基于行为分型的乳制品中单核细胞增生李斯特菌生长预测建模：食品安全元分析框架

《Food Control》：Behavior-Based Modeling of Listeria monocytogenes Growth in Dairy Products: A Meta-Analytical Framework for Food Safety

　　

： 乳制品的微生物安全性始终是全球公共卫生与国际食品贸易关注的焦点。在食源性病原体中，单核细胞增生李斯特菌（Listeria monocytogenes）因其嗜冷特性及在多样食品加工环境中持续存在的能力而构成严峻挑战，该能力由其应对环境胁迫的复杂适应性反应所支撑（Osek et al., 2022）。作为一种嗜冷、兼性厌氧菌，L. monocytogenes 能在抑制多数竞争性微生物群的条件下存活并增殖，这些条件包括冷藏温度、高渗透压（低水分活度，water activity，aw）（Yates & Wiedmann, 2026）以及酸性环境（低pH）（Wu et al., 2023）。在乳制品工业中，产品微观尺度的多样性——从巴氏杀菌乳的均一流体相到成熟干酪复杂的固态蛋白-脂肪网络——构成了决定该病原体动力学行为的广泛生态位谱系（Mangavel et al., 2026）。 尽管经过数十年研究，乳制品系统中的预测微生物学仍面临显著局限性（Ramos et al., 2021）。尽管已有大量针对特定乳制品系统直接开发的预测模型，但多数模型仍呈碎片化且具有产品特异性，往往缺乏量化普适性“基质效应”（matrix effect）所需的整合性（Adamczewski et al., 2022; Chaturvedi et al., 2023; Bonilla-Luque et al., 2025）。这些模型常将食品基质视为宏观均质系统，可能忽视结构化食品微结构中空间限制与局部营养扩散之间的复杂相互作用（Verheyen & Van Impe, 2025）。实际上，病原体常被限制于血清微区或脂肪球与蛋白质簇之间的界面，其中pH和湿度的局部梯度形成了与整体平均值显著不同的异质性胁迫景观（Jeanson et al., 2011）。 此外，现有模型的预测能力常因排除关键生物学与组成变量而受限。基质组成描述符、产品结构与生物因素（如初始接种量和种内菌株变异性）之间的相互作用，很少在整合性元分析框架内被量化（Purk et al., 2023）。虽然参考菌株如Scott A常被用于挑战试验，但环境与临床分离株的基因组和表型多样性表明，“一刀切”的建模方法可能导致危险的低估或过度保守的货架期预测，具体取决于基质的行为了群（Chowdhury & Anand, 2023）。 大数据与机器学习的兴起为将食品安全评估从基于产品的命名法转向基于行为的聚类提供了契机（Li et al., 2025）。元分析方法能够综合大型实验数据库（如ComBase数据库）（Baranyi & Tamplin, 2004）中的海量数据，识别跨异质数据的微生物响应普适模式。通过采用主成分分析（Principal Component Analysis，PCA）和主成分层次聚类（Hierarchical Clustering on Principal Components，HCPC）等高级统计框架，可将异质实验数据集整合为统一分析框架。 本研究提出一个包含867条乳制品中L. monocytogenes生长曲线的大规模元分析框架。研究目标有三：（i）利用随机森林（Random Forest，RF）重要性框架建立生长相关预测因子的层级排序，包括基质组成描述符和菌株信息；（ii）定义行为风险聚类，量化从流体动力学到胁迫限制型固态生长的转变；（iii）开发并评估具有高描述性能的聚类特异性二级模型。通过将多因素环境与生物变量整合到分段建模方法中，本研究为全球乳制品供应链中靶向食品安全干预和HACCP（Hazard Analysis and Critical Control Points，危害分析与关键控制点）方案优化提供了循证框架。

论文主体内容解读

一、研究背景与现存问题

乳制品的微生物安全是全球公共卫生和国际贸易关注的核心议题。单核细胞增生李斯特菌（Listeria monocytogenes）作为一种嗜冷、兼性厌氧病原体，能够在冷藏温度、高渗透压（低水分活度，water activity，a_w）和酸性环境（低pH）等抑制多数竞争微生物的条件下存活并增殖，对乳制品安全构成持续威胁。然而，现有预测微生物学模型在乳制品系统中的应用仍存在显著局限：多数模型呈碎片化和产品特异性，缺乏整合性以量化普适的“基质效应”（matrix effect）；模型常将食品基质视为宏观均质系统，忽视了结构化食品微结构中空间限制与局部营养扩散的复杂相互作用；同时，现有模型普遍排除关键生物学与组成变量，如初始接种量和菌株变异性。参考菌株Scott A虽被广泛用于挑战试验，但环境与临床分离株的基因组和表型多样性表明，“一刀切”的建模策略可能导致危险低估或过度保守的货架期预测。因此，研究人员利用大数据和机器学习技术，旨在将食品安全评估从基于产品命名法的范式转向基于行为聚类的分析框架。

二、研究内容与核心结论

本研究构建了一个包含867条乳制品中L. monocytogenes生长曲线的大规模元分析框架，研究目标有三：建立生长相关预测因子的层级排序；定义行为风险聚类以量化从流体动力学到固态生长受限的转变；开发并评估聚类特异性二级模型。研究结果表明，温度是预测L. monocytogenes生长速率的最主导变量；HCPC（Hierarchical Clustering on Principal Components，主成分层次聚类）识别出三个超越商业乳制品命名法的行为聚类；固态基质中温度与生长速率的相关性显著减弱，呈现多因素控制特征；空间限制改变了生长边界；部分环境分离株的生长速率可超过Scott A参考菌株。该研究为靶向食品安全干预和HACCP（Hazard Analysis and Critical Control Points，危害分析与关键控制点）方案优化提供了循证框架。

