Prediktiv modellering för livsmedelssäkerhet och hållbarhet för köttprodukter

8 November, 2021

Av Gry Carl Terrell, Seniorkonsult, Livsmedelssäkerhet; Anette Granly Koch, Teknisk chef, Livsmedelssäkerhet och Lene Meinert, Direktör, Livsmedelssäkerhet vid DMRI (Danish Meat Research Institute) vid Teknologisk Institut

När köttprodukter säljs är hållbarheten ett viktigt konkurrenselement. Hållbarheten beror på flera faktorer varav de viktigaste är produktionshygien och förvaringstemperatur, och för bearbetat kött spelar också mängden konserveringsmedel i köttprodukten, dvs. pH, salt, nitrit och organiska syror, en betydande roll. Vid fastställande av hållbarheten är det viktigt att överväga hur tillväxt av både nedbrytande organismer och patogena bakterier kan förhindras, samtidigt som man håller ett öga på produktens sensoriska kvalitet.

Tillväxten av patogena bakterier kan uppskattas genom att använda matematiska modeller som finns på webbplatser, t.ex. www.DMRIPredict.dk eller www.combase.cc . Modellerna kommer enkelt att fastställa hur mycket konserveringsmedel som bör tillsättas en produkt för att förhindra tillväxt av olika patogener, såsom Listeria monocytogenes och Clostridium botulinum under den önskade hållbarheten vid en given temperatur. Men det är också viktigt att vara uppmärksam på att förhindra tillväxt av nedbrytande organismer, vilket i vissa fall kan kräva en högre konserveringsmedelsnivå än vad som behövs för att förhindra tillväxt av patogener. Ett exempel är tillväxt av mjölksyrabakterier som kräver mer konserveringsmedel för att hämma än vad som krävs för att förhindra tillväxt av L. monocytogenes. Att skapa den korrekta formuleringen av en produkt för att förhindra tillväxt av mikroorganismer och förutsäga hållbarheten där produkten är både säker och färsk är en mycket komplex uppgift. Prediktiv modellering har visat sig vara ett värdefullt verktyg för att lösa denna uppgift.

Ett historiskt perspektiv

De första fröna till vad vi nu kallar för prediktiv modellering av mikrobiell tillväxt såddes på 1920-talet när WD Bigelow, chefskemist vid National Canners Association, använde den berömda Arrhenius-ekvationen för att beskriva “Logarithmic Nature of Thermal Death Time Curves” (Bigelow, 1921). Bigelow var intresserad av att beskriva värmeförstörelsen av sporer, för att beräkna den tid som behövs för att värmebehandla burkar för att förhindra tillväxt av Clostridium botulinum-sporer och trygga säkerheten hos konserver. Under 1980-talet och början av 1990-talet gjorde ett antal stora matförgiftningar (t.ex. 1985: L. monocytogenes i mjukostar i mexikansk stil från Jalisco Products, Inc. och 1992: E. coli O157:H7 i nötfärsbiffar från restaurangkedjan Jack in the Box) i kombination med trenden att äta mer färsk mat att den prediktiva mikrobiologin mer fokuserade på att förutsäga tillväxten av vegetativa celler hos en rad traditionella och framväxande mikroorganismer – inte bara patogener utan även nedbrytande bakterier. Denna utveckling fick starkt stöd av den ökande tillgängligheten och datorernas beräkningskraft som växte snabbt från början av 1990-talet. De stora händelserna som innefattade livsmedelsburna patogener gjorde också att regeringar och juridiska organ över hela världen fick upp ögonen för livsmedelssäkerhet och liknande frågor. Med det ökade fokuset följde en kraftig ökning av finansiering till forskning.

På 1990-talet var de snabba mikrobiella metoderna fortfarande i sin linda och gav inte svar så snabbt som marknaden behövde. Därför var satsningen betydande mot alternativa metoder för att fastställa och dokumentera om en livsmedelsprodukt var säker och kunde hålla sig fräsch genom distributionskedjan. Alla dessa faktorer, och den massiva forskningen och utvecklingen för att stödja teorierna om att kunna förutsäga mikrobiell tillväxt, ledde så småningom till att lagstiftare över hela världen accepterade prediktiv mikrobiell modellering. Idag är prediktiv modellering allmänt accepterat som en del av valideringssteget i HACCP och används flitigt i både mikrobiell riskanalys och produktutveckling inom livsmedelsindustrin.

