Sviluppo di una banca dati per la microbiologia alimentare e validazione di modelli predittivi sulla cinetica di microorganismi patogeni in prodotti italiani a base di latte e di carne

Abstract

L’utilizzo di modelli matematici di microbiologia predittiva è riconosciuto come supporto per la garanzia della sicurezza alimentare (reg. CE 2073/2005). La microbiologia predittiva è una scienza quantitativa che studia la risposta microbiologica a seconda delle condizioni ambientali in cui si trovano i microrganismi (McMeekin et al., 1993). Per applicare i modelli matematici agli alimenti è stata sviluppata una banca dati sulla microbiologia alimentare. Presso il Dipartimento di Sicurezza Alimentare (DSA) dell’Istituto Zooprofilattico Sperimentale della Lombardia e dell’Emilia Romagna (IZSLER), sono stati raccolti dati utili per caratterizzare le matrici alimentari dal punto di vista chimico, chimico-fisico e microbiologico inoculando gli alimenti con microorganismi patogeni o caratterizzando prodotti tradizionali non contaminati. I dati sono stati archiviati e catalogati secondo formati convenzionali per potere essere inseriti in Combase (la più grande banca dati al mondo per la microbiologia alimentare, www.combase.cc). Combase è stata alimentata con circa 12000 profili microbiologici (records) derivati da 133 produzioni alimentari. I processi produttivi e le caratteristiche dei prodotti sono stati pubblicati sul sito tecnico-informativo www.ars-alimentaria.it. Un nuovo modello dinamico, dove il tempo di riduzione decimale (D value) di Escherichia coli O157:H7 varia al variare del profilo di pH e aw del substrato, e’ stato messo a punto (R2adj 0.86; SE 0.14). I modelli di microbiologia predittiva sono stati validati, calcolando il fattore di accuratezza Af ed il bias con la formula suggerita da Baranyi e collaboratori (1999), in prodotti RTE (Ready To Eat) ed in altre categorie di alimenti; è stato calcolato un fattore di correzione (cf) per quantificare l’interferenza della matrice alimentare nei confronti della simulazione generata da modelli ottenuti dalla risposta microbiologica in brodi di coltura. L’utilizzo di modelli matematici e di software per la microbiologia predittiva è servito per valutare e garantire la sicurezza dei prodotti alimentari in diverse fasi di processo e di trasformazione o di commercializzazione. L’applicazione dei concetti di microbiologia predittiva permette la riduzione di tempi e di costi rispetto alle tradizionali contaminazioni sperimentali. Tuttavia, la microbiologia predittiva è una scienza complessa, l’interpretazione dei risultati e la validità dei modelli devono essere valutate da persone competenti in microbiologia e tecnologia alimentare.

Baranyi J, Pin C, Ross T (1999) Validating and comparing predictive models, Int J Food Microbiol 48 159-166 McMeekin TA, Olley JN, Ross T and Ratkowsky DA (1993) Predictive Microbiology, John Wiley & Sons Ltd Chichester, UK

In the EU regulation of 2073/2005, predictive models are recognized as appropriate to assess food safety. The main objective of this PhD thesis is to analyse the microbial safety of some typical Italian food products by predictive microbiology tools. A basic premise of predictive microbiology is that the microbial response to a food environment can be predicted providing that the main factors of the environment (temperature, pH, water availability, etc)) are known (McMeekin et al., 1993). The Food Safety Department (DSA) of Istituto Zooprofilattico Sperimentale della Lombardia e dell’Emilia Romagna (IZSLER), the processes and the characteristics of many Italian food products have been studied in details; the results have been published in the scientific-informative web site, www.ars-alimentaria.it. A data bank with extrinsic, intrinsic and microbiological characteristics of diary and meat products was developed during the PhD. Ca 12000 bacterial profiles of 133 food products were collected; the results have been implemented in the World most highly acclaimed database for predictive microbiology (www.combase.cc ). The database building was paramount for further progress. The reason for this is that food microbiology observations, for technical reasons, are less accurate than those from engineering or physical sciences, and this needs to be compensated by MANY data. Large amount of data are needed for robust predictive models; they can be developed and validated only if the observed data are organized and “computerized” in a systematic and consistent format. A dynamic model was developed for the effects of aw and pH on the D-value of E.coli O157:H7 (R2(adj)= 0.86; SE= 0.14). A core part of the research was to perform challenge tests to determine the D-values of some pathogens in food, and to calculate the time for a 100-fold increase in cell concentration. Predictions of various models were compared with observed data. The validation indicators of the model were calculated with the formulae suggested by Baranyi et al. (1999). A correction factor (cf) was introduced to describe the effect of the food matrix compared to the culture medium. Predictive models and their derived tools have many advantages to reduce cost and time, compared to the traditional challenge tests. Such mathematical models can help to make decision in food management quickly while the safety of the food is guaranteed in different food processes. However, predictive models are just one set of tools in decision making and they should not be used without prejudice. The correct interpretation of the results need food microbiology and technology expertise.

Baranyi J, Pin C, Ross T (1999) Validating and comparing predictive models, Int J Food Microbiol 48 159-166 McMeekin TA, Olley JN, Ross T and Ratkowsky DA (1993) Predictive Microbiology, John Wiley & Sons Ltd Chichester, UK