水产品微生物预测与智能化评价研究进展

郭全友，朱彦祺,2

(1.中国水产科学研究院东海水产研究所，上海 200090；2.上海理工大学医疗与食品学院，上海 200093)



水产品微生物预测与智能化评价研究进展

郭全友1，朱彦祺1,2

(1.中国水产科学研究院东海水产研究所，上海 200090；2.上海理工大学医疗与食品学院，上海 200093)

定量综述水产品的安全性、保藏性和货架期，微生物安全预测及智能化评价技术应运而生。其中预测微生物学使用数学建模的方式来描述目标微生物在多个因子影响下的生长、残存和失活等活动规律。本文综述了预测微生物学及智能化评价的发展概况、研究方法、应用领域、存在问题及发展趋势。主要包括目标微生物的基本特征库、数学模型库、专家系统、水产品智能化评价的原理、类型、应用及发展前景，以期为数字化描述水产品目标微生物活动规律，智能化评估水产品的品质和安全风险等提供支持。

预测微生物学；智能化评价；目标微生物；质量安全预测

食品质量和安全与人们的生活息息相关，随着消费者对食品的安全性、保藏性和货架期等要求的不断提高，食品的生产、批发、贮藏和零售方式发生着变化，而为了满足人们对食品质量和安全性的要求，有效保证食品的品质、安全和新鲜度的智能化评价系统应运而生。该评价体系通过监测包装食品的环境条件，提供在运输和贮藏期间的食品品质和安全信息，以保证食品品质，减少损失和消费者的投诉[1]。

食品安全智能化评价系统开发的理论基础是预测微生物学，即以食品中微生物作为研究对象，综合数学、统计学和计算机等交叉学科，通过数学模型反映微生物在内外因子作用下的活动规律，是食品处理过程保证质量安全设立的研究领域之一。预测微生物学通过数学模型，定量预测食品中有害微生物在特定条件下的动态变化，因而是一种预防食源性病原菌对食品的食用安全性造成损害的有效预警工具，也是防止腐败菌造成食品品质下降的有效手段[2]。相较于耗时、繁琐的传统微生物计数评价方式，智能化评价方式有快速、准确的优势，能够更好地优化水产品的保鲜方法。本文对水产品质量安全微生物预测与智能化评价的发展概况、研究方法、应用领域、存在问题及发展趋势等进行概述，以期为数字化描述水产品有害微生物活动规律、智能化评估产品质量和风险概率等提供支持。

1 预测微生物学和智能化评价概况及其在水产品的应用

20世纪80年代，美国、澳大利亚和欧盟各国开始对食品预测微生物学进行研究[3]，主要集中在致病菌模型的开发，得到各国政府的资助。随着分子技术、信息技术、分析技术等学科的快速发展，世界各国投入大量人力和财力对致病菌进行，例如20世纪90年代英国投资900万英镑，花费了6年时间建立了蜡样芽孢杆菌、单核增生李斯特菌等细菌的生长、残存和失活模型[4]。2007年英国MAFF和美国农业部东部研究中心联合构建了Comebase数据库，利用食源性病原菌在NaCl、pH、亚硝酸盐浓度等条件下的生长/残存/失活模型，预测一定生态学条件下微生物的动态变化，为快速评估产品的安全性提供了一种新方法。然而，该研究成果是基于液态微生物培养基，设定生态学因子下的微生物行为进行外推实验数据基础上获得的，由于没有考虑食品组织的不同和微生物之间的相互作用，往往产生较高误差。目前在食品数据库中这样的研究数据的系统记录是必需的，允许用户快速找到所需的信息(例如，根据食品的产品或生产条件和分布进行检索)。用户将有能力比较不同的食物或不同条件下食品的制造和分销情况,有研究者开发LabBase微生物数据库，通过创新的应用软件支持，应用于科学研究和工业生产[5-6]。近年来，有学者开始对水产品中微生物的模型进行研究，Mejlholm 等构建了单核增生李斯特菌等有害微生物生长/非生长模型，用于预测冷熏鱼等有害微生物的生长、残存和失活状况，对潜在危害做出有效预测和评估，评估水产品食用安全性和货架期[7-8]。