Hållbarhetsmodeller
Hållbarheten för kött beror på flera variabler och är den totala summan av mikrobiell tillväxt och lipidoxidation. Det är viktigt att komma ihåg att fastställande av hållbarhet (oavsett metod) inte är en exakt vetenskap, och det är i princip omöjligt att ta hänsyn till alla variabler när man förutsäger hållbarhet. Genom att plocka fram de viktigaste faktorerna och utveckla modellerna med riktiga köttprodukter har vi utvecklat ett verktyg som är lätt att använda och som ger en mycket bra indikation på hållbarheten för en rad färska och bearbetade (kokta, marinerade, rimmade) köttprodukter.

De modeller som för närvarande finns tillgängliga i kategorin färskt kött är:

·         Bitar av griskött (vakuum, MAP (70 % N2/30 % CO2) eller aerob)

·         Bitar av nötkött (vakuum)

·         Bitar av kyckling (MAP)

·         Fläskfärs (MAP)

·         Nötfärs (MAP)

De modeller som för närvarande finns tillgängliga i kategorin bearbetat kött är:

·         Kallskuret – konserverat, tillagat och skivat (MAP)

·         Bitar av kyckling – marinerade (MAP)

·         Bacon – rimmat och konserverat (vakuum)

Att ha kontroll över de viktigaste faktorerna är avgörande

Efter att ha utfört olika hållbarhetsförsök blev det tydligt att prediktion av hållbarheten för färskt kött till stor del omfattas av tre faktorer: 1) temperatur, 2) förpackningsmetod och 3) den initiala mängden bakterier (vid förpackningstidpunkten). Dessutom visade försöken att den bästa indikatorn på nedbrytning är lukten. Hållbarheten för bearbetade köttprodukter beror på den initiala mängden bakterier, temperaturen och förpackningsmetoden, precis som med färskt kött, men också på konserveringsprofilen. Skämd lukt som bestäms genom sensorisk bedömning, eller ett tröskelvärde för bakteriemängd är bra indikatorer på hållbarhet. Att ha kontroll över temperaturen, förpackningsmetoden och konserveringsprofilen är ofta bara en fråga om att varje företag väljer de bästa alternativen för dem, men kontroll av den initiala mängden bakterier kan vara mer komplext.

Det första steget är att vara medveten om er produkts mikrobiella status. Att känna till den förväntade initiala mängden bakterier i/på er produkt är ett obestridligt villkor för att kunna bestämma hållbarheten, oavsett om ni använder prediktiva modeller eller andra metoder. Genom årtionden av erfarenhet och experiment vid DMRI har vi kommit fram till att för köttprodukter ger antalet psykrotrofer (dvs. antalet bakterier som tycker om kyla) den bästa grunden för en korrekt förutsägelse, men mjölksyrabakterier eller totala antalet aeroba organismer kan också användas men med lite större försiktighet.

När ska man använda hållbarhetsmodellerna?

Vi kan se att modellerna används både vid utveckling av nya produkter och om processer eller recept för befintliga produkter ändras. Exempel 1: Vid utveckling av nya förädlade produkter är det viktigt att kunna optimera recepten, så att t.ex. rätt mängd konserveringsmedel används – att använda för mycket kan minska lönsamheten och att använda för lite kan förkorta hållbarheten, vilket i sin tur kommer att påverka distributionsmöjligheterna och kan i slutänden leda till onödigt matsvinn och/eller kundklagomål. Genom att använda prediktiva modeller för att utföra denna optimering kan företaget bespara sig många experiment, inklusive kostsamma tester och laboratorieanalyser.

Exempel 2: Ett annat exempel på en fördelaktig tidpunkt för att använda prediktiva modeller är när man överväger att implementera en ny process, t.ex. vakuumförpackning av hela köttbitar före malning i stället för att förvara dem under aeroba förhållanden (t.ex. på en köttkrok). Genom att använda den prediktiva modellen kan effekten på nötfärsens hållbarhet beräknas, vilket ger företaget verktyg för att utvärdera om vakuumförpackning av hela delar är vettigt ur affärssynpunkt.

Exempel 3: Kött utsättas oftast för förändrade temperaturer och förpackningsförhållanden genom distributionskedjan, från produktionsanläggningen tills det når konsumenten. Modellen med ”Bitar av griskött” kan förutsäga den totala hållbarheten samtidigt som den tar hänsyn till dessa variationer, eftersom den kan kombinera modellerna för de tre förpackningsmetoderna: vakuum, MAP och aerob. Med andra ord, genom att ange förväntad temperatur och förpackningsförhållanden för köttet i modellen, och variera de olika insatserna, kan det enkelt fastställas vilken parameter som kommer att ha störst inverkan på hållbarheten och därmed ge företaget en indikation på var insatserna kan intensifieras om längre hållbarhet önskas.