三、关键技术方法

研究人员采用了以下几项关键技术方法：从ComBase数据库（Combined Database for Quantitative and Predictive Food Microbiology，定量与预测食品微生物学联合数据库）中检索并人工筛选获得867条生长曲线，经生物过滤后保留316条动力学曲线用于后续分析；采用最大正斜率法估算最大比生长速率（maximum specific growth rate，μ_max）；构建扩展的多因素Ratkowsky型二级模型；利用主成分分析（Principal Component Analysis，PCA）和HCPC进行多元分割与聚类；采用随机森林（Random Forest，RF）回归器进行变量重要性排序和敏感性分析；通过皮尔逊相关系数进行聚类内成对相关分析；采用非线性最小二乘回归（Levenberg-Marquardt算法）估计聚类特异性模型参数，并以均方根误差（Root Mean Square Error，RMSE）和决定系数（R2）评估模型性能。

四、研究结果

4.1 数据整理与描述性统计

经生物过滤后保留316条生长曲线，其中306条用于聚类分析，274条用于随机森林敏感性分析。最终动力学景观显示，平均最大比生长速率（μ_max）为0.041 log CFU/h（范围：0.00002至0.600 log CFU/h），温度范围为3.0至35.0 °C，pH范围为4.32至7.00，脂肪含量为0.0%至25.0%（w/w），初始接种量（N₀）为0.0至7.8 log CFU/g，滞后期（lag phase）最长可达650小时。

4.2 行为聚类与多元景观

PCA前两个主成分解释了75.5%的总方差，HCPC识别出三个行为聚类。聚类1（固态/高脂）包含235条曲线（76.8%），主要与成熟干酪相关，平均pH为5.30，μ_max为0.0197 log CFU/h，固态微结构施加了结构和扩散限制。聚类2（流体/低脂）包含52条曲线（17.0%），与高pH（6.21）强相关，μ_max为0.0333 log CFU/h，流体环境促进营养和代谢物扩散。聚类3（高温滥用）包含19条曲线，平均温度28.3 °C，μ_max高达0.3199 log CFU/h，代表生物动力学极限和货架滥用条件。

4.3 动力学预测因子层级与基质描述符敏感性分析

随机森林分析显示，温度是μ_max的主导预测因子，pH、a_w、初始污染水平和基质组成描述符贡献次之。在排除完全估算的脂肪描述符及仅使用实验测量核心变量的替代模型中，温度的主导地位均保持稳定。脂肪描述符应被视为更广泛基质特征的替代标记，而非直接的因果变量。

4.4 聚类内动力学：相关指纹

在流体聚类（聚类2）中，温度与μ_max呈近完美正相关（r = 0.90），表明温度是主导动力学相关因子。在固态聚类（聚类1）中，温度与μ_max的相关性降至r = 0.36，与pH的影响（r = 0.37）相当，表明固态基质中呈现多因素控制模式。脂肪描述符在聚类1内线性关联极弱（r = 0.06），进一步支持基质效应主要与产品结构、pH和水分活度相关。

4.5 空间限制与关键参数精化

聚类1的理论最低生长温度（T_min）为1.82 ± 0.15 °C，显著高于聚类2的–1.18 ± 0.22 °C，反映了固态基质中扩散限制和代谢物积累对低温生长边界的抬升效应。聚类1的最低水分活度（a_w,min）为0.928 ± 0.005，高于聚类2的0.915 ± 0.007，表明固态基质中分子流动性降低和有机酸存在增加了水分摄取的生理负担。聚类特异性模型的决定系数（R2）均高于0.89，其中聚类1和聚类2分别达到0.942和0.968。

4.6 食品安全与HACCP实践意义

全局乳制品模型与分段模型参数间的显著差异凸显了“一刀切”预测工具的局限性。对于聚类2（乳/流体），温度近乎完全主导（r = 0.90）且生长阈值更宽松（T_min = –1.18 °C），需要更严格的冷链控制。对于聚类1（干酪），温度非唯一驱动因素（r = 0.36），酸度和基质相关描述符共同调节动力学响应。将“乳制品”作为单一类别进行预测可能导致流体系统生长低估或结构化产品货架期的不必要限制。

4.7 菌株异质性与参考菌株局限性

在流体基质中，Scott A参考菌株的平均μ_max（0.059 log CFU/h）低于聚类整体平均值（0.121 log CFU/h），且与环境中位菌株无显著差异（p = 0.793）。部分环境分离株表现出高于Scott A的生长速率。值得注意的是，在干酪聚类中未发现Scott A数据，表明文献中存在关键空白。挑战试验设计应考虑纳入多样化环境相关分离株，而非仅依赖单一参考菌株。

五、讨论与结论总结

讨论部分强调，基质相关的生长边界变化与空间限制解释一致：在固态基质中，细菌被固定于小血清微区，质量传递受限于局部扩散，抑制性代谢物积累和营养耗竭提高了低温生长阈值。食品的内在复杂性作为协同障碍，增加了微生物在热胁迫下的生长阻力。研究结论指出，通过从基于产品命名法转向基于行为的多元聚类方法，本研究揭示了乳制品系统中L. monocytogenes动力学与理化条件的关联性。随机森林敏感性分析一致确认温度是最具影响力的预测因子，聚类特异性二级模型提供了优于全局模型的描述拟合，并产生了不同的操作生长边界估计。然而，研究存在局限性：元分析数据固有的方法学差异、微结构参数标准化报告缺失、组成元数据不完整（水分活度部分估算、脂肪含量由产品类别分配）、以及常规交叉验证可能存在的研究层面数据泄漏。未来研究应探索分组验证方案和动态机器学习方法，以改进乳制品系统的实时预测微生物学。