Evaluating microbial inactivation models for thermal processing

21.1. Pendahuluan
Perlakuan panas dalam berbagai bentuk merupakan salah satu cara yang paling
banyak digunakan sebagai teknik pengawetan makanan. Bab ini membahas pertanyaan
tentang bagaimana mendeskripsikan, secara akurat dan pada saat yang sama dengan cara
umum, hubungan antara panas pengobatan dan beban mikroba yang dihasilkan dalam
produk makanan yang dipilih. Lebih khususnya, pendekatan pemodelan dalam bidang
mikrobiologi prediksi berhubungan dengan pengembangan model matematika yang
mampu menggambarkan inaktivasi mikroba selama langkah perlakuan panas.
Bab ini memiliki tiga bagian utama. Pertama, di Bagian 21.2 - 21.4 jenis model
yang ada menggambarkan mikroba inaktivasi sebagai fungsi waktu (model utama)
diberikan. Kemampuan untuk menggambarkan apa yang disebut bahu atau tailing dalam
kelangsungan hidup mikroba kurva dan karakter dinamis dari model, dirangkum secara
ringkas. Selanjutnya,dalam Bagian 21.5 diubah menjadi model sekunder, yang
menjelaskan parameter model primer (biasanya tingkat inaktivasi spesifik) sebagai fungsi
faktor lingkungan. Faktor-faktor ini dapat dikaitkan dengan perlakuan panas, misalnya
suhu, dan produk makanan, misalnya, pH. Pada Bagian 21.6. Tiga langkah yang tercakup,
ditangani secara paralel, adalah: (i) pemodelan termal sejarah produk makanan, (ii)
merumuskan beberapa mikroba backstage pertimbangan, dan (iii) pemilihan model
kinetik mikroba yang sesuai. Beberapa tren masa depan dibahas pada bagian 21.7

21.2. Deskripsi model utama inaktivasi

Pada bagian ini, disajikan beberapa pertimbangan mengenai kerangka umum untuk
pemodelan evolusi mikroba. Ekspresi umum untuk evolusi (menggabungkan
pertumbuhan, inaktivasi, atau kelangsungan hidup) dari populasi mikroba (campuran) N
yang terdiri dari i spesies dalam produk makanan homogen sebagai fungsi waktu, terdiri
dari n persamaan diferensial yaitu:

