수학적 정량평가모델을 이용한 Listeria monocytogenes의 성장 예측모델의 개발 Development of Predictive Growth Model of Listeria monocytogenes Using Mathematical Quantitative Assessment Model원문보기
게맛살의 HACCP system에 있어서 critical control point중의 하나인 L. monocytogenes가 오염된 제품에서 균의 성장변화를 정량적으로 예측할 수 있는 수학적 모델의 개발을 위한 기초 자료를 제공하고자 게맛살 성분조성을 고려한 modified imitation crab(MIC) broth에서 온도와 초기균수에 따른 L. monocytogenes의 성장 실험 결과를 데이터베이스화하여 이를 바탕으로 균의 성장을 정량적으로 평가할 수 있는 수학적 모델을 개발하였다. 균의 증식 지표인 최대증식속도상수(k), 유도기(LT), 세대시간(GT)은 온도에 지배적인 영향을 받았으며, 초기균수에 따른 유의적인 차이는 없었다(p>0.05). 최대증식속도상수(k)와 온도 및 초기균수의 상관관계를 나타내는 수학적 정량평가모델인 polynomial model과 square root model을 이용하여 L. monocytogenes 성장을 정량적으로 예측할 수 있는 모델인 $polynomial\;mode(k=0.71{\cdot}exp(-0.5(\;((T-36.05)/11.84)^{2}+((A_{0}+8.12)/21.59)^{2})))$과 square root model($\sqrt{k}$ =0.02(T-(-3.42)) [1-exp(0.36(T-44.51))])을 개발하였으며 실험치와 예측치의 상관관계는 각각 0.92. 0.95로 polynomial model보다 square root model 예측치가 실험치와 상관관계가 더 높은 것으로 나타났다.
게맛살의 HACCP system에 있어서 critical control point중의 하나인 L. monocytogenes가 오염된 제품에서 균의 성장변화를 정량적으로 예측할 수 있는 수학적 모델의 개발을 위한 기초 자료를 제공하고자 게맛살 성분조성을 고려한 modified imitation crab(MIC) broth에서 온도와 초기균수에 따른 L. monocytogenes의 성장 실험 결과를 데이터베이스화하여 이를 바탕으로 균의 성장을 정량적으로 평가할 수 있는 수학적 모델을 개발하였다. 균의 증식 지표인 최대증식속도상수(k), 유도기(LT), 세대시간(GT)은 온도에 지배적인 영향을 받았으며, 초기균수에 따른 유의적인 차이는 없었다(p>0.05). 최대증식속도상수(k)와 온도 및 초기균수의 상관관계를 나타내는 수학적 정량평가모델인 polynomial model과 square root model을 이용하여 L. monocytogenes 성장을 정량적으로 예측할 수 있는 모델인 $polynomial\;mode(k=0.71{\cdot}exp(-0.5(\;((T-36.05)/11.84)^{2}+((A_{0}+8.12)/21.59)^{2})))$과 square root model($\sqrt{k}$ =0.02(T-(-3.42)) [1-exp(0.36(T-44.51))])을 개발하였으며 실험치와 예측치의 상관관계는 각각 0.92. 0.95로 polynomial model보다 square root model 예측치가 실험치와 상관관계가 더 높은 것으로 나타났다.
Growth curves of Listeria monocytogenes in modified surimi-based imitation crab (MIC) broth were obtained by measuring cell concentration in MIC broth at different culture conditions [initial cell numbers, $1.0{\times}10^{2},\;1.0{\times}10^{3}\;and\;1.0{\times}10^{4}$, colony forming uni...
