张秋勤，徐幸莲*

(南京农业大学 教育部肉品加工与质量控制重点实验室，江苏 南京 210095)

禽肉蛋白质含量高、脂肪含量低、价格低廉，是世界上仅次于猪肉的第二大类肉品。然而伴随着生产和贸易的发展，禽肉产品质量安全问题日益突出。沙门氏菌、弯曲杆菌、大肠杆菌O157:H7等微生物污染是影响禽肉安全的主要问题之一。同时由于禽肉营养丰富，易因微生物生长繁殖导致禽肉腐败。因此了解和控制禽肉中微生物是提高禽肉质量和保障安全的关键。

传统微生物分析方法费时、费力，并且在环境、产品改变时不能准确评估产品的安全性[1]。预测微生物学可运用微生物学、工程数学以及统计学对食品微生物进行数学建模，建立信息库，从而对微生物在不同加工、贮藏、流通等条件下的延迟、生长、残存和死亡进行定量分析。因此，预测微生物学不仅可以对食品安全作出快速评估的预测，而且可用于货架期预测，在食品质量安全研究中具有重要意义[2]。

1 预测微生物学发展

预测微生物学是一门基于微生物学、数学、统计学和应用计算机科学基础上建立起来的新兴科学。

20世纪80年代初，Ross等[3]首次提出了“微生物预测技术”。 1983年一支由30个微生物学家组成的食品小组，用计算机预测了食品的货架期，并建立了腐败菌生长的数据库，从此正式拉开了食品预测微生物的研究帷幕[4]。在预测微生物学创始之初有学者认为其预测不够精确，但实验证明模型误差不大于微生物实验所带来的误差，这使得预测模型在食品工业和食品检控领域获得了信任。现在，每年在Food Microbiology、International Journal of Food Microbiology、Journal of Food Protection等期刊均有大量预测微生物的相关论文发表，国际上每4年举办1次食品预测微生物国际研讨会。近年来随着计算机技术的发展，预测微生物学得到迅猛发展，很多国家开发了预测软件。预测模型软件的开发和应用，为快速评估环境和食品组分对食品微生物生长的影响、监测产品中微生物的生长动态提供了便捷的平台。

2 微生物预测软件简介

目前世界上已经开发出十几种微生物预测软件，其中最著名的是FM(food micromodel)、PMP(pathogen modeling program)和 ComBase(combined database)。

1992年英国农业、渔业和食品部(UKMAFF)基于数据库和数学模型开发了食品微生物模型FM[5]。该食品微生物咨询服务器中的20多种数学模型可以描述12种食品腐败菌和致病菌的生长与环境因素之间的关系，信息量大、数学模型成熟，但由于使用的是Gompertz模型，高估了微生物的生长速率。英国食品研究院(IFR)在FM基础上开发了Growth Predictor，该软件包含了18种病原微生物预测模型，使用的是Baranyi模型，操作简单，使用方便，适合研究者进行数据分析和结果参比。

美国农业部开发的病原菌模型程序PMP包括10种重要的食源性病原菌的38个预测模型。PMP不仅能通过温度、pH值、水分活度等参数预测微生物生长状况，而且可以利用自动响应模型处理大多数常用防腐剂，结果具有较高的精确度，但PMP缺乏温度波动下的生长和失活模型[6]。

2003年5月，英、美两国将PMP、FM和Growth Predictor整合成了一个数据库模型——ComBase。同年7月两国在第4届国际预测性食品模型会议上宣布ComBase可以免费使用，并且时刻保持更新。ComBase目前已拥有了约40489个有关微生物生长和存活数据档案，是世界上最大的预测微生物学信息数据库。ComBase 系统不仅能预测1种微生物在1种环境条件下的生长情况，还能预测1种微生物在不同环境中的生长情况，并且可以对这些不同情况下的生长情况进行比较和分析。