Dalam model utama i mewakili tingkat evolusi spesifik dari mikroba species i,
tergantung pada satu atau lebih dari variabel berikut:
1. Ni , kepadatan sel dari spesies itu sendiri (cfu /mL)
2. <Nj > kepadatan sel spesies lain (cfu /mL)
3. <S> konsentrasi substrat yang tersedia seperti glukosa, laktosa (jumlah/mL)
4. <P> konsentrasi metabolit mikroba seperti asam laktat, proton (jumlah/mL)
5. <env> kondisi lingkungan yang sebenarnya sebagai suhu, tekanan tinggi, garam
konsentrasi, konsentrasi asam lemak.
6. <phys> keadaan fisiologis spesies misalnya, karena dipengaruhi oleh sejarah
temperatur.
Untuk melengkapi deskripsi, persamaan diferensial untuk keadaan yang
bervariasi waktu variabel (misalnya, dp/dt) harus diformulasikan, sedangkan
pengaruh <env> adalah dimasukkan melalui tipe model sekunder. Total dari
persamaan menggabungkan semua faktor yang dapat mempengaruhi evolusi mikroba
di cara yang sehat. Untuk saat ini, sebagian besar model fokus pada pertumbuhan atau
inaktivasi. Untuk pertumbuhan, di mana i > 0, semua enam variabel seperti yang
disebutkan di atas adalah penting, karena semua proses internal yang terkait dengan
pertumbuhan sel dan pembagian harus dilakukan. Sebaliknya, untuk inaktivasi,
dengan i <0, faktor penentu utama adalah <env> dan <phys>. Faktor sebelumnya
termasuk suhu, pH, tetapi juga protektif komponen seperti asam lemak. Yang terakhir
mengacu pada semua komponen sel yang mungkin menentukan sensitivitas sel
terhadap inaktivasi (misalnya, protein membran).
Tiga pernyataan harus dirumuskan sehubungan dengan ekspresi [21,1].
Pertama, waktu variabel tidak secara eksplisit muncul di sisi kanan persamaan,
membuat persamaan diferensial ini otonom. Tentunya, waktu memiliki pengaruh pada
evolusi mikroba, tetapi ini secara tidak langsung, misalnya, karena akumulasi
metabolit mikroba. Kedua, ungkapannya valid untuk nilai lokal, misalnya, suhu. Jika
produk makanan tidak homogen, evolusi mikroba tergantung pada ruang juga.
Ketiga, pengukuran seperti nilai awal populasi mikroba N (0) tidak muncul di sisi
kanan ekspresi [21.1]: jelas, N (0) muncul hanya bermain ketika memecahkan set
persamaan diferensial untuk mendapatkan simulasi atau prediksi populasi mikroba N
sebagai fungsi waktu t.
Sejumlah besar model (seperti yang akan disajikan dalam Bagian 21.4)
tersedia dalam literatur yang tidak dapat dibingkai dalam ekspresi umum ini. Ini
disebut model statis dapat direpresentasikan sebagai N = f (t, N(0)) Dibandingkan
dengan ekspresi umum [21.1], penyederhanaan berikut telah dilakukan:
1. Relasi adalah ekspresi eksplisit N sebagai fungsi waktu dan secara eksplisit
menggabungkan N (0). Sebagaimana ditunjukkan dalam Van Impe et al. (1992),
eksplisit fungsi hanya berlaku di bawah kondisi lingkungan konstan. Di lain kata-
kata, penggunaan model-model jenis ini dalam kondisi waktu-berubah yang
realistis dapat hanya dieksploitasi dengan memperkirakan kondisi yang berubah-
waktu (misalnya, suhu) dengan bagian suhu konstan potongan-potongan dan
dengan mengatur ulang variabel tertentu pada awal setiap interval waktu,
misalnya, N (0). Tak perlu dikatakan, ini merupakan pendekatan dengan tangan
solusi numerik persamaan diferensial yang mendasari, yang agak rumit dan cara
buatan bekerja. Penggunaan model dinamis sangat istimewa ketika berhadapan
dengan kondisi yang bervariasi waktu (ini akan diilustrasikan dalam Bagian 21.6).
2. <N j >, <S>, <P>, <env> dan <phys> tidak dianggap sebagai waktu- variabel
bervariasi tetapi lebih sebagai kondisi konstan (awal).
 Tailing menunjukkan populasi yang resisten (tidak signifikan lebih jauh inaktivasi
dapat dicapai), sedangkan pola biphasic menunjukkan dua mikroba populasi
dengan perbedaan dalam sensitivitas panas.

21.3. Model inaktivasi dinamis

Pada bagian ini, tiga model dinamis dibahas: (i) pendekatan loglinear klasik, (ii)
model biphasic, dan (iii) model seperti sigmoidal termasuk efek bahu dan tailing.
21.3.1 Model loglinear
Inaktivasi mikroba atau proses kelangsungan hidup secara tradisional
digambarkan sebagai loglinear (Bigelow dan Esty, 1920; Anonim, 2000).

atau, dalam format yang lebih dikenal valid dalam kondisi statis:

Di sini, N menunjukkan kerapatan sel mikroba [cfu / mL], N (0) awal

kepadatan sel mikroba [cfu / mL], k [1 / min] inaktivasi orde pertama konstan dan
D [min] waktu pengurangan desimal. Dalam model ini diasumsikan bahwa tarif
kehancuran sebanding dengan jumlah organisme yang ada dan bahwa kematian
seorang individu tergantung pada peluang acak dari satu kunci molekul atau
`target 'di dalamnya menerima panas yang cukup (Casolari, 1988). persamaan ini
merupakan pendekatan paling mendasar untuk mikroba pemodelan inaktivasi dan
merupakan versi ekspresi yang paling sederhana (dengan i dinotasikan dengan-
k).
Penjelasan untuk penyimpangan ini telah dicari dan dapat dilakukan
dikategorikan sebagai konsepsi mekanistik dan vitalistik (Cerf, 1977). Menurut
konsepsi vitalistik, di satu sisi individu dalam populasi tidak identik misalnya,
karena variasi fenotipik antar sel. Ini berarti, yang mendasari kematian mikroba
akhirnya ada mekanisme pada tingkat molekuler, seperti inaktivasi enzim vital
tertentu atau DNA (Van Boekel, 2002) yang mungkin bervariasi antar individu.
Variasi mekanisme ini dari sel ke sel mengarah ke respons yang tidak identik
terhadap tekanan panas yang diimplementasikan dan dengan demikian, untuk
penyimpangan dari kinetika inaktivasi loglinear pada tingkat populasi.
Di sisi lain, mengingat teori mekanistik, dua penjelasan muncul: (i)
penyimpangan adalah fitur normal, yaitu, beberapa mikroorganisme tidak dapat
diakses untuk panas, atau memperoleh ketahanan panas selama perawatan, atau
(ii) penyimpangan adalah eksperimental artefak. Ini mungkin termasuk fenomena
seperti penggumpalan mikroorganisme atau faktor yang lebih terkait dengan
protokol eksperimental. Untuk yang kedua, beberapa contoh termasuk
heterogenitas perlakuan, perbedaan teknik penghitungan, pada protokol, medium,
tahap fisiologis inokulum, laju peningkatan suhu, kondisi lingkungan sebelum
perlakuan panas, dll.
21.3.2 Model Biphasic
Model dua fraksi, dapat dirumuskan sebagai berikut:

Di sini, f adalah fraksi dari populasi awal dalam sub populasi utama
( dengan f. N (0)= N1 (0)) dan (1-f) adalah pecahan dari populasi awal dalam sub-
populasi kecil (dengan (1-f). N (0)= N2 (0)), fraksi terakhir menjadi lebih tahan
panas daripada yang sebelumnya. D1 dan D2 [min] adalah pengurangan desimal
kali untuk dua fraksi, masing-masing. Model ini menjelaskan kurva biphasic, yang
umumnya dianggap mewakili campuran dua spesies atau strain yang memiliki
ketahanan panas yang berbeda. Versi dinamis dari model (sebagai jumlah dari dua
kinetika inaktivasi urutan pertama) membuatnya berlaku di bawah lingkungan
yang bervariasi waktu. Sekali lagi, model ini dapat dibingkai dalam ekspresi
[21,1], mengambil i = 2 dan N = N1 + N2. Kinetika inaktivasi termal bipasikik juga
dipelajari tanpa menggunakan faktor fraksi. Ini membuat transisi ke populasi
kedua (lebih tahan) kurang mulus.

21.3.3 Model mirip-Sigmoid

Model dinamis ketiga, yang terdiri dari dua persamaan diferensial
gabungan, adalah Geeraerd et al. (2000) model dibangun untuk inaktivasi
mikroba oleh pemanasan ringan.

Di sini, CC (komponen penting) terkait dengan keadaan fisiologis sel [-],

kmax adalah tingkat inaktivasi spesifik [1/menit], dan Nres adalah kepadatan
populasi sisa [cfu / mL]. Model ini memiliki empat derajat kebebasan: dua bagian
N (0) dan CC (0), dan dua nilai parameter kmax dan Nres. Faktor pertama di sisi
kanan persamaan [21,5] memodelkan bagian loglinear dari kurva inaktivasi dan
setara dengan kinetika inaktivasi orde pertama klasik, seperti dalam persamaan
[21,2]. Faktor kedua menjelaskan efek bahu dan didasarkan pada hipotesis adanya
kumpulan komponen pelindung di sekitar atau di setiap sel. Secara bertahap,
kolam ini hancur. Dalam hal bahu, 1/(1 + CC (0)) mengambil nilai kecil (positif).
Menjelang akhir wilayah bahu 1/(1 + CC (t)) menjadi (kurang-lebih) sama dengan
satu, karena komponen CC yang mengalami inaktivasi panas setelah hubungan
orde pertama (lihat persamaan [21.6]). Akhirnya, faktor terakhir dari persamaan
[21,5] menyiratkan adanya subpopulasi yang lebih kuat Nres yang dapat dibingkai
dalam konsep mekanistik atau vitalistik. Model ini dapat menunjukkan perilaku
loglinear dengan dan tanpa bahu dan/atau tailing yang menunjukkan transisi yang
mulus antara setiap fase. Penting untuk dicatat bahwa, untuk model ini, tailing
dipertimbangkan untuk populasi yang tidak mengalami inaktivasi signifikan lagi,
berbeda dengan, misalnya, model Whiting (Whiting, 1993) atau model biphasic
 yang disebutkan sebelumnya.Meskipun model ini diturunkan dalam formulasi
dinamis, solusi eksplisit, berlaku untuk kondisi lingkungan yang konstan, dapat
diperoleh.

