Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Prædiktiv mikrobiologi
af Tina Beck Hansen
• Hvad er det?
• Hvordan gøres det?
• Hvad bruger vi det til?
DTU Fødevareinstituttet
Prædiktiv mikrobiologi
Hvad er det?
At forudsige mikroorganismers reaktion overfor omgivelserne
28/04/2015 ▪ slide 2
DTU Fødevareinstituttet
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
DTU Fødevareinstituttet
Men det accelererede i 1980’erne….
• 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
Roberts & Jarvis (1983):
28/04/2015 ▪ slide 4
DTU Fødevareinstituttet
Prædiktiv mikrobiologi
Hvordan gøres det?
Ved at beskrive mikroorganismers opførsel med matematiske udtryk
28/04/2015 ▪ slide 5
DTU Fødevareinstituttet
Procedure for opbygning af modeller Primær modellering
Tertiær modellering
Lag µ MPD
Sekundær modellering
28/04/2015 ▪ slide 6
Validering N = No · e µt
DTU Fødevareinstituttet
Anvendelse
28/04/2015 ▪ slide 7
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
DTU Fødevareinstituttet
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
DTU Fødevareinstituttet
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
DTU Fødevareinstituttet
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
DTU Fødevareinstituttet
Faktorer der påvirker nølefasens længde (timer)
Bakterie Salatblade Varmebehandlet kødprodukt
15C 20C 25C 15C 20C 25C
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
DTU Fødevareinstituttet
Forsøg gennemført i projektet
BAKTERIER
L. monocytogenes
Salmonella
C. botulinum
FØDEVARER
Lollo Bionda salatblade
Sous-vide kyllingebryst
TEMP.
Fra 5 til 25C
28/04/2015 ▪ slide 12
DTU Fødevareinstituttet
Eksempler på vækstkurver ved konstante temperaturer (15-16C)
0
2
4
6
8
10
0 24 48 72
An
tal b
akte
rie
r (l
og
cfu
)
Tid i timer
C. botulinum
L. monocytogenes
Salmonella
Kylling
0
2
4
6
8
10
0 24 48 72
An
tal b
akte
rier
(lo
g cf
u)
Tid i timer
Salmonella
L. monocytogenes
Salat
28/04/2015 ▪ slide 13
DTU Fødevareinstituttet
Afhængigheden af temperatur
0
5
10
15
20
25
30
35
40
45
50
0 5 10 15 20 25 30
Ge
ne
rati
on
stid
e i
tim
er
Temperatur (°C)
C. botulinum
L. monocytogenes
Salmonella 0
20
40
60
80
0 10 20 30
Nø
lefa
se i
tim
er
Temperatur (°C)
L. monocytogenes
Salmonella
0
100
200
300
400
500
600
0 10 20 30
Nø
lefa
se i
tim
er
Temperatur (°C)
C. botulinum
28/04/2015 ▪ slide 14
DTU Fødevareinstituttet
Efterprøvning ved dynamisk temperaturforløb – Salmonella
0
5
10
15
20
25
30
0 4 8 12 16 20 24
Tem
per
atu
r (°C
)
Tid i timer
lufttemp.
kødtemp.
0
1
2
3
4
5
6
0 4 8 12 16 20 24
Salm
on
ella
(lo
g C
FU/s
lice
)
tid i timer
observeret
forudsigelse
28/04/2015 ▪ slide 15
DTU Fødevareinstituttet
Efterprøvning ved dynamisk temperaturforløb – L. monocytogenes
0
5
10
15
20
25
30
0 4 8 12 16 20 24
Tem
per
atu
r (°C
)
Tid i timer
lufttemp.
kødtemp.
0
1
2
3
4
5
6
0 4 8 12 16 20 24
L. m
on
ocy
tog
enes
(lo
g cf
u/s
lice)
tid i timer
observeret
forudsigelse
28/04/2015 ▪ slide 16
DTU Fødevareinstituttet
Efterprøvning ved dynamisk temperaturforløb – C. botulinum
0
5
10
15
20
25
30
0 6 12 18 24 30 36 42 48
Tem
pe
ratu
r (°C
)
Tid i timer
kødtemp.
vandtemp.2.5
3.0
3.5
4.0
4.5
5.0
0 6 12 18 24 30 36 42 48
C. b
otu
linu
m (
log
cfu
/g)
tid i timer
observeret
forudsigelse
28/04/2015 ▪ slide 17
DTU Fødevareinstituttet
Redskabets ide og struktur
Forhistorie
Montering
(inkl. opbevaring)
Transport
(inkl. opbevaring)
Servering
Maks. 3 timer uden for køl
Nølefasen må ikke overskrides
28/04/2015 ▪ slide 18
DTU Fødevareinstituttet
Effekt af tilberedningstemperatur
0
20
40
60
80
100
0 100 200 300 400
Tilb
ered
nin
g
% f
orb
ru
gt
nø
lefa
se
Minutter
Udenfor køl Ind og ud af køl
180
Uden for køl – max tilberedningstid er 3 timer 44 min
Ind og ud af køl - max tilberedningstid er 5 timer 44 min
0
10
20
30
0 50 100 150 200 250 300
Tem
peratu
r, °
C
minutter
Udenfor køl
mad temp.
luft temp.
0
10
20
30
0 50 100 150 200 250 300
Tem
peratu
r, °
C
minutter
Ind og ud af køl
224 344
92
28/04/2015 ▪ slide 19
DTU Fødevareinstituttet
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 log10(CFU/g): max. growth rate = / ln(10)
And Generation time = ln(2) /
28/04/2015 ▪ slide 20
DTU Fødevareinstituttet
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
DTU Fødevareinstituttet
Hjælpeværktøjer – prædiktion
28/04/2015 ▪ slide 22
• 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
DTU Fødevareinstituttet
Problem 1: Hvilken vokser hurtigst 1 log-enhed?
•Brug Combase Predictor
•Forudsig tid til 1 log-stigning ved
–pH = 6,0
–Salt = 1 %
–Ingen konservering
–10C og 20C
Patogen Tid til 1 log-stigning 10C 20C
B. cereus
Cl. botulinum
E. coli (VTEC)
L. moncytogenes
Salmonella
S. aureus
28/04/2015 ▪ slide 24
DTU Fødevareinstituttet
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