水产品腐败主要由于细菌快速增殖会产生胺、硫化物、醛、酮、酯和有机酸等代谢物，使产品感官不能令人接受[9]。水产品会受到多种微生物污染，但只有部分适合生存的细菌得以快速地增殖。参与腐败过程并产生异臭味产物的微生物称为特定腐败菌(specific spoilage organism，SSO)，特定腐败菌在水产品贮藏中比其他微生物生长快活性强[10-11]。上世纪90年代中期Dalgaard等提出特定腐败菌概念，推动了鱼类保鲜研究的进程。水产食品中病原菌引起的食物中毒事件明显增多，导致了公众对整个食品供应安全性的重视，引发了美国、英国、澳大利亚、丹麦等国对食品中SSO和特定潜在病原菌(Specific Potential Pathogen, SPP)研究热潮，并已渗透到包括水产食品的所有食品加工领域。目前鱼类的保鲜成为水产保鲜领域关注的热点，水产食品中微生物种类和数量受捕获、加工、流通等环节影响。Gram等学者对冷藏鱼类的腐败菌生长进行研究，通过构建品质预测模型对鱼类货架期进行预测；Huss等对冰鲜及冷熏鱼不同贮藏条件的鲜度及菌群变化进行研究，得出不同产品在不同贮藏条件下特定腐败菌的生长情况亦存有较大差异[12-13]。丹麦渔业技术研究所开发的海产食品腐败与安全预报软件(Seafood Spoilage & Safety Predictor, SSSP)，对冷、温水域海水鱼鲜度和货架期进行预测和评价[14]。

从水产食品中分离确定导致其腐败和可能引发食源性疾病的微生物，需要从感官、理化和微生物学进行研究。首先，要检测原料、加工、贮藏等过程中感官、微生物学以及化学的变化，包括确定同腐败和引发疾病相联系的给定水平。其次，要分离并鉴定出细菌。最后，评估它们在相应生态学环境下生长、残存和失活情况[15-16]。水产品微生物预测模型的应用，由于受微生物检测的滞后性影响，造成在实际应用中无法快速预测的问题。因此，鉴别并定量分析对于水产品腐败影响最大的挥发性和非挥发性代谢产物，构建其与质量安全相关数学模型，开发新鲜度和病原菌指标等智能化评价系统，可解决上述问题。例如氧化和非氧化的生物腐败而形成的恶臭成分，如鱼肉中蛋白质降解所产生的恶臭胺类含有大量的碱性组分、由脂质或无氧糖酵解产生的乙醛和酮类，这些气味的出现可能是产品中的化学物质和微生物超过最大限度的信号，据此可评价产品的鲜度。在美国、日本和澳大利亚智能化安全评价技术已应用于延长食品货架期、控制食品质量与安全中，提供供应链各阶段的食品品质安全，引导产品的流向，减少产品损耗，为消费者提供实时的产品特性、质量和食用信息。

2 预测微生物学研究内容和方法

2.1 水产品微生物数据库的构建

数据包括不同类型的目标微生物(腐败菌和致病菌)、好/厌氧性、有无芽孢、能源利用、生理学范围(如pH、温度和Aw的生长/非生长界限和最适值)等组成。先要确定水产品中目标微生物，主要包括SSO(如腐败希瓦氏菌、产气肠杆菌、乳酸菌等)和致病菌(感染型和毒素型)等，例如沙门氏菌、肠炎杆菌和副溶血性弧菌等。其次，要确定水产品所处的环境，包括确定食品安全的各方面，如生理作用、化学作用、物理作用、微生物活动等，通过改变环境条件，可以防止食品品质降低，提高安全性，进而研究目标微生物与其环境因子进行的相关性，如在不同pH、温度、Aw和时间等因子调控下的生长、失活和残存状况。

