摘要：建立了热鲜猪肉中沙门氏菌在消费者习惯放置温度下的生长模型, 通过对沙门氏菌的生长预测, 为安全消费热鲜猪肉提供预警技术。对无菌热鲜猪肉片表面进行沙门氏菌人工接种后, 置于7 ℃, 12 ℃, 15 ℃, 18 ℃, 22 ℃, 25 ℃, 28 ℃和30 ℃温度下储存, 根据不同的温度设置不同的时间间隔进行沙门氏菌计数, 并绘制生长曲线。采用修正的Gompertz方程和Baranyi & Roberts方程对生长曲线进行一级模型拟合, 以平方根方程为基础建立二级模型。通过对预测模型的可靠性比较分析, 得出通过修正的Gompertz方程建立起来的预测模型偏差因子 (Bf) 为0.916 3, 准确因子 (Af) 为1.092 7, 均方根误差 (RMSE) 为0.017 9, 通过Baranyi & Roberts方程建立起来的预测模型偏差因子 (Bf) 为0.990 2, 准确因子 (Af) 为1.038 3, 均方根误差 (RMSE) 为0.010 1。因此得出, 在7 ℃~30 ℃的习惯放置范围内, Baranyi & Roberts方程能更好地拟合热鲜猪肉中沙门氏菌的生长曲线, 基于该方程所建立的预测模型能更好地进行该环境下沙门氏菌的生长预测。
关键词：热鲜猪肉; 沙门氏菌; 常温; 生长预测
沙门氏菌是世界上对食品安全威胁最大的病原微生物之一[1]，其污染源非常广泛，在多种食物介质中均有不同程度的检出率。引起沙门氏菌中毒的主要原因是大量摄入受污染的食物，主要特征是腹泻、发热、腹痛或痉挛、呕吐、头痛和恶心，死亡病例多见于易感染人群，包括婴儿、老人和免疫系统缺损者[2]。据CDC报道，美国每年平均有上百万人感染沙门氏菌，住院19 000例，死亡380例[3]。据Hughes等的调查报告称，在英国每年的肠炎患者中有近半数是因感染沙门氏菌引发的[4]。在欧洲，虽然近些年由沙门氏菌引发的中毒事件呈持续下降趋势，但仍是欧洲食源性疾病的第二大主因[5]。在我国，沙门氏菌长期以来都是食源性细菌中毒的主要原因之一，而畜禽肉类制品是沙门氏菌污染的首要致病食品，70%～80%的沙门氏菌感染事件都与动物源性食品相关[6-8]。根据陈玲等[9]对我国南方食品中沙门氏菌污染进行了调查，结果显示，肉与肉制品中沙门氏菌污染最严重，阳性率达58.1%，其中污染水平最高的一份肉样中沙门氏菌含量达到110 MPN/g。根据国家每年对全国畜产品质量安全状况进行的普查结果显示，我国市场生猪肉的沙门氏菌检出率有的竟高达38.3%[10]。
我国是世界生猪生产和消费大国，居民尤其对热鲜猪肉情有独钟，热鲜猪肉消费占所有猪肉制品消费的60%以上。热鲜猪肉是生猪屠宰后，未经过任何冷却冷冻处理，直接到市场上进行销售的猪肉。这类肉自身的温度、丰富的营养和较高的水分活度，为各类微生物的生长繁殖提供了适宜条件，再加上养殖、屠宰等上游各环节的污染，以及消费者对热鲜猪肉存放的随意性，使得受沙门氏菌污染的猪肉很容易在我国居民厨房内定植生长，给消费者健康和食品安全造成巨大的威胁。
近年来，国内外逐渐将食品预测微生物学引入食品安全领域，而在预测微生物学中常用到的一级模型包括了Liner模型、Logistic模型、Gompertz模型和Baranyi & Roberts模型。试验通过两种最常用的两种模型（Gompertz模型和Baranyi & Roberts模型）对所得生长数据进行模拟，以平方根模型为基础建立二级模型，通过验证比较，选择二者中更适合的模型对各温度下热线猪肉中沙门氏菌的生长进行预测，建立生长预测模型，为政府进行食品安全管理，指导居民安全消费热鲜猪肉提供理论支持。
1.1 材料
1.1.1 菌株
试验所用菌株来自中国药品生物制品鉴定所的乙型副伤寒沙门菌（Salmonella paratyphi B）标准菌株，菌株标准号为CMCC（B）50094。
1.1.2 试验样品
市售的热鲜猪背最长肌。
1.1.3 培养基
HE琼脂：购自北京陆桥技术有限责任公司。
1.1.4 仪器和设备
SPX-250BSH-Ⅱ生化培养箱：上海新苗医疗器械制造有限公司；拍击式均质器：法国Interscienc；超净工作台：苏州安泰空气技术有限公司；LMQ.C灭菌器：山东新华医疗器械股份有限公司；比浊仪：法国生物梅里埃公司；滤纸：英国Whatman。
1.2 方法
