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