另外还有很多软件，如丹麦水产研究学院开发的用来预测海洋食品在恒温或温度波动条件下海洋食品的货架期和特定腐败微生物生长的SSSP (seafood spoilage and safety predictor software)软件；法国农业和研究局根据食品、细菌和环境特点，结合致病菌污染能力和流通学数据而开发的Sym 'Previus软件；加拿大开发的可用于产品系统开发和评估的微生物动态专家系统M K E S(microbial kinetics expert system)；澳大利亚Tasmania大学开发的能进行多环境因子分析系统FSP(food spoilage predictor)等[7-8]。在我国，中国水产科学研究院东海水产研究所开发出了可用于罗非鱼品质控制的FSLP(fish shelf life predictor)系统[9]。

3 预测微生物学在禽肉中的研究进展

建立可靠的微生物生长和存活模型是预测禽肉加工贮藏中微生物的前提。1978年Daud等[10]将Olley腐败模型应用到鸡肉腐败中，认为预测结果精确度与与鸡肉组织无关。但Nyati[6]研究发现李斯特菌生长模型在预测李斯特菌在鸡肉和牛肉中的生长状况时偏差因子不同。李苗云等[11]认为建立的数学模型应该与具体的产品相联系。对沙门氏菌这种血清型较多的菌建立模型时需要选择适当的菌株，使建立的模型可预测其他血清型菌株的生长[12]。

微生物预测模型有多种类型，在建立数学模型时要进行适当的选择。Juneja等[13]在2001年指出虽然在建立高温失活模型时假设温度与D值是呈线性相关性的，但事实上两者之间是非线性关系，因此禽肉中沙门氏菌的热失活模型更适合用非线性模型表示。2008年Kondjoyan等[14]研究发现Weibull-tail和biphasic-shoulder模型都不适用于预测蒸汽对李斯特菌病的杀菌效果。但Gonzalez等[15]在2009年研究发现改进的Weibull模型能预测鸡肉糜中空肠弯曲杆菌的生长。Gompertz、Baranyi和logistic三种模型都能拟合鸡肉中沙门氏菌的生长，Juneja等[16]对这3种模型进行了比较，发现运用初级模型研究不同温度下鸡肉中沙门氏菌的生长情况时，Gompertz模型拟合性最好，Baranyi模型次之，logistic模型最差；而运用二级模型研究温度对沙门氏菌的影响时， Baranyi模型比Gompertz和logistic模型好。

实际生产、贮藏中微生物生长同时受温度、p H值、盐浓度等诸多因素影响，因此建立多参数微生物生长模型更利于预测微生物生长[17]。1995年Sutherland等[18]建立的大肠杆菌O157:H7生长模型就可用于NaCl质量浓度0.5～6.5g/100mL、pH4.0～7.0、贮藏温度10～30℃的禽肉产品。2007年朱英莲等[19]建立了大肠杆菌O157:H7在pH值、NaCl 浓度最佳情况下鸡肉和肉汤中的温度生长预测模型，并提出了出口分割鸡肉中控制大肠杆菌O157:H7的措施。George等[20]1996年建立了以温度、pH值、乳酸浓度为参数的李斯特菌病生长模型，该模型适用于禽肉、牛奶、畜肉、鱼肉等日常食品。Escudero-Gilete等[17]认为预测禽肉中李斯特菌污染状况时可用多元分析系统。

1995年Baranyi等[21]建立了适用于5～25℃变温条件的热杀索丝菌预测模型，并指出现有的微生物生长模型虽然能对多种腐败菌和致病菌进行预测，但常见的微生物模型是在恒定条件(如pH值、温度、水分活度)下建立的，不符合产品在生产、贮藏、销售时周围环境是动态变化的这一实际现状，因此，建立实用的动态模型预测必须考虑环境动态变化对微生物的影响。2000年Bovill等[22]建立了李斯特菌病、沙门氏菌在温度波动下的预测模型。2008年Gospavic等[23]用Gompertz和Baranyi模型预测了变温条件下禽肉中假单胞菌的生长状况。

4 预测微生物学在禽肉质量安全控制中的应用

预测微生物学的主要目的是运用数学模型对微生物生长情况进行定量分析，使得人们能够在没有进行微生物检测的前提下，预测微生物的生长和死亡，为食品安全提供重要保障[24-25]。预测微生物学在食品货架期、食品安全的预测和管理中有很大的应用价值，是食品微生物学中一个很有前景的研究领域[25]。