1.2.1 无菌热鲜猪肉片制备、供试菌液制备及人工接种方法
参考文献：[11]进行。
1.2.2 沙门氏菌生长曲线的绘制
将接种好的猪肉片置于均质袋中，分别于7 ℃，12 ℃，15 ℃，18 ℃，22 ℃，25 ℃，28 ℃和30 ℃温度下贮存，根据不同的温度设置不同的取样间隔时间，进行沙门氏菌平板计数，并分别绘制生长曲线。1.2.3 初级生长模型
1.2.3.1 修正的Gompertz函数[12]
函数表达式：
式中：t——时间，h；Nt——t时间对应的微生物数量，log CFU/g；Nmax——微生物生长最大量，log CFU/ g；N0——初始微生物量，log CFU/g；μmax——细菌的最大比生长速率，h-1；Lag——细菌生长延滞时间，h。
试验数据采用Origin 8.0软件分析统计。
1.2.3.2 Baranyi & Roberts函数[13]
函数表达式：
式中：Nt——t时微生物数量，log CFU/g；N0——微生物初始数量，log CFU/g；Nmin——最小微生物数量，log CFU/g；kmax——最大相对死亡率；t——时间，h；r，s——参数；采用DMFit软件进行分析统计。
1.2.4 二级模型的建立
采用平方根方程，描述初级模型中沙门氏菌最大比生长速率与存放温度之间的线性关系[14]，方程式如式（4）所示。
式中：μmax——细菌的最大比生长速率，h-1；T——存放温度，℃；Tmin——取一温度值，对方程外推，当μmax=0时的温度，℃；a——斜率。
1.2.5 模型的验证
对模型进行可靠性分析是模型建立过程中必不可少的一步，试验采用偏差因子（Bias factor，Bf）、准确因子（Accuracy factor，Af）和均方根误差（RMSE）来评价已经建立的沙门氏菌生长动力学预测模型的可靠性[15]。如式（5）～（7）所示。
式中：U实测——由各温度下沙门氏菌生长曲线对数期的斜率确定的；U预测——应用沙门氏菌在鲜猪肉上生长动力学模型，即通过平方根模型预测得到的生长速率；n——试验次数。
2.1 一级模型的建立
2.1.1 修正的Gompertz模型
将不同温度下测定的沙门氏菌的生长状况用修正的Gompertz模型进行拟合，所得的拟合曲线如图1所示，得出的拟合方程相关参数如表1所示。
图1 修正的Gompertz方程拟合各温度下沙门氏菌在生猪肉中的生长情况
表1 修正的Gompertz函数拟合方程相关参数
2.1.2 Baranyi & Roberts模型
通过DMFit软件拟合沙门氏菌在鲜猪肉中生长曲线，拟合曲线见图2，得出的拟合方程相关参数如表2所示。
2.2 二级模型的建立
2.2.1 以修正的Gompertz函数为基础建立的二级模型由图3可以看出，
图2 通过DMFit软件拟合各温度下沙门氏菌在鲜猪肉上的生长曲线
表2 Baranyi & Roberts函数拟合方程相关参数
温度/℃相关系数r 73.3374.3460.004 90.996 122.9747.5520.045 00.973 153.0197.5500.075 80.987 183.2106.3920.130 10.989 223.1577.5090.219 00.993 252.9978.0640.277 00.984 283.0987.9100.345 00.989 303.3897.8580.414 00.989初始菌数N0/ log CFU·g-1最大菌数Nmax/ log CFU·g-1最大比生长速率μmax/h-1
图3 温度与最大比生长速率的关系
2.2.2 以Baranyi & Roberts函数为基础建立的二级模型
由图4可以看出，
图4 温度与最大比生长速率的关系
2.3 模型可靠性分析
通过偏差因子Af、准确因子Bf和均方根误差RSME对两种模型分别进行验证，结果见表3。
表3 两种模型的验证结果
试验通过两种常用的一级模型（Gompertz模型和Baranyi & Roberts模型）对热鲜猪肉中沙门氏菌的生长情况进行拟合，通过建立的二级平方根模型拟合结果可以看出，两种方程都能较好地描述常温下热鲜猪肉中沙门氏菌的生长情况，且两种方程得出的理论最低生长温度分别为3.66 ℃和3.68 ℃，相差不大。但是，在对两种方程所建立起来的模型进行可靠性分析后，发现通过Baranyi & Roberts方程所建立的生长预测模型的偏差因子、准确因子和均方根误差均比由Gompertz方程所建立起来的生长预测模型更加接近理想值。因此在日常实际中，推荐使用基于Baranyi & Roberts方程建立生鲜猪肉中沙门氏菌的生长预测模型。