2.2 水产品微生物动力学模型的类型

20世纪早期，人们用动力学模型描述食品热加工过程中食源性致病菌的失活情况，随着计算机技术的迅猛发展，衍生出了预测微生物学，即通过数学模型来描述和预测设定环境(包括可变条件)下生物增殖和衰减状况[17]。食品微生物预测模型包括“动力学模型”和“概率模型”，分为基础模型、二级模型和三级模型[18-19]。基础模型能量化微生物生长量(或等同物)随时间变化，即微生物的响应。而表示微生物的响应参数分为直接响应和间接响应两种，直接响应表示为每毫升菌落形成单位数、毒素的产生或底物浓度以及代谢产物；间接参数包括吸光率、电阻抗等。模型类别有经验模型(如Logistic、Gompertz模型)和机理模型(如Baranyi 模型)，前者是简单的饱和增长模型，呈现S形特征，后者是基于生化反应速率的差分方程[20-21]。二级模型用来描述温度、pH、Aw等调控因素变化时的反应，包括Belehardek模型、Arrhenius模型、响应面模型和主参数模型等。三级模型是在结合前两种模型的基础上，开发出的计算机专家系统，使非专业的人士也可以获取预测微生物学的相关指导信息。目前有UGPM(统一生长预测模型)软件应用Baranyi和罗伯茨(1994)基本模型，耦合二级温度模型，模拟一个特定的食物或食物分类存储在一个给定的环境中的微生物生长情况[22]。

2.3 水产品微生物预测专家系统构建

近年来，美国、英国和丹麦等国陆续开发出了三级模型，如PMP(Pathogen Modeling Program)、FM(Food Micromodel)、SSSP(Seafood Spoilage &Safety Predictor)、ComBase等专家系统。例如，2003年，英美将PMP、FM和Growth Predictor整合为ComBase系统[23]，目前包括约40 489个微生物生长和存活信息，是世界上最大的预测微生物学信息数据库，提供了Growth Predictor (version 1.0)免费软件系统，可对常见食源性病原菌在不同条件下生长情况进行预测。目前，我国开发的水产品预测微生物学专家系统仍然较少，2013年中国水产科学研究院东海水产研究所开发了“海水鱼类腐败与鲜度预测专家系统”和“淡水鱼类腐败与鲜度预测专家系统”，能对大黄鱼、大菱鲆、罗非鱼和鲤鱼鲜品在恒温和变温条件下剩余货架期进行预测，但针对加工水产品的品质和安全预测的专家系统仍未见报道，目前已有相关的方法来评价软件的适用性[24]。

2.4 智能化评价系统

2.4.1 时间温度指示器(TTI)

时间温度指示器是一种简单便宜的智能化评价系统，易于测量时间与温度相关的变化，这种变化能够反映出产品的全部或部分温度历史。时间温度指示器检测的可以是机械、化学、电化学、酶学或微生物学方面的变化[25]，通常以机械变形或颜色变化的形式表现出可目测性。该变化速度与温度有关，且随温度的升高而增大。目前TTI分为三种，即临界温度指示器(CTI)、临界温度-时间指示器(CTTI)和时间温度积分指示器(TTI)。

TTI的共性特点为能够呈现出连续的变化，其变化速率随温度升高而增高，而当温度降低时不会逆转。时间温度指示器可以模拟食品腐败程度和剩余货架期，具有可靠性高、重复性好等优点，当处于同一温度条件时能够显示出一致的反应，同时价格低，能够以简洁清晰的形式向经销商、监察员或顾客传递所携带的信息。目前已有一些关于温度转化标签的研究，可以通过标签指示的转变提示产品的鲜度[26-27]。