4.1 质量安全控制

微生物预测模型可以在相关条件已知的情况下预测环境、加工条件对有关微生物的影响，定量地评估该食品安全程度，有助于在HACCP体系中建立关键控制点，确定关键限值，在食品质量管理中有重要作用[26-30]。例如，先在实验室建立以温度为影响因素的微生物生长模型，然后确定产品在生产、流通、销售过程中各环节所需要的温度，最后用设备对各环节温度进行监控，以控制产品质量安全[26]。有效的将预测模型运用于实际生产管理中依赖于应用技术的发展，而预测软件是实现控制管理的关键[30]。现有的PMP、FM等软件就可以定量分析不同环境对微生物的生长、残存的影响。使用者可以模拟一种食品环境，通过输入相关数据(例如温度、酸度、湿度)，搜索到所有符合这些条件的数据档案[31]。

4.2 风险评估

食品中生物危害分析是食品安全风险评估的主要内容之一，食品中的微生物受多种因素影响，如果无法掌握病原菌的动态变化，就难以对危害进行定量评估，预测微生物模型能够为此提供帮助，欧美等国家已将数学建模描述食源性致病菌动态生长的方法列入食品安全风险评估中[28,30,32-33]。

运用预测微生物学进行风险评估需要掌握两方面的信息：1)大量可靠的关于微生物对食品中环境条件(温度、包装、时间)反应的相关知识；2)微生物在各种环境下经历的时间。然后建立数学模型来描述不同环境下微生物的生长、存活及失活的变化，对致病菌在整个暴露过程中的变化进行预测，估计出各个阶段及食品食用时致病菌的浓度水平，接着将结果输入剂量-效应模型，得出该致病菌在消费食品中的分布及消费者的摄入剂量，再由风险描述将这些定量、定性的信息综合到一起，即可得到产品微生物安全性的一个评价。

根据前期研究得到的大量模型和数据建立定量风险评估模型可分析和规范禽肉加工[34]。2006年Uyttendaele等[35]根据比利时家禽中弯曲杆菌污染调查结果，建立了一个从零售到餐桌的弯曲杆菌定量风险评估模型。2007年Oscar[32]以沙门氏菌为例，建立了风险评估模型，对销售、运输、蒸煮、供应和消费5个环节的鸡肉进行了风险评估，解释了定量风险评估模型的操作和用处，并指出在运用定量风险评估模型时要确保输入的条件和加工等的准确性，否则可能得到错误的评估结果。van der Fels-Klerx等[36]在2008年建立了肉鸡在供应链中沙门氏菌的消长模型，并认为屠宰和加工过程是控制沙门氏菌污染的关键点。澳大利亚卓越食品安全中心开发的Risk Ranger软件，可通过选择条件或者输入数据对食品的危险性进行评估。

4.3 货架期预测

微生物是导致禽肉腐败变质的主要因素，其生长繁殖状况直接影响产品货架期。近年来，很多学者致力于微生物模型预测食品货架期的研究，相关报道较多。微生物模型预测食品货架期是依据各种食品中微生物在不同加工、贮藏和流通条件下的特征信息库，通过计算机的配套软件，判断食品中病原菌和腐败菌生长或残存的动态变化，判断食品货架期[37]。

运用微生物模型预测禽肉产品货架期需要进行以下三方面的研究：1)禽肉产品中微生物研究，包括微生物种类、数量、消长规律等；2)结合环境因子建立合适的微生物生长动力学模型；3)以微生物生长数据库为基础，开发便捷的货架期预测软件[37-38]。

应用SSO(specific spoilage organisms)生长预测模型可预测产品剩余货架期。禽肉中的SSO主要有假单胞菌、乳酸菌、热杀索丝菌、肠杆菌[39-42]。在贮藏过程中假单胞菌占主导地位[42-43]。2007年Dominguez等[44]建立了禽肉在0～25℃厌氧条件下贮藏时假单胞菌的生长模型，该模型可用于预测产品货架期，从而避免了用繁琐的传统方法进行货架期判断。澳大利亚Tasmania大学在假单胞菌生长模型基础上开发的FSP(food spoilage predictor)软件能对温度为1.5～38℃、水分活度为0.850～0.997、pH5.3～7.8、SSO为假单胞菌的食品剩余货架期进行快速估测[8]。

