數(shù)學模擬動態(tài)低熱處理羅非魚皮誘導單核細胞增生李斯特菌應激適應響應

馬華威，甘 暉，王園園，何金釗，馮鵬霏，呂 敏,，郭愛玲

（1.華中農業(yè)大學食品科學技術學院，湖北 武漢 430070；2.廣西壯族自治區(qū)水產科學研究院，廣西水產遺傳育種與健康養(yǎng)殖重點實驗室，廣西 南寧 530021；3.廣西水產畜牧學校，廣西 南寧 530021；4.廣西小研人生物科技有限公司，廣西 南寧 530000；5.廣西壯族自治區(qū)水產引育種中心，廣西 南寧 530031）

單核細胞增生李斯特菌（Listeria monocytogenes，以下簡稱“李斯特菌”）是革蘭氏陽性菌中最致命的食源性病原體，可引起血液和腦組織感染，能導致感染者出現(xiàn)如腦膜炎等李斯特菌癥。肉類、蛋類、禽類、海產品、乳制品、蔬菜等各類食品均是李斯特菌感染源[1-4]。人體感染李斯特菌后致死率可高達20%～30%，超過沙門氏菌及肉毒桿菌等食源性致病菌，容易導致食品安全問題，嚴重影響消費者健康[5-6]。因此，預測和評估食品在貯運過程中李斯特菌存活數(shù)量是食品風險評估的重要指標。2008年以來，李斯特菌警報次數(shù)在食品與飼料快速警報系統(tǒng)（rapid alert system for food and feed，RASFF）中發(fā)生了760 次，其中，1/3以上來源于“魚類和魚類產品”和“畜牧鮮肉和肉制品”（288 次），其次是“牛奶和奶制品”（186 次）[7-8]。盡管目前很多國家已采取措施來控制食品中的李斯特菌，但在2009—2013年期間，食源李斯特病例數(shù)量在全球呈上升趨勢[9-10]。因此，亟待于建立一種快速、精準的食源李斯特菌預測警報方法，減少食源性李斯特菌病發(fā)生，保障食品安全。

當細菌細胞暴露于輕度應激時，它們可能會形成一種抵抗/適應機制，這種現(xiàn)象被稱為應激適應或誘導抗應激[11-12]。應激適應可導致微生物在滅活中存活數(shù)量增加，與食品安全緊密相關，用數(shù)學模型描述微生物失活過程是建立快速、精準微生物預警系統(tǒng)的根本基礎[13-14]。精準模擬李斯特菌在食品低熱加工過程中的響應狀態(tài)（生長或滅活）是國內外研究重點和熱點[15-16]。有研究表明，高靜水壓、脈沖電場等處理食源性李斯特菌，通過增加壓力破壞或損壞病菌細胞，致使該菌失活，不危害消費者身體[17-19]。但是，這些方法成本相對較高，除此之外，一些特殊食品采用高壓處理會造成蛋白質結構破壞、破壞質感和口感，比如魚皮調理食品、凝膠類食品制品、奶制品[20-23]。因此，當前低熱處理依然是食品加工企業(yè)常用方法[22]。然而，低熱處理法滅活李斯特菌效果有限，李斯特菌滅活效果與低熱處理技術、時間、溫度、李斯特菌初始值與應激適應緊密相關[24-27]。為了保證食品中李斯特菌存活數(shù)量在保質期能控制在安全閾值下限，需要采用定量數(shù)學模型精準、高效模擬李斯特菌失活過程的動態(tài)變化。