TTI主要应用于流通过程中货架期的监控，随着检测和控制流通的要求提高，TTI与食品货架期定量预测模型的协同发展，将会促进智能化货架期监控系统等冷链优化工具的成功运用。水产品质量动力学模型和预测微生物学领域的研究进展表明，TTI的理念将会为更多的食品品质保证发挥作用，国内外已经开发了针对肉制品和水产品的品质动力学模型，并加以应用[28]。有研究者通过对即食食品中的单增生李斯特菌的案例研究证明其可以提高食品的安全性[29]。我们发现，微生物的TTI可以将生产菌生长的最大消耗时间告知消费者，当超过此限制则可以立即调整保藏措施。同时针对产品单元可使用用户友好软件构建起专家系统，以此来预测加工参数和产品设计对食品品质的影响。根据加工工艺和原料参数，该系统可提供产品最初的质量分布数据。这些数据正是货架期判断系统对于冷链控制点进行计算所需要的，据此实现基于TTI的产品品质管理。

2.4.2 新鲜度指示器

研发新鲜度指示器，首先要了解用于指示品质的代谢产物，指示新鲜度的代谢化合物和潜在目标分子的化合物，主要有如下类型：葡萄糖、有机酸、乙醇、挥发性含氮化合物、生物胺、二氧化碳、ATP降解产物和含硫化合物等。新鲜度指示器多数是基于腐败过程中的微生物代谢产物引起指示标签变色的原理。包括pH值变化敏感型指示卡、对挥发性含氮化学物敏感的指示器、硫化氢敏感型指示器、对各种微生物代谢产物敏感的指示器等。

2.4.3 病原菌指示器

除了标识食品腐败的指示器外，还有一些检测食品中SPP的体系。由Toxin Alert TM公司生产的Toxin Guard体系是一种用于合成聚乙烯包装材料的成分，可通过固定的抗体来检测病原菌，例如沙门氏菌、弯曲杆菌、大肠杆菌和李斯特菌等。检测物(毒素、微生物)与特定标记的抗体结合，然后再与印制为特定形状的捕获体结合[30]。此外，基于免疫反应的食品警戒体系(Food Sentinel System, FSS)用于检测特定的微生物，如沙门氏菌、李斯特菌和大肠杆菌等，反应发生在条形码内，当遇到特定微生物时，条形码就变得模糊不清。

2.4.4 其他腐败检测法

未来的智能化检测如生物传感器和电子鼻，有可能发展成为微型化概念的新技术。生物传感器是一种分析装置，包括：生物部分，用于特定分析，抗体、细胞都可作为生物传感器的生物部分；物理部分，用于将生物信号转化为物理信号。信号可以用多种方法检测，例如测量电流、电位或热量的方法。目前已经开发出了一些测定生物胺的酶类生物传感器。电子鼻是一系列传感器(如金属氧化物和多聚物)构成的分析工具，这些传感器以它们的电子特性的改变对挥发性化合物做出反应，所有传感器的变化组合即形成了样品的酶解图谱。电子鼻不能分离或区分单独的化合物，但是，根据挥发性化合物的酶解图谱和由参考方法获得的结果(如感官评价或微生物分析)，可以将样品划分为可接受和不可接受。根据现有的传感器响应与品质之间相关性数据，对于系统作适当的调整后，就可以对未知品质的样品进行分析。

3 结 语

目前水产品的预测微生物学及其智能化评价主要可用于生产、加工、运输的过程中，相较于传统的保鲜评价技术，智能化评价更加方便、快捷、准确，可以优化生产保鲜的过程，提升产品的品质；智能化评价系统可监测食品质量，跟踪食品供应链中的关键点。目前商业化的智能化监控系统主要通过检测时间-温度变化和检测某种化学成分(泄露指示卡和新鲜度指示卡)可目测信息，来对水产品的新鲜度进行判断。由于消费者倾向于选用最少加工和天然保藏的食品，建立直观、便捷的水产品质量安全智能化评价系统可以提供高效的技术支撑，为水产品的新鲜度和安全性提供保障，为消费者提供更多的产品信息；随着全球化导致食品供应链的延伸，满足人们对安全可追溯性的更高要求；同时加强并统一机构对食品供应链中的制造商和零售商的监控能力。