4.4 产品研发

根据微生物在某种产品或在某个加工过程中的生长和失活速率评估，能开发新产品或改善产品，确定产品货架期[28]。在产品研发时，根据微生物生长和失活模型能显示哪一种因子具有重要的影响，通过模拟预测微生物存活情况，求得有效的食品配方和处理条件，将食品中有关微生物的选择实验准确地局限于较小范围，大大减少产品开发的时间和成本。在食品设计步入计算机化的进程中，可将现有的理化、微生物数据收集起来，建立一个带有数据库的计算机软件，通过计算机来提出配方、工艺流程和包装方式的合理化建议，在理论上使该产品的微生物稳定性得到保证。此外还可应用计算机软件来改进不稳定产品[45]。2002年Juneja等[46]将产气荚膜梭菌的生长模型运用到蒸煮干腌鸡肉的生产中，确定了冷却工艺。目前可用于开发产品的系统有MKES 和FDSS(food design support system)。

5 结论与展望

5.1 预测微生物学是以数量化描述微生物行为的新兴科学，能对禽肉流通过程中的质量和安全做出合理判断，为禽肉产品设计和质量安全管理提供了很好的思路和解决途径。预测微生物学在禽肉质量安全研究方面的发展具有独特优越性：1)大大增加了产品货架期预测的可信度，利于质量控制和市场开拓；2)积累了微生物消长的数量化信息，利于产品开发中对工艺参数、产品配方的制定和微生物学质量的控制；3)确定加工、贮藏、流通过程中可能导致的产品腐败的控制点和缺陷，为HACCP的实施和发展提供了重要手段。

5.2 预测微生物学发展至今，解决的主要问题是微生物生命活动与温度、pH值、水分活度等环境因素之间的关系，尚有许多问题没有解决。如已开发的预测软件中的大部分模型是依据实验室培养基上得到的数据建立的，没有考虑食品组织、微生物之间的相互影响等因素，往往过高评价产品中微生物的生长速率[11]。食品微生物预测是以数学方程语言描述食品中腐败菌和致病菌从原料到最终消费的增殖和死亡的全过程[2]。实现此预测过程，首先需要大量的基础食品微生物相关数据，其次运用统计学、工程数学、人工神经网络等技术手段进行数据处理，建立食品微生物数据库和数学模型，并在此基础上开发制作预测软件。而我国预测微生物学在禽肉中的研究和应用极少，今后有必要加强研究。另外，Brown[47]认为定量风险评估模型需要在以下几方面进行改进：现有的热量传递模型比较单一，应考虑冻融等因素，以扩大模型的应用性；微生物在受到高温等作用时，部分细胞只是损伤了，经过修复将重新生长，因此建立模型时应该考虑该部分受伤细胞的状况。

[1] BARANYI J, ROBERTS T A.Mathematics of predictive food microbiology[J].International Journal of Food Microbiology, 1995, 26(2): 199-218.

[2] ARMITAGE N H.Use of predictive microbiology in meat hygiene regulatory activity[J].International Journal of Food Microbiology, 1997,36(2/3): 103-109.

[3] ROSS T, MCMEEKIN T A.Predictive microbiology[J].International Journal of Food Microbiology, 1994, 23(3/4): 241-264.

[4] MCMEEKIN T A, OLLEY J N, ROSS T, et al.Predictive microbiology:theory and application[M].Taunton, Somerset, UK: Research Studies Press, 1993: 320-340.

[5] MCCLURE P J, BLACKBURN C W, COLE M B, et al.Modelling the growth, survival and death of microorganisms in foods: the UK food micromodel approach[J].International Journal of Food Microbiology,1994, 23(3/4): 265-275.

[6] NYATI H.Survival characteristics and the applicability of predictive mathematical modelling toListeria monocytogenesgrowth in sous vide products[J].International Journal of Food Microbiology, 2000, 56(2/3):123-132.

[7] LEPORQ B, MEMBR J M, DERVIN C, et al.The "Sym'Previus"software, a tool to support decisions to the foodstuff safety[J].International Journal of Food Microbiology, 2005, 100(1/3): 231-237.