Sammantaget är DMRIPredicts hållbarhetsmodeller mångsidiga och kostnadseffektiva verktyg som kan användas i företag oavsett storlek för att utvärdera hållbarhet och öka lönsamheten genom att optimera recept, förpackningar, processer, lagringsförhållanden etc.

Hur använder man hållbarhetsmodellerna?

Att använda modellerna är enkelt. För färskt kött är det första steget att ange den förväntade initiala bakteriebelastningen (antal psykrotrofer) – både genomsnitt och standardavvikelse. Därefter anger du temperatur och varaktighet för varje förvaringsintervall. För vissa modeller är det till och med möjligt att ange olika förpackningsmetoder för varje intervall. När man klickar på knappen Uppdatera kommer två grafer att genereras, vilka visualiserar tillväxten av psykrotrofiska bakterier och utvecklingen av skämd lukt. Dessutom finns det ett alternativ för att förutsäga tiden fram till att produkten blir ”fördärvad” på grund av skämd lukt, med ett gränsvärde för “godkänd/underkänd” som man själv bestämmer (Figur 1). Processen för (rimmade) baconprodukter är densamma, förutom att även salthalten anges.

 

Figur 1. Hållbarhet för färska bitar griskött. Den bestämda hållbarheten för en färsk bit griskött som förvarats i två veckor vid 2 °C (vakuumförpackat) följt av förvaring vid 7 °C under aeroba förhållanden (t.ex. i konsumentens kyl efter att förpackningen öppnats). Med denna speciella kombination av initial bakteriell belastning och förvaringsförhållanden kommer köttlukten att vara oacceptabel tre dagar efter öppnandet (dag 17). Förutsägelser genereras med hjälp av modellerna på www.DMRIPredict.dk.

 

För bearbetade (kokta) köttprodukter är parametrarna som anges: NaCl, KCl, vatten i produkten, temperatur, initialt antal, dagar, organisk syra och nitrit. Resultatet är återigen två grafer som illustrerar den förutspådda tillväxten av psykrotrofa bakterier och utvecklingen av skämd lukt. Precis som ovan finns det ett alternativ för att beräkna antalet dagar tills produkten “fördärvas” på grund av skämd lukt, och det finns ytterligare ett alternativ för att beräkna tiden (dagarna) tills köttet ”fördärvas” genom ett bestämt gränsvärde för psykrotrofisk bakteriell belastning för “godkänd/underkänd”.

Säkerhetsmodeller
Prediktiva modeller är användbara verktyg för att validera livsmedelsprodukters mikrobiella säkerhet. Flera prediktiva modeller finns tillgängliga i litteraturen och online. Vissa är gratis att använda och andra kräver medlemskap. Generellt utvecklas modeller baserat på tillväxtstudier av mikroorganismer. Vissa modeller är baserade på tillväxtstudier i laboratorietillväxtsubstrat med olika koncentrationer av tillsatta konserveringsmedel och förvaring i ett definierat temperaturområde. Andra modeller är utvecklade utifrån belastningstester av livsmedel, där produkter tillverkas med olika kombinationer av konserveringsmedel, ympas med mikroorganismer, packas och förvaras i relevanta temperaturer.

När man väljer en prediktiv modell för att validera ett recept eller en process är det extremt viktigt att se till att så många som möjligt av parametrarna som påverkar överlevnad, inaktivering eller tillväxt av mikroberna i fråga ingår i modellen. Ju fler parametrar modellen missar, desto sämre blir förutsägelsen. Om en produkt med pH 5 produceras genom att tillsätta salt, sorbat och laktat, måste således alla dessa föreningar inkluderas i modellen, annars kan det prediktiva resultatet rekommendera användning av mer konserveringsmedel än vad som behövs.