未来发展要求智能化评价系统使用方便、成本低、适于包装作业，不影响装卸。食品供应链的管理极有可能采用无线信息系统传递各个阶段的食品品质和履历，减少产品损耗，为消费者提供实时的产品特性、质量和适用信息。未来智能化系统可能会包含有产品特性的丰富信息，能够提供产品来源和成分方面的信息，如包含产品的营养信息和可能的过敏原等，而且还可能包括包装材料可能造成的环境问题等。

[1] GARCIA M R, VILAS C, HERRERA J R,etal. Quality and shelf-life prediction for retail fresh hake (Merlucciusmerluccius)[J]. International Journal of Food Microbiology, 2015, 208: 65-74.

[2] DABADE D S, DEN BESTEN H M W, AZOKPOTA P ,etal. Spoilage evaluation, shelf-life prediction, and potential spoilage organisms of tropical brackish water shrimp (Penaeusnotialis) at different storage temperatures [J]. Food Microbiology, 2015, 48: 8-16.

[3] 郭全友, 王锡昌, 姜朝军, 等. 养殖尼罗罗非鱼鲜度特征及动力学模型构建[J]. 食品科学,2013(4):245-249.

[4] MIIA L, MARI N. Thermal inactivation of non-proteolyticClostridiumbotulinumtype E spores in model fish media and vacuum packaged hot smoked fish products[J]. Applied and Environment Microbiology, 2003, 69(7): 4029-4036.

[5] PSOMAS A N, NYCHAS G J, HAROUTOUNIAN S A,etal. LabBase: Development and validation of an innovative food microbial growth responses database [J]. Computers and Electronics in Agriculture, 2012, 85: 99-108.

[6] 应华永, 林雪峰, 徐瑞龙, 等.微生物数据库标准化在细菌耐药监测网中的应用 [J].中华临床感染病杂志, 2013, 6(1): 49-51.

[7] MEJLHOLM O, DALGAARD P. Modeling and predicting the growth boundary ofListeriamonocytogenesin lightly preserved seafood [J]. Journal of Food Protection, 2007, 70(1): 70-84.

[8] MEJLHOLM O, BOKN☞S N, DALGAARD P. Development and validation of a stochastic model for potential growth ofListeriamonocytogenesin naturally contaminated lightly preserved seafood [J]. Food Microbiology, 2015, 45: 276-289.

[9] HOZBOR M C, SAIZ A I, YEANNES M I,etal. Microbiological changes and its correlation with quality indices during aerobic iced storage of sea salmon (Pseudopercissemifasciata) [J]. Food Science and Technology, 2006, 39: 99-104.

[10] DALGAARD P, BUCH P, SIBERG S. Seafood spoilage predictor: development and distribution of a product specific application software[J]. International Journal of Food Microbiology, 2002, 73:343-349.

[11] MAN C M D, JONES A A. Shelf life Evaluation of Foods[M]. Gaithersburg Maryland USA: Aspen Publishers Inc, 2000, 110-139.

[12] DALGAARD P. Qualitative and quantitative characterization of spoilage bacteria from packed fish[J].Food Microbiology, 1995, 26: 319-333.

[13] 杨宪时, 许钟, 肖琳琳. 水产食品特定腐败菌与货架期的预测和延长[J].水产学报, 2004, 28(1): 106-111.

[14] DALGAARD P. Seafood spoilage and safety predictor (SSSP) ver. 2.0 [EB/OL].(2015-09-20). http://www.dfu.min.dk/micro/sssp, 2005, 3.

[15] WANG S D, LIU X H, YANG M. Review of time tem-perature indicators as quality monitors in food packaging [J]. Packaging Technology and Science, 2015, 28(10): 839-867.

[16] ROSALBA L, MILENA S, FAUSTO G,etal. Growth/no growth interfaces ofBacilluscereus,StaphylococcusaureusandSalmonellaenteritidisin model system based on water activity, pH, temperature and ethanol concentration [J].Food Microbiology, 2001, 18: 659-668.