[8] NEUMEYER K, ROSS T, THOMSON G, et al.Validation of a model describing the effects of temperature and water activity on the growth of psychrotrophic pseudomonads[J].International Journal of Food Microbiology, 1997, 38(1): 55-63.

[9] 杨宪时, 钟许, 郭全友.养殖鱼类货架期预测系统的设计与评估[J].农业工程学报, 2006, 22(8): 129-133.

[10] DAUD H B, MCMEEKIN T A, OLLEY J.Temperature function integration and the development and metabolism of poultry spoilage bacteria[J].Applied and Environmental Microbiology, 1978, 36(5): 650-654.

[11] 李苗云, 朱应举, 赵改名.微生物预测模型研究及其在肉品工业中的应用[J].食品科技, 2008(2): 57-60.

[12] OSCAR T P.Predictive models for growth ofSalmonella typhimuriumDT104 from low and high initial density on ground chicken with a natural microflora[J].Food Microbiology, 2007, 24(6): 640-651.

[13] JUNEJA V K, EBLEN B S, MARKS H M.Modeling non-linear survival curves to calculate thermal inactivation ofSalmonellain poultry of different fat levels[J].International Journal of Food Microbiology, 2001,70(1/2): 37-51.

[14] KONDJOYAN A, PORTANGUEN S.Effect of superheated steam on the inactivation ofListeria innocuasurface-inoculated onto chicken skin[J].Journal of Food Engineering, 2008, 87(2): 162-171.

[15] GONZALEZ M, SKANDAMIS P N, HANNINEN M L.A modified Weibull model for describing the survival ofCampylobacter jejuniin minced chicken meat[J].International Journal of Food Microbiology,2009, 136(1): 52-58.

[16] JUNEJA V K, MELENDRES M V, HUANG L, et al.Modeling the effect of temperature on growth ofSalmonellain chicken[J].Food Microbiology, 2007, 24(4): 328-335.

[17] ESCUDERO-GILETE M L, GONZALEZ-MIRET M L, TEMPRANO R M, et al.Application of a multivariate concentric method system for the location ofListeria monocytogenes in a poultry slaughterhouse[J].Food Control, 2007, 18(1): 69-75.

[18] SUTHERLAND J P, BAYLISS A J, BRAXTON D S.Predictive modelling of growth ofEscherichia coliO157:H7: the effects of temperature,pH and sodium chloride[J].International Journal of Food Microbiology,1995, 25(1): 29-49.

[19] 朱英莲, 李远钊, 张培正, 等.温度生长预测模型在大肠杆菌O157:H7控制中的应用[J].食品科学, 2007, 28(3): 183-187.

[20] GEORGE S M, RICHARDSON L C C, PECK M W.Predictive models of the effect of temperature, pH and acetic and lactic acids on the growth ofListeria monocytogenes[J].International Journal of Food Microbiology, 1996, 32(1/2): 73-90.

[21] BARANYI J, ROBINSON T P, KALOTI A, et al.Predicting growth ofBrochothrix thermosphactaat changing temperature[J].International Journal of Food Microbiology, 1995, 27(1): 61-75.

[22] BOVILL R, BEW J, COOK N, et al.Predictions of growth forListeria monocytogenesandSalmonelladuring fluctuating temperature[J].International Journal of Food Microbiology, 2000, 59(3): 157-165.

[23] GOSPAVIC R, KREYENSCHMIDT J, BRUCKNER S, et al.Mathematical modelling for predicting the growth ofPseudomonasspp.in poultry under variable temperature conditions[J].International Journal of Food Microbiology, 2008, 127(3): 290-297.

[24] BUCHANAN R L.Predictive food microbiology[J].Trends in Food Science and Technology, 1993, 4(1): 6-11.

[25] 李文茹, 谢小保, 施庆珊, 等.预测微生物学及其在食品科学中的应用[J].食品与发酵工业, 2009, 35(4): 136-140.

[26] MCMEEKIN T A, ROSS T, OLLEY J.Application of predictive microbiology to assure the quality and safety of fish and fish products[J].International Journal of Food Microbiology, 1992, 15(1/2): 13-32.