定量微生物風險評估（quantitative microbial risk assessment，QMRA）是當前預測評估微生物在食品響應狀態(tài)（生長或失活）的重要工具，能定量預測和分析食品微生物從生產源到餐桌供應鏈上每個環(huán)節(jié)的響應狀態(tài)[28-29]。然而依然存在局限。首先，由于以前加工技術和設備限制，現(xiàn)有的微生物熱失活數(shù)學模型主要基于等溫處理數(shù)據(jù)構建[2-4]，比如Biglow模型[14-15]。然而，當前食品低熱處理是一個動態(tài)過程，通常采用初始加熱速率升溫后再使溫度穩(wěn)定的雙溫模式。這種方式致使李斯特菌產生了應激適應，導致模型模擬和預測不精準[30]。再者，低熱處理過程中，微生物密度與加工時間的關系會偏離對數(shù)線性關系，基于等溫處理數(shù)據(jù)的微生物滅活模型所預測的非熱處理溫度形狀對微生物失活具有較大影響，造成偏差過大[31]。食品經非低熱處理，李斯特菌的失活率低于基于等溫處理數(shù)據(jù)預測值，在大腸埃希菌Escherichia coli、腸球菌Enterococus faecium、金黃色釀膿葡萄球菌Staphylococcus aureus、沙門氏菌屬Salmonella、植物嗜熱脂肪芽孢桿菌Bacillus stearothermophilus中也發(fā)現(xiàn)類似結果發(fā)現(xiàn)。其次，李斯特菌適應不同環(huán)境條件較為復雜性，而現(xiàn)有數(shù)學模型無法模擬和預測李斯特菌在食品供給鏈的響應狀態(tài)[31-33]。因此，用基于等溫處理數(shù)據(jù)的現(xiàn)有微生物滅活模型模擬和預測非等溫處理模式，造成微生物響應預測值與實測值存在較大偏差，不適用于現(xiàn)有食品低熱動態(tài)加工處理。針對以上局限性，我們提出一個科學問題，如何采用一種更精準的數(shù)學模型模擬李斯特菌在食品供給鏈上各個環(huán)節(jié)的響應，形成應對更復雜性和不確定性環(huán)境條件的李斯特菌風險評估預測模型，彌補現(xiàn)有評價預測模型的不足。

當前，研究人員基于微生物應激適應原理，運用兩株大腸埃希菌（E. coli）的滅活數(shù)據(jù)，構建了能定量模擬微生物非熱處理應激適應的Garre模型[34-35]。由于李斯特菌致病率高及環(huán)境適應較復雜性，現(xiàn)有模型均不能精準評估和預測李斯特菌的應激適應行為。L. monocytogenesCECT 4032常用于食品加工過程中李斯特菌的耐熱性和失活研究，是指示李斯特菌抗逆性的標識菌，該菌株主要源于水產品[30-32]。鑒于此，本研究基于Garre模型，用1.2 ℃/min加熱速率、最高溫度不超過50 ℃的動態(tài)低熱加工模式進行實驗模擬訓練，通過實測數(shù)據(jù)驗證其是否能在非等溫處理實驗中有效定量模擬李斯特菌應激適應過程，并與Biglow模型做對比；以羅非魚皮為研究對象開展實驗驗證，評價Garre模型定量模擬性能，建立一個精準模擬L. monocytogenes在羅非魚皮低熱動態(tài)處理下應激適應響應，為羅非魚皮加工與貯藏構建預警響應技術提供基礎參考。

1 材料與方法

1.1 菌株、材料與試劑

L. monocytogenesCECT 4032，由廣東微生物研究所提供；新鮮羅非魚皮由廣西小研人生物科技有限公司提供，每張魚皮平均質量為（130.14±3.32）g。

胰酪大豆肉湯（trypticase soy broth，TSB）培養(yǎng)基、伊紅美藍瓊脂（eosin methylene blue，EMB）培養(yǎng)基、胰酪大豆瓊脂（trypticase soybean agar，TSA）培養(yǎng)基、甘油廣西小研人生物科技有限公司。

1.2 儀器與設備

Mastia熱敏電阻儀、微生物恒溫培養(yǎng)箱 杭州奧達生物儀器有限公司。

1.3 方法

1.3.1 菌株的培養(yǎng)

將冷凍干燥的L. monocytogenesCECT 4032菌粉（0.5 g）轉移到TSB培養(yǎng)液（10 mL）中活化30 min，然后取5 mL的活化后的TSB培養(yǎng)液接種于500 mL新鮮TSB培養(yǎng)液中，置于微生物恒溫培養(yǎng)箱內，37 ℃下培養(yǎng)20 h，達到穩(wěn)定生長期時，取適量培養(yǎng)液加入等體積的甘油后在－20 ℃下冷凍保存?zhèn)溆?。實驗開始前，用接種針挑取少量備用凍樣接種在TSA平板上，在37 ℃下培養(yǎng)24 h。之后，挑取單個菌落接種于TSB培養(yǎng)液（10 mL）中，放于微生物恒溫培養(yǎng)箱內37 ℃下培養(yǎng)36 h，使細菌達到穩(wěn)定生長期。

1.3.2 熱處理和存活計數(shù)