På DMRI har vi utvecklat en rad modeller som beskriver inaktivering, överlevnad och tillväxt av patogena bakterier i köttprodukter. Alla modeller är baserade på utmaningstester i riktiga köttprodukter och parametrarna har valts ut i samarbete med den skandinaviska köttindustrin. Modellerna som finns tillgängliga på DMRIPredict ( www.DMRIPredict.dk ) innefattar för närvarande:

·         Listeria monocytogenes: Tillväxt av Listeria monocytogenes i köttprodukter (tillagade, deli-typ)

·         C. botulinum: Tillväxt/ingen tillväxt av C. botulinum i köttprodukter (tillagade, deli-typ)

·         ConFerm: Överlevnad/minskning/tillväxt av Listeria monocytogenes, ST E. coli och Salmonella under produktion av fermenterade och lagrade korvar

·         Yersinia enterocolitica: Minskning av Yersinia enterocolitica under produktion av salami

·         Yersinia enterocolitica: Tillväxt eller minskning av Yersinia enterocolitica under behandling av kött

·         Staphtox-prediktor: Förutser bildande av Staphylococcus enterotoxin och ökning av antalet S. aureus under mild värmebehandling eller fermentering av kött

·         F-värdekalkylator: Beräknar den ökning av F 121.1-värdet som behövs för att få likvärdig säkerhet i saltreducerat, konserverat kött

·         Säkerhet för torkade köttprodukter: Tillväxt eller minskning av Listeria monocytogenes, ST E. coli, Salmonella under tillverkning av bearbetat kött

När ska man använda säkerhetsmodellerna?

Säkerhetsmodellerna används i samma situationer som hållbarhetsmodellerna: under produktutveckling och om processer eller recept ändras. Omfattningen är givetvis olika eftersom syftet är att säkerställa att produkten inte ska vara skadlig för användaren inom den angivna hållbarheten, vare sig det beror på tillväxt av patogena bakterier eller utveckling av bakteriella toxiner.

Figur 2. Tillväxt/ingen tillväxt av C. botulinum i köttprodukter. Risken för tillväxt för just denna profil (kombination av tillsatta konserveringsmedel, MA-förpackning och förvaring vid 5 °C) ligger i den gula zonen (markerad med en svart prick) och försiktighet bör iakttas. Förutsägelser genereras med hjälp av modellerna på www.DMRIPredict.dk.

 

Hur använder man säkerhetsmodellerna?

Varje modell har lite olika användargränssnitt beroende på vilken mikroorganism, produkt eller process som innefattas. Till exempel förutsäger modellerna “ConFerm” och “Safety of dried meat products” nivån av tillväxt, minskning eller till och med överlevnad av flera patogener samtidigt, medan “C. botulinum”-modellen bara tittar på om C. botulinum kan växa eller inte, under en given process (Figur 2).

Listeria”-modellen har flera sätt att generera resultat med alternativ för att t.ex. titta på flera scenarier i ett givet intervall (av t.ex. Na-laktat-tillsats) för att få en snabb överblick över effekten av en receptvariation (Figur 3) eller titta på Listeria under en dynamisk lagringsprofil (dvs. om temperaturen ändras under olika perioder under hållbarhetstiden).Gemensamt för alla modellerna är att recept- och processvariablerna läggs in och ett resultat genereras som kommer att förutsäga om det finns risk för patogentillväxt (eller toxinproduktion), eller om produkten kan anses vara säker, om den produceras under givna omständigheter.

Framtiden
Med de senaste årens intensiva fokus på livsmedelssäkerhet, efter utpekandet av matsvinn som en allvarlig faktor för att hantera klimatförändringarna, råder det ingen tvekan om att användningen av prediktiv modellering kommer att öka. Lägg därtill att det finns en hel del produktutveckling i pipelinen för att skapa mer hållbara köttprodukter (t.ex. genom att lägga till grönsaker eller baljväxter i recepten) samt en ökande vana (och acceptans av) att använda prediktiva verktyg. I takt med att data samlas in och bearbetas ökas utbudet av tillgängliga modeller i motsvarande grad. Det pågår alltså ett arbete på DMRI för att lägga till ytterligare två modeller inom en snar framtid. En för att förutsäga hållbarhet hos inälvor (lever, njure, mellangärde) och en för att förutsäga tillväxt avgasproducerande mjölksyrabakterier (som orsakar “svullna” förpackningar) i bearbetade köttprodukter. Som för alla andra modeller kommer de nya modellerna att vara offentligt tillgängliga (utan kostnad) för registrerade användare på www.DMRIPredict.dk. Modeller kommer även fortsättningsvis att läggas till efter behov (som identifierats i den skandinaviska köttindustrin) och finansiering.

 

Figur 3. Tillväxt av L. monocytogenes i köttprodukter med ökande koncentrationer av tillsatt Na-acetat, MA-förpackade och vid förvaring vid 5v°C (tabellen är förkortad). Förutsägelser genereras med hjälp av modellerna på www.DMRIPredict.dk.