在日常生鲜猪肉消费过程中，影响猪肉中微生物生长和死亡的因素主要是生鲜猪肉的贮存温度和烹饪温度。试验主要针对热鲜猪肉消费习惯进行沙门氏菌的生长预测，根据现有研究资料显示，在冰箱冷藏温度（4 ℃左右）保存下，猪肉片上的沙门氏菌生长并不明显[11,16]。在夏季高温季节，消费者一般选择在早上购买热鲜猪肉，回家后冷藏于冰箱中。但是，在气温不高的季节，消费者一般都会放松警惕，将购回的新鲜猪肉直接放于室温直至烹饪。因此，试验综合考虑各种因素，选取了可能影响消费者安全消费的温度变化范围7 ℃～30 ℃，在此温度段建立的沙门氏菌生长预测模型对热鲜猪肉的安全消费有实际的指导意义。
近年来，预测微生物学在食品微生物安全风险评估工作中所起的作用越来越大，是食品安全管理的重要工具，通过建立数学模型来预测各种食品中微生物在不同条件下的生长和衰亡情况[17]。目前，已对多种食品中沙门氏菌的建立生长预测模型，如鸡肉[12,18]、蛋[19]、牛肉[20]、猪肉[16,21]等食品。有很多相关研究利用的试验材料都是肉糜[22]和肉汁[23]，而我国居民消费习惯通常是购买整块热鲜猪肉后自行加工，因此，为了更接近实际消费情况，试验采用新鲜猪肉片进行试验。通过验证，采用试验方法获取的内部新鲜猪肉片可以达到无菌效果，排除了猪肉表面微生物对试验的干扰。虽然在现实生活中，猪肉表面不可能只有沙门氏菌一种微生物，但根据已有研究表明，自然微生物菌群可一定程度抑制沙门氏菌的生长[12,16,21]，因此通过试验建立起来的模型在实际应用中更加安全。也有研究者选择将几种不同血清的沙门氏菌混合后进行建立生长预测模型[24]，但根据已有研究表明[25]，沙门氏菌几种常见血清型的生长动力学表现是相似的。
两种目前应用最为普遍的初级模型——Gompertz模型和Baranyi & Roberts模型，具有各自的优缺点，修正的Gompertz模型在试验中能够更好地描述沙门氏菌在不同条件下的生长情况，这与其他相关研究报道相符[12,18,20]，但其计算生长对数期和延迟期却存在一定的局限性。Baranyi & Roberts模型因其准确性和使用的简便性，在近年的微生物预测模型研究中也被经常使用[26-27]，但其描述衰减期的功能却相对较弱。试验对该两种模型进行了比较研究，并通过相关系数（r）、准确因子（Af）、偏差因子（Bf）和均方根误差（RSME）等指标对两种方法建立的模型进行验证。分析比较结果表明，基于Baranyi & Roberts模型建立起来的二级模型的相关系数r为0.997，Af为1.038 3，Bf为0.990 2，RSME为0.010 1，均优于基于修正的Gompertz模型建立起来的模型（r为0.996，Af为1.092 8，Bf为0.916 4，RSME为0.017 9）。说明Baranyi & Roberts模型中的参数更具有生理意义，更适合描述动态环境下温度变化与猪肉中沙门氏菌生长情况的关系，这与相关文献的报道是一致的[17,28-29]。
试验通过Baranyi & Roberts模型建立了7 ℃～30 ℃不同温度下热鲜猪肉中沙门氏菌生长的动力学模型，在描述温度对最大生长速率的影响时，从得出的二级平方根模型方程式中可以推导出沙门氏菌在热鲜猪肉中生长的最低温度，为3.68 ℃，这与许多研究得出的结果相近[16,22-23]。通过对建立的二级平方根模型进行验证分析，表明该方程能很好地描述7 ℃～30 ℃温度范围内沙门氏菌在热鲜猪肉中的生长情况，这为指导规范我国热鲜猪肉市场销售模式，保障居民对热鲜猪肉的正确安全消费提供了可靠的预警数据支持。
参考文献：
[1] GREIG JD, RAVEL A. Analysis of foodborne outbreak data reported internationally for source attribution[J]. International Journal of Food Microbiology, 2009(130): 77-87.