根據(jù)Conesa等[34]的方法進行低熱處理，采用5 個恒溫培養(yǎng)箱，分別在45、47.5、50、52.5、55 ℃下進行等溫處理實驗。實驗前把羅非魚皮清洗干凈，表面無雜質。熱敏電阻儀的容器內加入800 mL無菌TSB，以等體積無菌EMB為對照。取10 張魚皮剪切成邊長為2 cm的正方形，每組有30 個邊長為2 cm的正方形魚皮，并設置3 次重復實驗。在熱敏電阻儀容器內液體（分別是無菌TSB和EMB）溫度穩(wěn)定后，將1.3.1節(jié)TSB中達到穩(wěn)定生長期的L. monocytogenes懸起，接種于含有魚皮的培養(yǎng)基中，調整菌體濃度為1.0×104CFU/mL，在37 ℃下培養(yǎng)4 h后按照不同溫度模式進行處理并記錄溫度、測定菌密度。TSB中雙溫度模式和單溫度模式分別如表1和表2所示，隨后在此基礎上獲得的最佳非等溫處理條件下設置8 種溫度模式（表3），分為具有恒定加熱速率的單溫模式和初始加熱速率加熱后使溫度穩(wěn)定的雙溫模式，初始加熱溫度設置為27 ℃，每變化0.1 ℃取樣測定菌密度。同樣，取10 張魚皮剪切成邊長為2 cm的正方形，每組有30 個邊長為2 cm的正方形魚皮，且設置3 次重復實驗。實驗過程中要不斷攪拌，使魚皮受熱均勻。用TSB將L. monocytogenes懸起，以1.0×104CFU/mL的接種量接種于含有魚皮的TSB培養(yǎng)液，在37 ℃下培養(yǎng)4 h后，根據(jù)等溫處理動態(tài)模式用比色法測定吸光度確定菌密度，測量重復3 次。

表1 描述TSB雙溫度模式的最佳預測模型的統(tǒng)計指標Table1 Statistical indexes of optimal predictive models for L. monocytogenes inactivation in TSB during two-stage heating

表2 描述TSB單溫模式的最佳預測模型的統(tǒng)計指標Table2 Statistical indexes of optimal predictive models for L. monocytogenes inactivation in TSB during one-stage heating

表3 描述羅非魚皮中L. monocytogenes 熱失活的最佳預測模型的統(tǒng)計指標Table3 Statistical indexes of optimal predictive models for L. monocytogenes inactivation on tilapia skin during one-stage and two-stage heating

1.4 數(shù)據(jù)處理與分析

1.4.1 數(shù)學建模

Bigelow模型是一個采用對數(shù)線性描述微生物失活的數(shù)學模型，但這一模型沒有引入微生物應激適應概念[14]，方程如公式（1）所示。

式中：k[（env）,（phys）]表示菌滅活速率，N表示菌密度。

Garre模型是基于Bigelow模型通過引入微生物應激適應擴展而來，Garre模型中，菌密度N（lg（CFU/mL））利用Bigelow模型的關聯(lián)性參數(shù)表示，即菌熱失活模型的D值/min與處理溫度T/℃之間關系[30]，方程如公式（2）所示。

k[（env）,（phys）]表示菌滅活速率，而不是菌滅活速率常數(shù)，該參數(shù)可理論看成環(huán)境條件和生物細胞生理狀態(tài)兩個部分對菌失活情況的影響[14]。因此。Garre模型的菌滅活速率分成兩個獨立的乘法項，方程如公式（3）所示。

式中：k1[（env）]表示模擬環(huán)境條件對滅活率影響；k2[（phys）]是描述細菌生理狀態(tài)對滅活率影響。前者遵循公式（2）模型意義，后者理論定義為能描述應激適應情況的參數(shù)。

借鑒Garre模型量化大腸桿菌應激生理狀對滅活率影響的k2[（phys）]理論參數(shù)[35]，將k2[（phys）]模型轉變?yōu)槊枋稣T導抗應激公式（式（4））。

式中：p（t）表示細菌應激適應程度，其值介于0（無應激）和1（最大應激適應）之間，如果細菌未產生應激抗逆性，p＝0。方程（4）預測的滅活率與Bigelow模型相同。然而，一旦遭受稍微應激，可引起細菌產生抗應激響應，Bigelow模型預測的D值乘以系數(shù)1＋c·p（t），p（t）可取最大值。c表示相對等溫處理條件下細菌完全適應應激時的D值增加量。例如：當c＝0.3時，表示細菌完全適應熱應激，D值增加30%。