Rumusan lain dari model statis adalah sebagai berikut:

Dalam persamaan ini, CC (0) digantikan oleh ekmaxSl - 1 sebagaimana

diturunkan di Geeraerd et al. (2000). Sl [min] adalah parameter yang mewakili
panjang bahu. Perhatikan bahwa dalam formulasi ini, semua parameter memiliki
makna biologis/visual yang jelas, yang menarik sehubungan dengan prosedur
estimasi parameter untuk model non-linear (nilai awal mudah diperoleh) dan
karena mereka dapat ditafsirkan setelahnya. Struktur model telah berhasil
diterapkan untuk data kelangsungan hidup berbagai mikroorganisme dan
perlakuan yang berbeda, seperti Listeria monocytogenes dan Lactobacillus sakei
selama inaktivasi termal ringan, Monilinia fructigena dan Botrytis cinerea selama
perlakuan cahaya putih berdenyut. Respon Toleransi Asam (ATR) dari Salmonella
enterica dan L. monocytogenes, dan inaktivasi L. monocytogenes dalam salad
ayam modifikasi pH selama penyimpanan dingin. GInaFiT (Geeraerd et al.
Inaktivasi Model Fitting Tool), Addin freeware untuk MicrosoftÕ Excel,
berdasarkan bentuk eksplisit [21.8] dari model inaktivasi. Alat ini memberikan
perkiraan parameter dan Kesalahan Standar Asymptotic, serta perhitungan
beberapa ukuran statistik seperti Jumlah Kesalahan Kuadrat (dengan kesalahan
yang didefinisikan sebagai perbedaan antara nilai log yang terukur dan nilai
prediksi (N)), dan R2 (Disesuaikan).

21.4. Model inaktivasi statis

Pada bagian ini, model inaktivasi statis yang disajikan yaitu Model Sigmoidal,
Model cembung, dan Kurva cekung cembung.
21.4.1 Model Sigmoidal
Telah dikembangkan model, untuk mempelajari inaktivasi termal Listeria
monocytogenes, berdasarkan distribusi sensitivitas panas dalam populasi sel yang
dipanaskan. Ekspresi model dengan empat parameternya adalah sebagai berikut:

Di sini, α asymptote atas [-] (~ N (0) di [21.7]), ω adalah asymptote yang

lebih rendah [-] (Nres di [21.7]),τ adalah posisi kemiringan maksimum [-] dan σ
nilai kemiringan maksimum ini [1/menit] (~kmax di [21.7]). Meskipun modelnya
bisa mensimulasikan kurva loglinear dengan dan tanpa bahu dan ekor, ia memiliki
 simetris log-logistic nature yang tidak dapat dimotivasi berdasarkan data
eksperimen (Geeraerd et al., 2000). Bhaduri dkk. (1991) dan Linton dkk. (1995)
menggunakan Gompertz yang dimodifikasi persamaan untuk menggambarkan
kurva survival non-linear untuk Listeria monocytogenes
Kelompok penulis yang terakhir menggunakan formulasi berikut:

Di sini, C, B dan M merupakan koefisien regresi. Persamaan ini mampu

menggambarkan kurva loglinear dan kurva survival sigmoidal. Namun,
membedakan persamaan ini untuk mengambil bentuk dinamisnya menghasilkan
persamaan yang secara eksplisit tergantung pada populasi awal, membatasi
penerapannya. Model Buchanan dkk. (1993) menjelaskan efek bahu diikuti oleh
peluruhan eksponensial dan kemudian diperpanjang oleh Breand (1998). Sesudah
ini ekstensi adalah model linear tiga fase di mana bahu dan efek tailing sudah
termasuk:

Di sini, k0 [1 / menit] adalah tingkat inaktivasi awal, tlag [min] adalah fase
lag awal selama populasi menurun secara perlahan, tmaks [min] adalah waktu di
mana a nilai yang lebih rendah tercapai di mana, sekali lagi, populasi berkurang
secara perlahan. Model ini dapat memiliki lengkungan loglinear dengan dan tanpa
efek bahu dan tailing tetapi tanpa zona transisi yang mulus. Model ini pada
dasarnya tidak dapat terdiferensiasi (seperti ini terdiri dari tiga fase terpisah) yang
membatasi penerapannya ke konstan pada keadaan lingkungan.
21.4.2 Model cembung
Membre et al. (1997) mengembangkan model primer eksponensial untuk
menggambarkan kurva inaktivasi cembung Salmonella typhimurium.