[2] Health Organization/Food and Agriculture Organization. Risk assessments of Salmonella in eggs and broiler chickens[J]. World Health Organisation, Food and Agriculture Organization of the United Nations, 2002.
[3] http://www.cdc.gov/salmonella/index.html[EB/OL].
[4] HUGHES C, GILLESPIE IA, O’ BRIEN SJ, et al. Foodborne transmission of infectious intestinal disease in England and Wales, 1992-2003[J]. Food Control, 2007(18): 766-772.
[5] EFSA (European Food Safety Authority), ECDC (European Centre for Disease Prevention and Control). The European Union summary report on trends and sources of zoonoses, Zoonotic Agents and Food-borne Outbreaks in 2012[R]. EFSA Journal, 2014, 12(2): 3547.
[6] 陈艳, 郭云昌, 王竹天, 等. 2006年中国食源性疾病暴发的监测资料分析[J]. 卫生研究, 2010, 39(3): 331-334.
[7] 毛雪丹. 2003—2008年我国细菌性食源性疾病流行病学特
征及疾病负担研究[D]. 北京: 中国疾病预防控制中心, 2010. [8] VO AT, VAN DUIJKEREN E, FLUIT AC, et al. Distribution of Salmonella enterica serovars from humans, livestock and meat in Vietnam and the dominance of Salmonella Typhimurium phage type 90[J]. Veterinary Microbiology, 2006(113): 153-158.
[9] 陈玲, 张菊梅, 杨小鹃, 等. 南方食品中沙门氏菌污染调查及分型[J]. 微生物学报, 2013, 53(12): 1326-1333.
[10] 王军. 猪肉产品中致病微生物的污染及风险评估研究[D]. 杨凌: 西北农林科技大学, 2007.
[11] 张莉, 曾艳兵, 尹德凤, 等. 鲜猪肉冷藏过程中沙门氏菌的生存模型[J]. 肉类研究, 2014, 28(10): 20-23.
[12] OSCAR TP. Predictive models for growth of Salmonella typhimurium DT104 from low and high initial density on ground chicken with a natural microflora[J]. Food Microbiology, 2007(24): 640-651.
[13] BARANYI J, TAMPLIN ML. ComBase: A common database on microbial responses to food environments[J]. Journal of Food Protection, 2004, 67(9): 1967-1971.
[14] 李柏林, 郭剑飞, 欧杰. 预测微生物学数学建模的方法构建[J]. 食品科学, 2004, 25(11): 52-57.
[15] 王军, 董庆利, 丁甜. 预测微生物模型的评价方法[J]. 食品科学, 2011, 32(21): 268-272.
[16] MANN JE, SMITH L, BRASHEARS MM. Validation of time and temperature values as critical limits for Salmonella and background flora growth during production of fresh and boneless pork products[J]. Journal of Food Protection, 2004, 67(7): 1389-1393.
[17] 周康, 刘寿春, 李平兰, 等. 食品微生物生长预测模型研究新进展[J]. 微生物学通报, 2008, 35(4): 589-594.