當細胞處于應激狀態(tài)時，p（t）無限增大，通過引入邏輯斯諦增長概念，消除p（t）值增加極限，使p（t）值處于0和1之間[36]，方程如公式（5）所示。

式中：當溫度高于應激誘導溫度（Tsi）時，p（t））增加，其中a和E是未知模型參數(shù)。

最后通過整合方程（1）～（5），構建低熱動態(tài)誘導下L. monocytogenes應激適應模型，方程如公式（6）所示。

式中：表示描述誘導抗應激的卷積運算。

1.4.2 模型擬合

采用L. monocytogenes失活實驗數(shù)據(jù)，根據(jù)Garre等方法對方程（6）進行模型擬合[18,37]。首先用等溫處理實驗估算D值和Z值，獲得表示菌密度的N值，再用非等溫處理模式估算描述應激適應的3 個模型參數(shù)a、E、c，量化表示細菌應激適應程度的p（t），使其值介于0（無應激）和1（最大應激適應）之間，此方法消除了k1和k2之間參數(shù)相關性。同時，應注意將應激誘導溫度Tsi固定在45 ℃，并作為菌生長的最高耐受溫度[38]。

采用Bioinactivation軟件對等溫處理實驗進行模型擬合，計算Bigelow模型在非等溫處理的預測數(shù)值[29]。利用R軟件的“deSolve”功能包求解微分方程（6），并對模型進行預測[37]?；诿商乜_算法[39]，利用R軟件的“FME”功能包評估非等溫處理的模型參數(shù)[40]。根據(jù)Brooks的方法評估擬合算法的收斂性，并采用動態(tài)示蹤平均圖法測定解的質量和穩(wěn)定性，然后，通過自相關檢查迭代的獨立性[2]。最后參考文獻[41]檢測解的穩(wěn)定性，并采用離散異質性方法繪制溫度模式圖譜，研究模型在一定時間內溫度離散差。

基于模型擬合獲得的蒙特卡羅法具有偏差，為了能更好評估模型參數(shù)的后驗概率分布，常選擇后驗分布模式評估最有可能參數(shù)值，可根據(jù)Venter方法通過R軟件的“modeest”功能包計算[42]。采用蒙特卡羅-馬爾可夫鏈迭代標準誤差評估模型參數(shù)的不確定性[2]。用ME和RMSE評價模型預測效果，計算分別見公式（7）、（8）。

式中：Ni和i分別是采樣點i的觀測值和模型預測值，n表示觀測總數(shù)。如果模型預測相對于實驗觀測有偏差，則通過分析殘差平均值來判定ME。ME值小于0表明模型低估了微生物數(shù)，而大于0表示高估，因此該指數(shù)可用來比較幾個模型的偏差。ME值越低表示預測值與觀測值的偏差越小。RMSE用于評估模型預測的總體準確性，其值為0表明擬合效果較好，而其值越高表示實驗觀測數(shù)據(jù)比模型預測數(shù)據(jù)更分散。

2 結果與分析

2.1 模型參數(shù)評估結果

趙楠等[2]研究發(fā)現(xiàn)，模型擬合前，參考溫度為45 ℃時，Garre模型參數(shù)值不影響估計參數(shù)值，低于此溫度時菌應激適應太過于緩慢，測定時間長易于造成污染，高于此溫度時，應激適應情況較差，展示出的抗應激菌有限[2]。因此，本實驗選擇參考溫度為45 ℃，且對應的D值為10.42 min，Z值為4.58 ℃。不同李斯特菌菌株的耐熱差異很大[43-45]。Golden等以胰蛋白糖磷酸液為加熱介質，發(fā)現(xiàn)不同李斯特菌株在44 ℃下的D值范圍為10.48～23.16 min，在46 ℃下的D值為8.75～17.32 min，而本研究所估計的D值（10.42 min）位于此范圍內[46]。Soetaert等研究發(fā)現(xiàn)李斯特菌的Z值為6.03 ℃[47]。本實驗采用0.95置信水平（t分布統(tǒng)計）分析時，發(fā)現(xiàn)本研究估計的Z值（6.08 ℃）與Soetaert等報道的Z值無差異，說明該方法可用于實驗分析。另外，本實驗發(fā)現(xiàn)，在非等溫加熱模式下，初始檢測溫度和模型設置參考溫度不一致，可能由于處理時無法攪拌導致上下層水不交換，上層水溫測量時滿足模型參數(shù)，而下層水溫稍微過高，但ME和RMSE仍然是無顯著差異，這和魚皮加工生產環(huán)境基本一致，在統(tǒng)計學上有意義，可作為下一步實驗。