Di sini, k sesuai dengan bentuk kurva kehancuran [1/menit] dan digunakan

sebagai indikator laju kerusakan bakteri. Fitur minimalis (hanya dua parameter)
dari model empiris ini adalah motivasi utama bagi penulis untuk menggunakan
model ini. Versi dinamis dari model ini tidak dapat diekstraksi dengan cara untuk
menghilangkan waktu dan N (0) di sisi kanan persamaan.
21.4.3 Kurva cekung cembung
Model Weibull didasarkan pada konsep bahwa kurva survival adalah
bentuk kumulatif dari distribusi berbagai waktu inaktivasi dalam suatu populasi
mikroba. Pendekatan ini dapat dianggap dekat dengan vitalistik teori seperti yang
 diusulkan oleh Cerf (1977). Telah diuji untuk beberapa mikroorganisme dan
diterapkan untuk menghitung ulang efisiensi sterilisasi oleh Mafart et al. (2002).

Di sini, α [min] adalah parameter skala, dan β [-] adalah parameter bentuk.
Bisa menggambarkan nonlinearitas cembung ( β >1) dan cekung (β<1) kurva dan
pendekatan orde pertama klasik (β=1). Bentuk yang berbeda dari kurva inaktivasi
semua dapat dijelaskan dalam hal sifat statistik distribusi mendasari yang berbeda
dari resistensi atau kepekaan, menjadi manifestasi kinetika mematikan dari
berbagai pesanan.
Van Boekel (2002) dan Mafart dkk (2002) mengamati korelasi yang kuat
antara parameter α dan β. Ketergantungan parameter adalah karena struktur
model (misalnya, kesalahan pada α akan diimbangi dengan kesalahan pada β).
Kekurangan ini dapat dihilangkn dengan memperbaiki nilai β. (Peleg dan
Penchina, 2000; Mafart dkk., 2002; Fernandez et al., 2002) mempertahankan
dua model parameter (N (0) dan α). Harus diperhatikan bahwa dengan
melakukan itu kelengkungan model dibatasi menjadi loglinear, cekung atau
cembung. Penurunan model Weibull sehubungan dengan waktu menghasilkan
suatu dinamika versi di mana waktu tidak dapat dihilangkan.

21.5. Deskripsi model sekunder inaktivasi

Model sekunder bertujuan menggambarkan efek lingkungan atau pengolahan
faktor pada kinetika survival atau inaktivasi mikroorganisme. Secara tradisional, ketika
mempelajari faktor lingkungan di kondisi inaktivasi, diasumsikan bahwa organisme
dalam suatu populasi adalah identik, memiliki nilai konstan dan orde pertama. Model
utama (log-linear) dalam bentuk statisnya dapat menggambarkan inaktivasi mereka.
Akibatnya, sebagian besar model sekunder fokus pada deskripsi k atau alternatif D
sebagai fungsi dari sejumlah kondisi lingkungan. Itu harus dicatat bahwa kebanyakan
studi untuk model sekunder didasarkan pada pembentuk spora bakteri bukan pada
pembentuk non-spora dan sebagian besar penelitian berada pada beberapa kondisi
lingkungan yang berbeda tetapi konstan.
21.5.1 Pengaruh suhu
Dalam kebanyakan kondisi, suhu adalah faktor kunci yang mengendalikan
kelangsungan hidup atau inaktivasi bakteri selama perawatan termal. Kedua
pemodelan dasar pendekatan untuk menghubungkan suhu dan tingkat inaktivasi
(Anonim, 2000).
1. Model Arrhenius, yang berbunyi sebagai berikut:

Dengan k reaksi spesifik dalam hal ini, inaktivasi tingkat [1 /menit], Ea

disebut energi aktivasi dari sistem reaksi [J / mol], T absolut suhu [K], R
 konstanta gas universal [J / (mol K)] dan A yang jadi disebut faktor tabrakan
[1 /menit].
2. Model Bigelow (Bigelow, 1921), merupakan pendekatan tradisional di
industri pengalengan untuk mempelajari pengaruh suhu pada mikroba
termostatik:

Di sini, D dan Dref [1/menit] menunjukkan waktu pengurangan desimal

pada suhu T [˚C] dan pada suhu referensi Tref [˚C] masing-masing dan z [˚C]
mewakili konstanta resistan termal, yaitu jumlah derajat perubahan suhu yang
diperlukan untuk mencapai perubahan sepuluh kali lipat dalam nilai D. model
ini menjelaskan secara linear pengaruh suhu pada logaritma dari waktu
pengurangan desimal.
Ketika membandingkan model Arrhenius dan Bigelow, jelas bahwa a
tergantung suhu hubungan antara Ea dan z ada. Namun, Besarnya kedua
koefisien tersebut sangat berbeda dan ada pengaruh suhu diabaikan selama
referensi suhu berada dalam rentang yang digunakan untuk pengumpulan data
(Anonim,2000).
21.5.2 Pengaruh beberapa faktor
Beralih ke pengaruh gabungan dari kondisi lingkungan yang berbeda
seperti pH dan konsentrasi garam pada k atau D, model yang paling umum dapat
digunakan yaitu (i) Modified (atau linear) Arrhenius, di mana ln(k) berhubungan
linier dengan 1/T, pH, pH2 . . . (ii) tipe Bigelow, dan (iii) polinomial atau respon
permukaan model Secara umum. sementara Jenis modifikasi Arrhenius dan
Bigelow model tidak (menyimpulkan efek aditif). Bukti untuk efek yang
berinteraksi antara suhu dan pH disajikan oleh studi Lopez et al. (1996) dan
Fernandez et al. (1996), untuk spora Bacillus stearothermophilus dan
Sporogenes Clostridium. Untuk mengilustrasikan hal ini, pertimbangkan model
(tambahan) Mafart dan Leguerinel (1998) yang berbunyi sebagai berikut:

Di sini, T* adalah suhu referensi (misalnya 121,1˚C), pH* adalah pH

ketahanan panas maksimum (umumnya pH 7 untuk spora), z T adalah yang umum
digunakan untuk nilai z termal, zpH adalah jarak pH dari pH* yang mengarah ke
sepuluh kali lipat pengurangan waktu pengurangan desimal, D* adalah nilai-D
pada T* dan pH*. Model ini dimodifikasi oleh Gaillard et al. (1998a) dengan
menambahkan istilah interaksi suhu:
 Model ini tidak lagi dianggap sebagai model tipe Bigelow karena tidak
mungkin diulang menggunakan nilai z. Menambahkan istilah interaksi ini, nilai
R2 yang diperoleh ditingkatkan (sedikit) ketika menjelaskan inaktivasi Bacillus
cereus. Namun, keharusan memasukkan istilah interaksi seperti itu masih
diperdebatkan dalam literatur. Meskipun (kecil) meningkatkan kualitas fit saat
memasukkan istilah interaksi (Gaillard et al., 1998a), penulis menekankan
signifikansi biologis dari nilai parameter untuk versi tambahan asli dan sedikit
peningkatan kualitas cocok untuk versi yang diperpanjang. Pandangan ini jelas
tidak dibagikan oleh kelompok-kelompok penelitian yang mengembangkan
model-model polinomial, lebih suka memadukan efek interaksi antara berbagai
faktor lingkungan seperti, misalnya suhu, pH,% garam dan% natrium pirofosfat
(Juneja et al., 1999).
Model tipe bigelow lebih disukai daripada model tipe Arrhenius (karena
signifikansi biologis dari nilai parameter) untuk studi kasus di mana faktor
bertindak aditif, sedangkan hubungan polinom atau persamaan seperti [21.19]
harus digunakan ketika efek interaksi yang menonjol hadir. Selain itu, seperti
untuk semua pendekatan pemodelan, seseorang harus berhati-hati ketika
menerjemahkan model sekunder ini berdasarkan data laboratorium ke situasi nyata
produk makanan.