[18] JUNEJA VK, MELENDRES MV, HUANG LH, et al. Modeling the effect of temperature on growth of Salmonella in chicken[J]. Food Microbiology, 2007(24): 328-335.
[19] PASQUALI F, KLEIN G, REICH F, et al. Modelling survival behaviour of Salmonella enterica ser Enteritidis, Typhimurium and Tennessee on table eggs during storage at different temperatures[J]. Food Control, 2015(59): 314-319.
[20] JUNEJA VK, MARTIN MELENDRES V, HUANG LH, et al. Mathematical modeling of growth of Salmonella in raw ground beef under isothermal conditions from 10 to 45 ℃[J]. International Journal of Food Microbiology, 2009, 131(2-3): 106-111.
[21] M?LLER COA, ILG Y, AABO S, et al. Effect of natural microbiota on growth of Salmonella spp in fresh pork-A predictive microbiology approach[J]. Food Microbiology, 2013(34): 284-295.
[22] VELUGOTI PR, BOHRA LK, JUNEJA VK, et al. Dynamic model for predicting growth of Salmonella spp in ground sterile pork[J]. Food Microbiology, 2011(28): 796-803.
[23] 高丽娟, 翁绍苏, 刘清珺, 等. 鲜猪肉中沙门氏菌生长预测模型的建立[J]. 食品研究与开发, 2011, 32(12): 143-146. [24] 郑婷, 董鹏程, 王仁欢, 等. 冷却牛肉中沙门氏菌生长预测模型的建立和验证[J]. 食品与发酵工业, 2015, 41(7): 38-44.
[25] OSCAR TP. Growth kinetics of Salmonella isolates in a laboratory medium as affected by isolate and holding temperature[J]. Journal of Food Protection, 1998, 61(8): 964-968.
[26] ELIAS SO, ALVARENGA VO, LONGHI DA, et al. Modeling growth kinetic parameters of Salmonella Enteritidis SE86 on homemade mayonnaise under isothermal and nonisothermal conditions[J]. Foodborne Pathogens and Disease, 2016: 1-6.
[27] SANT’ANA AS, FRANCO BDGM, SCHAFFNER DW. Modeling the growth rate and lag time of different strains of Salmonella enterica and Listeria monocytogenes in ready-to-eat lettuce[J]. Food Microbiology, 2012, 30(1): 267-273.
[28] 李苗云, 田璐, 赵改名, 等. 肉品微生物生长预测模型研究进展[J]. 肉类研究, 2012, 26(12): 20-24.
[29] 张莉, 尹德凤, 曾艳兵, 等. 鲜猪肉冷藏过程中沙门氏菌生长预测模型的选择[J]. 农产品质量与安全, 2015(3): 26-31.
Predictive Models for Salmonella in Fresh Pork at Household Temperatures
Zhang Li, Yin De-feng, Zhang Da-wen, Luo Lin-guang*
Institute for Quality & Safety and Standards of Agricultural Products Research, Key Laboratory for Quality and Safety of Agricultural Products, Jiangxi Academy of Agricultural Sciences, Jiangxi Academy of Agricultural Sciences (Nanchang 330200)
Abstract：The objective of this investigation was to develop a model for predicting growth of Salmonella in fresh pork at
variable household temperatures. The surfaces of fresh pork slices were inoculated with Salmonella and then were aseptically placed in homogeneous bags. Inoculated pork samples were incubated isothermally at 7 ℃, 12 ℃, 15 ℃, 18 ℃, 22 ℃, 25 ℃, 28 ℃ and 30 ℃ during different lengths of time, according to different incubation temperatures. Growth data of Salmonella was then collected and fitted to modified Gompertz model and Baranyi & Roberts model respectively using Origin 8.0 software and DMFit. The secondary model used was based on a square root model for the effect of different temperatures on the maximum growth rate. Based on the analysis of the correlation coeffiecient (r), bias factor (Bf), accuracy factor (Af) and root mean square error (RMSE) of the two prediction models, Baranyi & Roberts model was more reliabale. According to the verification, the Baranyi & Roberts model in this study was more reliable than the modified Gompertz model, and it could predict the growth of Salmonella in the pork at the temperature from 7 ℃ to 30 ℃, effectively.
Keywords：fresh pork; Salmonella; household temperatures; predictive model
联系客服