實驗中，分別用非等溫失活單溫（1.2 ℃/min）模式和加熱速率約為1.2 ℃/min且穩(wěn)定溫度為50 ℃的雙溫模式估算Garre的模型參數(shù)時間速率（a）、加熱速率（E）和百分比增量（c）。為了直觀反映L. monocytogenes應激適應效果，基于等溫處理估計D值和Z值，在圖1中添加了Bigelow模型預測以假設L. monocytogenes失活速率僅取決于溫度，不受熱處理模式形狀影響。本研究中理論D值和實際D值之比定義為f，主要突出完全應激適應溫度與不同目標溫度的異值性。結果如圖1所示，f為12.96±0.79，a為（0.12±0.01）min-1，Z值為4.61±0.03，E為（0.51±0.01）℃/min，c為1.22±0.03，Bigelow模型預測微生物失活數(shù)量高于實測值，說明在等溫處理中該菌比預期更耐熱，表明應激適應與熱處理模式有關。本研究發(fā)現(xiàn)，Garre模型預測值更接近實測值（圖1），且L. monocytogenes抗熱能力隨著加熱時間延長而增強，因此，Garre模型可精準預測李斯特菌失活數(shù)。Garre模型中的參數(shù)c是指細菌達到最大應激適應狀態(tài)下D值的百分比增量[37]，本研究估算的L. monocytogenesCECT 4032的c為1.22±0.03，與Garre等獲得大腸桿菌的c值（1.38）接近[37]，表明當該菌完全適應熱處理誘導應激時，其f值變?yōu)?.22。

圖1 Garre和Bigelow模型參數(shù)評估的數(shù)據(jù)分析Fig. 1 Data analysis for Garre and Bigelow model parameter evaluation

2.2 評價描述誘導菌抗應激的參數(shù)1＋c·p（t）

Garre模型的D值增加導致1＋c·p（t）函數(shù)值變動，反映細菌應激適應狀況[37]。為闡明應激適應動力學，擬合模型實驗中對1＋c·p（t）函數(shù)變化進行了研究，結果如圖2所示。處理初始，將L. monocytogenes不暴露于任何應激環(huán)境，無應激適應發(fā)生，該Garre模型與Bigelow模型預測結果一致。當處理溫度上升到Tsi以上時，該菌產生應激適應，相對于Bigelow模型預測值而言，實際上是Garre模型的D值增加。由圖1可知，處理時間接近10 min時，兩個模型預測之間存在差異，誘導該菌抗應激，導致D值增加約75%，如1＋c·p（t）≈1.75；在溫度穩(wěn)定（18 min）時，誘導的細菌抗應激狀態(tài)接近最大，p（t）變化速率下降。

圖2 評價基于圖1數(shù)據(jù)擬合后的用于描述誘導菌抗應激參數(shù)1＋c·p（t）Fig. 2 Evolution of 1 + c · p(t) describing the induced stress resistance according to the model parameters fitted to the data shown in Fig. 1

2.3 模型的預測值與實測值對比

本實驗中，加熱速率為3 ℃/min的雙溫模式的菌密度生長沒有規(guī)律，沒有統(tǒng)計學意義，無法作為模型參數(shù)。所以，僅采用了7 個不同非等溫處理模式驗證等溫和非等溫下模型參數(shù)，結果如圖3所示。本研究將7 個模式分為恒定加熱速率的單溫模式和恒定加熱速率后溫度穩(wěn)定的雙溫模式，加熱速率為0.5 ℃/min和3 ℃/min，保持溫度為47.5 ℃和50 ℃。同時，將Garre模型的預測值與7 個模式的實測值進行比較。此外，要考察單溫模式和雙溫模式的ME和RMSE，如表1和表2所示，各模式中，盡管Bigelow模型的ME大于加熱速率較慢模式和較快模式，但是高、中、低這3 種加熱速率的ME均低于零，說明等溫處理可誘導L. monocytogenes產生應激適應響應。當加熱速率在適宜的速率和初始溫度開始時，致使加熱持續(xù)時間更合理，導致細菌細胞產生更大應激適應，增強了引起應激適應各因子的相關性[2]。因此，基于瞬時溫度的Bigelow模型偏差較高，而基于應激適應的Garre模型更好，這一論點被證實：在加熱速率較低的模式中，Bigelow模型和Garre模型間顯著差異被精確檢測出，各模式的ME和RMSE都接近于0，這些實驗數(shù)據(jù)能更好擬合模型[37]；在加熱速率高模式中，如加熱速率為3 ℃/min的單溫模式（圖3E），這兩種模型間差異不顯著，說明當沒有應激適應發(fā)生時，1＋c·p(t)接近0，Garre模型的結果與Bigelow模型一致；本研究確實發(fā)現(xiàn)Bigelow模型和Garre模型的ME值相似（Bigelow：0.21（lg（CFU/mL）），Garre：0.19（lg（CFU/mL）））；當雙模式的加熱速率為0.5 ℃/min時，ME差異顯著，穩(wěn)定溫度為47.5℃時ME為2.03（lg（CFU/mL））（圖3D），而50 ℃時為ME為2.79（lg（CFU/mL））（圖3B）。