[27] MEMBR J M, LAMBERT R J W.Application of predictive modelling techniques in industry: from food design up to risk assessment[J].International Journal of Food Microbiology, 2008, 128(1): 10-15.

[28] MCDONALD K, SUN Dawen.Predictive food microbiology for the meat industry: a review[J].International Journal of Food Microbiology,1999, 52(1/2): 1-27.

[29] PANISELLO P J, QUANTICK P C.Application of food micromodel predictive software in the development of hazard analysis critical control point (HACCP) systems[J].Food Microbiology, 1998, 15(4): 425-439.

[30] MCMEEKIN T A, ROSS T.Predictive microbiology: providing a knowledge-based framework for change management[J].International Journal of Food Microbiology, 2002, 78(1/2): 133-153.

[31] 杨宪时, 许钟, 郭全友.食源性病原菌预报模型库及其在食品安全领域的应用[J].中国食品学报, 2006, 6(1): 372-376.

[32] OSCAR T P.A quantitative risk assessment model forSalmonellaand whole chickens[J].International Journal of Food Microbiology, 2004,93(2): 231-247.

[33] UNTERMANN F.Microbial hazards in food[J].Food Control, 1998, 9(2/3): 119-126.

[34] MATARAGAS M, SKANDAMIS P N, DROSINOS E H.Risk profiles of pork and poultry meat and risk ratings of various pathogen/product combinations[J].International Journal of Food Microbiology, 2008,126(1/2): 1-12.

[35] UYTTENDAELE M, BAERT K, GHAFIR Y, et al.Quantitative risk assessment ofCampylobacterspp.in poultry based meat preparations as one of the factors to support the development of risk-based microbiological criteria in Belgium[J].International Journal of Food Microbiology,2006, 111(2): 149-163.

[36] van der FELS-KLERX H J, TROMP S, RIJGERSBERG H, et al.Application of a transmission model to estimate performance objectives forSalmonellain the broiler supply chain[J].International Journal of Food Microbiology, 2008, 128(1): 22-27.

[37] MCMEEKIN T A, ROSS T.Shelf life prediction: status and future possibilities[J].International Journal of Food Microbiology, 1996, 33(1): 65-83.

[38] 肖琳琳, 张凤英, 杨宪时, 等.预报微生物学及其在食品货架期预测领域的研究进展[J].海洋渔业, 2005, 27(1): 68-73.

[39] PATSIAS A, BADEKA A V, SAVVAIDIS I N, et al.Combined effect of freeze chilling and MAP on quality parameters of raw chicken fillets[J].Food Microbiology, 2008, 25(4): 575-581.

[41] CHARLES N, WILLIAMS S K, RODRICK G.E.Effects of packaging systems on the natural microflora and acceptability of chicken breast meat[J].Poultry Science, 2006, 85(10):1798-1801.

[42] SUNDHEIM G, SLETTEN A, DAINTY R H.Identification ofPseudomonadsfrom fresh and chill-stored chicken carcasses[J].International Journal of Food Microbiology, 1998, 39(3): 185-194.

[43] ARNAUT-ROLLIER I, DE ZUTTER L, van HOOF J.Identities of thePseudomonasspp.in flora from chilled chicken[J].International Journal of Food Microbiology, 1999, 48(2): 87-96.

[44] DOMINGUEZ S A, SCHAFFNER D W.Development and validation of a mathematical model to describe the growth ofPseudomonasspp.in raw poultry stored under aerobic conditions[J].International Journal of Food Microbiology, 2007, 120(3): 287-295.

[45] WIJTZES T, VAN'T RIET K, HUIS IN'T VELD J H, et al.A decision support system for the prediction of microbial food safety and food quality[J].International Journal of Food Microbiology, 1998, 42(1/2):79-90.

[46] JUNEJA V K, MARKS H M.Predictive model for growth ofClostridium perfringensduring cooling of cooked cured chicken[J].Food Microbiology, 2002, 19(4): 313-327.

[47] BROWN M H.Quantitative microbiological risk assessment: principles applied to determining the comparative risk ofSalmonellosisfrom chicken products[J].International Biodeterioration and Biodegradation,2002, 50(3/4): 155-160.