21.6. Memodelkan interaksi antara mikro-organisme, makanan dan perlakuan panas

Di bagian ini, resep pemodelan berbasis aplikasi umum, menyoroti langkah-
langkah berbeda yang diperlukan untuk memberikan prediksi kematian mikroba yang
akurat adalah proses menganalisis interaksi antara mikro-organisme, produk makanan
tertentu, dan panas pengobatan diilustrasikan. Langkah-langkah pemodelan yang berbeda
dicontohkan dengan mensimulasikan dekontaminasi permukaan Escherichia coli ,K12 di
laboratorium sistem imping udara.
21.6.1 Memodelkan proses panas target
Setelah membangun transfer panas model, langkah penting adalah validasi
model , seberapa baik model (dengan nilai parameter yang teridentifikasi)
dibandingkan dengan suhu sebenarnya pengukuran, kemungkinan terdistribusi
secara heterogen di atas permukaan makanan dan interior makanan. Hasil akhir
dari bagian resep pemodelan ini adalah realistis (lokal) profil temperatur,
mencirikan baik proses yang dipilih dan produk makanan. Perhatikan bahwa hasil
ini ditunjukkan sebagai T= g(t) dengan g mengacu pada numerik solusi, misalnya
satu set diferensial dan aljabar yang digabungkan (parsial) persamaan yang
membentuk model transfer panas.
21.6.2 Memodelkan mikroorganisme sasaran inaktivasi mikroba
Kinetika inaktivasi panas secara klasik ditentukan dalam media cair di
berbagai tingkat suhu konstan. Untuk studi kasus ini, diputuskan untuk berasumsi
kesetaraan jenis eksperimen dengan kinetika dekontaminasi permukaan,
mengharuskan kebutuhan untuk menilai hipotesis ini selama fase validasi. E. Coli
telah dipilih sebagai pengganti untuk patogen makanan. Lebih penting lagi,
bakteri coliform relevan untuk kontaminasi permukaan feses produk makanan.
Setelah persiapan inokulum dalam kaldu, eksperimen inaktivasi isotermal terjadi
di gelas steril tabung kapiler dan direndam dalam suhu konstan pada suhu 54,
54.6, 56.6, 58.6 dan 60.6˚C. Waktu untuk suhu di kapiler telah diperkirakan
menjadi 30 detik dalam kasus terburuk dan data hingga waktu itu untuk semua
eksperimen isotermal dihilangkan (sebagai fokus penelitian pada percobaan
isotermal) mengenai mereka sebagai bagian dari prasejarah mikroba. Perhitungan
untuk waktu datang telah dilakukan berdasarkan konduksi panas pemodelan
dengan menggunakan persamaan Fourier (Nicola et al., 2001).
Model non-linear dinamis dari Geeraerd et al (2000), dibangun untuk
inaktivasi mikroba oleh pemanasan ringan, dan disajikan pada persamaan
(21.5)dan (21.6), telah dipilih sebagai model penggunaan. Pilihan model ini adalah
berdasarkan kemungkinan untuk mendeskripsikan log inaktivasi kurva, seperti
yang diamati dalam data kami dan kemampuan untuk memprediksi inaktivasi
mikroba dalam kondisi lingkungan yang dinamis. Karena tidak ada efek tailing
yang diamati dalam data ini.

Model ini juga dapat digunakan dalam bentuk eksplisitnya seperti pada
persamaan (21.7) pada kondisi suhu konstan, seperti halnya untuk isotermal pada
percobaan. Jika tailing tidak ada, persamaan (21.7) dapat disederhanakan.

Dapat diamati bahwa pada preferensi diberikan ke versi statis dengan Cc

(0), parameter bukan panjang bahu Sl , karena panjang bahu ini tidak ada dalam
kondisi yang bervariasi waktu, yang akan diperlukan untuk diterapkan dalam
bagian 21.6.4. Untuk model sekunder, model Bigelow digunakan untuk
menghubungkan tingkat inaktivasi spesifik dengan suhu.