圖3 基于圖1數(shù)據(jù)擬合后的Garre模型的預測值與實測值對比Fig. 3 Comparison between the empirical observations and the model predictions of the Garre model fitted to the data shown in Fig. 1

2.4 基于羅非魚皮低溫處理的模型預測驗證

本研究發(fā)現(xiàn)，單溫模式的Garre適應模型預測精準度不如雙溫模式，相比之下，雙溫模式的模型預測值與實測數(shù)據(jù)一致性較好，RMSE和ME均低于0.6（lg（CFU/mL））。由于Garre模型在實驗結束時考慮了較低應激適應，因此導致預測值高于實測值。本實驗中，用于訓練模型的動態(tài)溫度模式的最高溫度為50 ℃，比單溫處理期間的最高溫度略低，導致模型偏差可能是外推誤差引起，主要因為采用了較低溫度估算D值和Z值。然而，高于50 ℃時，L. monocytogenes失活速率很高，55 ℃下的D值為5 s，因此，很難設計出加熱緩慢且保持溫度高的低熱處理模式，必須找到最佳實驗方法才能有助于更準確地描述模型[30,48]。

有研究稱，使用不同實驗材料訓練模型預測時，可導致食品微生物響應存在偏差[32,49]。因此，必須利用食品所生成數(shù)據(jù)驗證模型。因此本實驗采用魚皮作為研究對象，用TSB作為加熱介質，兩個單溫模式的加熱速率分別為0.5 ℃/min和3 ℃/min，以及兩個雙溫處理模式的加熱速率為0.5 ℃/min，保持溫度為47.5 ℃和50 ℃，結果如圖3所示。此外，還比對了TSB為加熱介質的Garre模型預測值和實測數(shù)據(jù)，結果如圖4所示。TSB處理羅非魚皮過程中，L. monocytogenes預測值類似于在TSB的實測值。因此，TSB可用于檢測微生物在魚皮低熱動態(tài)處理過程中的失活情況或應激適應狀況。魚皮中Bigelow模型和Garre模型的ME和RMSE（表3）與以TSB為加熱介質模式的值（表1）相近，進一步證實了TSB足以預測魚皮中L. monocytogenes的低熱失活或應激適應。描述L. monocytogenes動態(tài)失活的指標如表3所示，本研究結果顯示，EMB和TSB組的結果相似，模型預測偏差均較低，平均殘差低于0.5（lg（CFU/mL）），波動也均穩(wěn)定，RMSE低于0.6（lg（CFU/mL）），說明本實驗采用的Garre模型符合預期要求。因此，Garre模型可用于預測食品低熱處理下L. monocytogenesCECT 4032失活或應激適應情況。

圖4 基于羅非魚皮低熱處理的模型預測驗證Fig. 4 Validation of the model predictions for bacterial inactivation on tilapia skin treated at low temperature

3 結 論

本研究基于Garre模型研究了低熱處理羅非魚皮過程中，L. monocytogenesCECT 4032低熱應激適應狀況。以TSB和EMB為加熱介質的實驗結果相似，表明TSB與EMB一樣可適用于研究魚皮中L. monocytogenes低應激適應情況，但是從節(jié)約成本考慮EMB更加經濟，因此，建議李斯特菌檢測時采用EMB培養(yǎng)基。在各動態(tài)模式中，基于等溫處理的D值和Z值估算的Bigelow模型，失活率預測值超過L. monocytogenes實際失活率，表明該菌在低熱動態(tài)處理下有應激適應生理響應。Garre模型能夠預測所獲得的實驗數(shù)據(jù)，每個模式的ME約在－1（lg（CFU/mL））和1（lg（CFU/mL））之間。然而，當非等溫處理的溫度高于等溫處理估計的D值和Z值時，模型精度大大降低。綜上，Garre模型均可用于定量模擬和預測TSB培養(yǎng)基和魚皮的L. monocytogenes失活低熱應激適應。