[17] POWELL S M, RATKOWSKY D A, TAMPLIN M L, Predictive model for the growth of spoilage bacteria on modified atmosphere packaged Atlantic salmon produced in Australia[J]. Food Microbiology, 2015, 47: 111-115.

[18] KRISHNAN K, RADHA B S, BABU P,etal. Evaluation and predictive modeling the effects of spice extracts on raw chicken meat stored at different temperatures [J]. Journal of Food Engineering, 2015, 166: 29-37.

[19] ROBIN C M, LU X W. Modeling microbial responses in food [M].CRC press, 2004.

[20] WHITING R C, BAGI L K. Modeling the lag phase of listeria monocytogenes [J]. International Journal of Food Microbiology ,2002,73(2): 291-295.

[21] BUCHANAN R L, WHITING R C, DAMERT W C. When is simple good enough: a comparison of the Gompertz, Baranyi, and three-phase linear models for bacterial growth curves [J].Food Microbiology, 1997,14: 313-326.

[22] KOSEKI S. ComBase: The International database for predic-tive microbiology [J]. Journal of the Food Hygienic Society of Japan, 2006, 47(4): J247-J250.

[23] KOSEKI S. Microbial Responses Viewer (MRV): A new ComBase-derived database of microbial responses to food environments [J]. International Journal of Food Microbiology, 2009, 134(2): 75-82.

[24] CIASCHINI V, CANAPARO M. RONCHIERI E. Evaluating predictive models of software quality [M]. 20th International Conference on Computing in High Energy and Nuclear Physics (Chep2013), 2013.

[25] WU D, WANG Y J. CHEN J C. Preliminary study on time-temperature indicator (TTI) system based on urease [J].Food Control, 2013, 34(1): 230-234.

[26] GIANNOGLOU M, TOULI A, PLATAKOU E. Predictive modeling and selection of TTI smart labels for monitoring the quality and shelf-life of frozen seafood [J], Innovative Food Science & Emerging Technologies, 2014, 26: 294-301.

[27] ZABALA S, CASTAN J, MARTINEZ C. Development of a time-temperature indicator (TTI) label by rotary printing technologies [J], Food Control, 2015, 50:57-64.

[28] 郭全友, 许钟, 杨宪时. 冷藏养殖大黄鱼品质变化特征和货架期预测研究[J].食品科学, 2006, 27(4): 237-240.

[29] KOUTSOUMANIS K P, GOUGOULI M. Use of Time Tem-perature Integrators in food safety management [J], Trends in food science and technology, 2015, 43(2): 236-244.

[30] BODENHAMER W T. Method and apparatus for selective biological material detection[P].US patent, 2000. 6051388.

Intelligent evaluation and safety prediction of microbiology of fishery products

GUO Quan-you1，ZHU Yan-qi1,2

(1.EastChinaSeaFisheriesResearchInstitute,Shanghai200090,China; 2.SchoolofMedicalInstrumentandFoodEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China)

In order to quantatively describe the safety, preservation and shelf life of fishery products, the safety prediction and intelligent evaluation were developed. Among the system, predictive microbiology is described by mathematical models，showing the changes of growth, survival and inactivity of targeted microorganism under multifactor conditions. This article summarized the history, research methods, application field, existing problems and development trends in the safety prediction and intelligent evaluation of fishery products，mainly including: basic characteristics, mathematical models and expert systems, the principle, type, application and development prospect of intelligent evaluation system were also summarized. So that it can provide the supports for digitally descripting activity rules of targeted microorganism and intelligently evaluating the quality and safety risk of fishery products.

predictive microbiology; intelligent evaluation; targeted microorganisms；quality and safety prediction

2095-3666(2016)01-0032-06

10.13233/j.cnki.fishis.2016.01.006

2015-09-22

2015-01-05

国家自然科学基金(31371867)；中央级公益性科研院所基本科研业务费专项资金(2011M04，2014G02)

郭全友(1974-)，男，副研究员，博士，研究方向：水产品加工与安全保障。E-mail: dhsguoqy@163.com

S 983

A