Untuk identifikasi parameter berdasarkan kriteria Sum klasik dari Squared

Errors satu langkah atau regresi global diterapkan untuk mencegah akumulasi
kesalahan. Pendekatan ini memperkirakan nilai Dref dan nilai z dalam satu langkah
oleh penggabungan model Bigelow (sekunder) untuk k max dalam model inaktivasi
termal (primer). Derajat kebebasan untuk langkah identifikasi parameter adalah N
(0) dan Cc (0), untuk setiap inaktivasi kurva secara terpisah, dan satu Dref dan
nilai z Untuk memastikan bahwa semua derajat kebebasan ini memiliki urutan
besaran yang sama dan untuk menormalkan varians pada N (t), transformasi
 logaritmik N (0) dan Cc (0) (dilambangkan sebagai n(0) dan cc (0)) dilakukan
sebelum langkah identifikasi parameter. Mengamati bahwa langkah ini
dilambangkan sebagai N= f (t) pada Gambar. 21.2 dengan f menunjukkan analitis
ekspresi, berbeda dengan T=g (t) dalam Bagian 21.6.1.
21.6.3 Memodelkan mikroorganisme sasaran: mikroba belakang panggung pertimbangan
Langkah ketiga (sentral) dalam resep pemodelan ini mencakup aspek
keduanya proses target dan (terutama) bagian mikroorganisme sasaran
menggambarkan secara akurat inaktivasi mikroba dalam lingkungan suhu yang
dinamis mengharuskan perumusan sejumlah pertimbangan. Mereka dilambangkan
sebagai pertimbangan belakang panggung karena mereka tidak dimasukkan dalam
model matematika.
Pertimbangan mikrobiologi utama dapat dirumuskan sebagai berikut:
1. Apakah ada pertumbuhan mikroba mungkin selama waktu untuk mencapai
yang diinginkan suhu inaktivasi (yaitu, waktu datang)?
2. Berapakah suhu (terendah) saat inaktivasi dimulai?
3. Apakah ada peningkatan resistensi panas dari mikro-organisme karena
peningkatan suhu secara bertahap?
Jawaban atas pertanyaan-pertanyaan - berdasarkan literatur dan
pengamatan eksperimental mengarah ke formulasi sejumlah fakta, yang mungkin
berbeda untuk target mikroorganisme dan target perawatan termal yang berbeda.
Harus menyadari bahwa bahkan ketika masalah ini diabaikan, beberapa hipotesis
dengan cara tersembunyi yang digunakan selama simulasi dinamis (seperti yang
akan terjadi disajikan dalam Bagian 21.6.4) dengan demikian, dapat
menyebabkan kinetika yang tidak realistis. Oleh karena itu, sangat penting untuk
mengungkap pertimbangan backstage.
Untuk studi kasus E. coli, jawaban berikut dapat dirumuskan:
1. Nilai suhu kardinal E. Coli adalah (i) pertumbuhan minimum suhu, sekitar 8 °
C, (ii) suhu pertumbuhan optimal sekitar 37˚C, dan (iii) suhu pertumbuhan
maksimum, sekitar 44 ± 45˚C. Selain itu, tingkat pertumbuhan E. coli tertinggi
tidak melebihi 3 log [cfu / mL] /3.5 jam ketika suhu antara 32,8 dan 40˚C
untuk tingkat pemanasan di suhu yang dapat menonaktifkan tercapai dalam
beberapa menit, tidak ada yang relevan terhadap pertumbuhan E. coli
diharapkan.
2. Eksperimen inaktivasi termal E. coli pada 49,5˚C (hasil tidak ditampilkan),
mengikuti protokol yang sama untuk generasi data yang disajikan,
menunjukkan sebahu sekitar 180 menit. Karena itu, diasumsikan bahwa
inaktivasi E. coli dimulai pada suhu di atas 49.5˚C.
3. Sepengetahuan kami, tidak ada data literatur yang tersedia (melaporkan jumlah
populasi mikroba yang layak) menentukan secara kuantitatif pengaruh suhu
yang meningkat pada ketahanan panas E. coli.
21.6.4 Simulasi mikroba dalam profil temperatur dinamis yang realistis
Bergabung dengan semua elemen yang disajikan di bagian sebelumnya,
simulasi realistis perilaku mikroba di bawah profil temperatur dinamis T = g(t)
menjadi layak. Pada titik ini, pentingnya memilih model dinamis untuk
menggambarkan inaktivasi mikroba menjadi jelas. Dengan memanfaatkan
persamaan [21.6] dengan ekspresi Bigelow [21.17] dimasukkan dalam persamaan
dinamis,yaitu diperoleh untuk digunakan dalam suhu yang bervariasi waktu
kondisi.

Di sini z, Dref , n(0) dan cc(0) ditetapkan pada nilai-nilai seperti yang
diidentifikasi dalam Bagian 21.6.2. Namun perlu dicatat bahwa perkiraan
parameter harus digunakan dengan hati-hati untuk suhu di luar wilayah percobaan
(yaitu, 49,5-54˚C,> 60,6˚C) di mana ekstrapolasi dibuat. Dengan mengambil
langkah-langkah berikut berikut: (i) kopling persamaan [21.23] dan [21.24]
dengan profil temperatur T=g(t) dari Bagian 21.6.1, (ii) dengan
mempertimbangkan mikrobiologi yang disebutkan di atas pertimbangan, dan (iii)
pemecahan (secara numerik) untuk N = g(T(t), t ) tujuan simulasi mikroba dalam
profil suhu dinamis yang realistis adalah tercapai.