DK: http://fssp.food.dtu.dk Time-temperature integration Shelf-life, Listeria monocytogenes, histamine formation DMRIpredict DK: http://dmripredict.dk/ 3 safety models, L. monocytogenes, Clostridium botulinum, ConFerm 4 shelf-life models, pork, beef and chicken cuts and minced pork 28/04/2015 slide 22
ComBase http://www.combase.cc/ 28/04/2015 slide 23
Problem 1: Hvilken vokser hurtigst 1 log-enhed? Brug Combase Predictor Forudsig tid til 1 logstigning ved ph = 6,0 Salt = 1 % Ingen konservering 10 C og 20 C Patogen B. cereus Cl. botulinum E. coli (VTEC) L. moncytogenes Salmonella S. aureus Tid til 1 logstigning 10 C 20 C 28/04/2015 slide 24
Problem 2: Nedkøles kartoffelmosen hurtigt nok? Brug Perfringens Predictor Forudsig væksten af C. perfringens ved ph = 5,9 Salt = 1,5 % Ingen nitrit Bør kartoffelmosen kasseres? Tid (timer) Temperatur ( C) 0 72,0 0,5 56,6 1 44,5 1,5 35,0 2 27,5 2,5 21,6 3 17,0 3,5 13,4 4 10,5 4,5 8,3 5 6,5 28/04/2015 slide 25