Nyfiken på mer? På DMRI erbjuder vi en utbildning för att upptäcka den fulla potentialen hos DMRIPredict och kraften i att använda prediktiv modellering i produktutveckling, validering och riskbedömning.

Erkännanden

Modellutvecklingen har bedrivits under flera år med ekonomiskt stöd från fonder, företag och FoU-program:

·         Danish Pig Levy Fund; Danish Poultry Production Levy Fund; Danish Cattle Levy Fund

·         Meat & Livestock Australien (MLA); Nortura, Norge; HKScan, Sverige

·         GUDP Danmark (Grönt utvecklings- och demonstrationsprogram), den danska miljöstyrelsen under Danmarks miljöministerium

·         Utbildnings- och forskningsstyrelsen, under danska Utbildnings- och forskningsministeriet

 

Referenser
Bigelow, W.D. 1921. “The Logarithmic Nature of Thermal Death Time Curves”. The Journal of Infectious Diseases 29, no. 5: 528-536. https://doi.org/10.1093/infdis/29.5.528

Länkar till juridiska (och relaterade) dokument där prediktiv modellering föreslås.
Codex Alimentarius. CAC/GL 69-2008: Riktlinjer för validering av kontrollåtgärder för livsmedelssäkerhet. http://www.fao.org/fao-who-codexalimentarius/sh-proxy/en/?lnk=1&url=https%253A%252F%252Fworkspace.fao.org%252Fsites%252Fcodex%252FStandards%252FCXG%2B69-2008%252FCXG_069e.pdf

Kommissionens tillkännagivande (EG) 2016/C om implementering av ledningssystem för livsmedelssäkerhet som omfattar förutsättningsprogram (PRP) och förfaranden baserade på HACCP-principerna, inklusive underlättande/flexibilitet av implementeringen i vissa livsmedelsföretag (avsnitt 9 Verifiering (och validering) procedurer (princip 6)). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A52016XC0730%2801%29

Kommissionens förordning (EG) nr 2073/2005 av den 15 november 2005 om mikrobiologiska kriterier för livsmedel (bilaga II). http://data.europa.eu/eli/reg/2005/2073/2020-03-08

Food Standards Australia New Zealand. 2014. Vägledning för tillämpning av mikrobiologiska kriterier för Listeria monocytogenes i RTE-livsmedel. https://www.foodstandards.gov.au/publications/Documents/Guidance%20on%20the%20application%20of%20limits%20for%20Listeria%20monocytogenes%20FINAL.pdf

Juneja, V., C-A. Hwang, L. Huang. 2011-16. “Development of Predictive Microbial Models for Food Safety and Their Associated Use in International Microbial Databases”. USDA-ARS, Institute of Food Research (IFR), University of Tasmania (UTAS)). https://www.nal.usda.gov/fsrio/research-projects/development-predictive-microbial-models-food-safety-and-their-associated-use-international

Rekommenderad läsning
Mafart, P. 2005. “Food engineering and predictive microbiology: on the necessity to combine biological and physical kinetics”. International Journal of Food Microbiology 100, no. 1-3. 239-251 https://doi.org/10.1016/j.ijfoodmicro.2004.10.023

Membré, JM. 2007. “Use of predictive microbiology in the food industry”. New Food Magazine 16, no. 4. https://www.newfoodmagazine.com/article/1217/use-of-predictive-microbiology-in-the-food-industry/

Membré, JM and V. Valdramidis. 2016. “Modeling in Food Microbiology: From Predictive Microbiology to Exposure Assessment”. ISTE Press – Elsevier. ISBN: 978-1-78548-155-0 https://doi.org/10.1016/C2015-0-01307-7

PMIP – Predictive Microbiology Information Portal (USDA-ARS, USDA-FSIS). Portal som är anpassad för att hjälpa livsmedelsföretag (stora och små) att använda prediktiva modeller, lämplig tillämpning av modeller och korrekt modelltolkning. https://portal.errc.ars.usda.gov/PMIPHome.aspx

Stavropoulou, E. and E. Bezirtzoglou. 2019. “Predictive Modeling of Microbial Behavior in Food”. Foods. 8. No. 12. 654-69. https://doi.org/10.3390/foods8120654

 

Relaterade

Häng med i Livsmedelsbranschen!
Få vårt nyhetsbrev som kommer ut
minst en gång i veckan GRATIS! 

Registrera dig, klicka här!