即食治疗性食品中沙门氏菌的热失活及基于神经网络与传统模型的预测

《Food Research International》：Thermal inactivation of Salmonella in ready-to-use therapeutic food and prediction using neural network and conventional models

　　

研究人员针对即食治疗性食品（RUTF，脂质类营养补充剂，水分活度aw≤0.6）中沙门氏菌（Salmonella）控制难题，采用薄层法在75、85、95?°C下对商业化预烹RUTF（aw≈0.27）进行热处理。结果显示，85?°C处理60?min可实现超5 log减少（D85°C=10.3?min），95?°C处理30?min可达超7 log减少（D95°C=4.1?min）。研究人员构建了全连接前馈神经网络（NN）模型，以温度与时间作为输入、沙门氏菌log减少量为输出，并与Weibull及Bigelow传统模型比较；NN模型训练集RMSE=0.23 log CFU/g、R2=0.989，验证集RMSE=0.36 log CFU/g、R2=0.986，精度优于传统模型。研究表明NN可准确预测RUTF热处理中沙门氏菌灭活动态，为厂商提供基准数据与过程控制框架。

研究背景方面，低水分食品（LMF，a_w≤0.85）中沙门氏菌是引发全球暴发的主要微生物危害，其在低水分基质中存活期长且热耐受性增强。即食治疗性食品（RUTF）作为用于严重急性营养不良患儿的即食脂质类营养补充剂（LNS），以花生等籽实为原料，沙门氏菌污染风险高且产品免烹饪食用，微生物安全至关重要。FDA与FAO/WHO建议RUTF热处理需实现4–6 log沙门氏菌减少，但因各厂商配方（脂肪、蛋白、a_w）差异，缺乏产品特异性热工艺基准。为此，研究人员以单一商业化预烹RUTF为模型，建立温度-时间-灭活量关系并开发神经网络预测工具。

主要关键技术方法上，研究人员获取工业伙伴提供的预烹RUTF（a_w≈0.31），以三种与LMF暴发相关沙门氏菌血清型（Tennessee、Enteritidis、Oranienburg）制备油相浮游菌（sessile cells）混合接种物，经4天23?°C acclimation后采用薄层法（样品厚0.60?mm、真空密封、水浴）在75/85/95?°C进行0–90?min热处理，每条件6重复；平板计数求log减少量与D值；以温度+时间为输入、log减少为输出构建三层隐藏层全连接前馈神经网络（NN，TensorFlow实现），取4重复训练、2重复验证，同训练集拟合Weibull与Bigelow模型并以RMSE与R²比较。

研究结果部分，3.1节温度曲线显示薄层样品中心升温至目标温度＜10?s，冰水冷却15?s降至10?°C，come-up与冷却时间可忽略。3.2节实验灭活表明75?°C/90?min仅减2.70?log（D_75°C=34.3?min），85?°C/60?min超5?log（D_85°C=10.3?min），95?°C/30?min达7.41?log（D_95°C=4.1?min）；75?°C不达标，85?°C≥60?min或95?°C≥20?min满足4–5 log指南。3.3.1节NN建模显示NN在75–95?°C全程捕捉线性与非线性的灭活动态，训练RMSE=0.23、R²=0.989，Weibull与Bigelow在95?°C偏差大（RMSE达1.59）。3.3.2节NN验证用独立2重复数据，RMSE=0.36、R²=0.986，残差79%落于±0.5?log内且无系统偏倚。

讨论与结论翻译总结：研究人员指出薄层实验室条件come-up极短，不等于工业大批量罐内冷点升温，所得D值属该产品-该工艺特定基准，厂商须依自身配方做中试验证。NN模型在限定条件内优于传统模型，可作RUTF热工艺设计与定量微生物风险评估辅助，但扩展至其他配方需补入a_w、脂肪含量、动态温控等变量再验证。结论为：预烹RUTF中沙门氏菌热耐受显著（D_85°C=10.3?min、D_95°C=4.1?min），85?°C/60?min或95?°C/30?min可分别达5?log与7?log减少；前馈神经网络能以温度-时间准确预测log减少（验证R²=0.986），优于Weibull与Bigelow模型，为RUTF制造提供首套产品级热处理参考协议与预测框架。论文发表于《Food Research International》。