Growth curves of Listeria monocytogenes in modified surimi-based imitation crab (MIC) broth were obtained by measuring cell concentration in MIC broth at different culture conditions [initial cell numbers, $1.0{\times}10^{2},\;1.0{\times}10^{3}\;and\;1.0{\times}10^{4}$, colony forming unit (CFU)/mL; temperature, 15, 20, 25, 37, and $40^{\circ}C$] and applied to Gompertz model to determine microbial growth indicators, maximum specific growth rate constant (k), lag time (LT), and generation time (GT). Maximum specific growth rate of L. monocytogenes increased rapidly with increasing temperature and reached maximum at $37^{\circ}C$, whereas LT and GT decreased with increasing temperature and reached minimum at $37^{\circ}C$. Initial cell number had no effect on k, LT, and GT (p > 0.05). Polynomial and square root models were developed to express combined effects of temperature and initial cell number using Gauss-Newton Algorism. Relative coefficients of experimental k and predicted k of polynomial and square root models were 0.92 and 0.95, respectively, based on response surface model. Results indicate L. monocytogenes growth was mainly affected by temperature and square root model was more effective than polynomial model for growth prediction.
Growth curves of Listeria monocytogenes in modified surimi-based imitation crab (MIC) broth were obtained by measuring cell concentration in MIC broth at different culture conditions [initial cell numbers, $1.0{\times}10^{2},\;1.0{\times}10^{3}\;and\;1.0{\times}10^{4}$, colony forming unit (CFU)/mL; temperature, 15, 20, 25, 37, and $40^{\circ}C$] and applied to Gompertz model to determine microbial growth indicators, maximum specific growth rate constant (k), lag time (LT), and generation time (GT). Maximum specific growth rate of L. monocytogenes increased rapidly with increasing temperature and reached maximum at $37^{\circ}C$, whereas LT and GT decreased with increasing temperature and reached minimum at $37^{\circ}C$. Initial cell number had no effect on k, LT, and GT (p > 0.05). Polynomial and square root models were developed to express combined effects of temperature and initial cell number using Gauss-Newton Algorism. Relative coefficients of experimental k and predicted k of polynomial and square root models were 0.92 and 0.95, respectively, based on response surface model. Results indicate L. monocytogenes growth was mainly affected by temperature and square root model was more effective than polynomial model for growth prediction.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 수산식품의 대표적 식중독 세균인 Vibrio parahaemolyticue 대한 균의 성장변화를 정량적으로 예 측하는 수학적 모델의 개발을 보고한 전보(13)에 이어 수산 가 공식품인 게맛살에서 또 하나의 미생물학적 위해 요소로 정해 져 있는 L. monocytogenee 대하여 제품에 균의 오염 시 균의 성장변화를 정량적으로 예측할 수 있는 수학적 모델의 개발을 위한 기초 자료를 제공하고자 온도, 초기균수의 변화에 따른 L. mgocytogeg의 성장 예측모델을 개발하였다.
최근 미국과 유럽을 중심으로 대단히 활발한 연구가 이루어지고 있는 예측미생물 학은 상당한 시간과 인력 그리고 경비가 소요되는 지금까지의 미생물 접종시험 · 보존시험을 대체하여 시품의 원재료로부터 소비에 이르기까지의 전 과정에 있어서 병원미생물의 생장에 대하여 수학적 모델을 이용한 예측이 가능하기 때문에 저비용 으로 식품 중의 병원 미생물의 정량적 위험도평가(quantitative risk assessment)를 할 수 있는 유효수단으로 인정되고 있다(1). 또한, 식품의 안전성을 확보하기 위해서는 지금까지의 일반적 위생관리 기준만으로는 부족하기 때문에 이를 보완하기 위한 국제적 기준으로서 HACCP 시스템이 도입되어 가장 유효한 종 합적 위생관리 수단으로 인식되기에 이르렀다. 그러나 HACCP 가 식품의 원재료에서 소비에 이르기까지의 전 과정에 내재된 모든 위해 요소의 파악을 필요로 하는 데에 비해, 예측미생물 학은 식품의 안전성 문제에 있어 가장 중요하고도 큰 비중을 차지하는 위해 미생물만을 그 대상으로 하여, 이들의 생장을 수학적 모델에 의해 정량적으로 예측하고 평가하기 때문에 비교적 단순하면서도 효율이 높은 점에서 차별화되고 있다(2).
제안 방법
MIC broth에서 온도와 초기 균수에 따른 L. monocytogenese] 최대 증식속도 상수(k)를 예측할 수 있는 정량 평가 모델을 polynomial model과 square root model을 이용하여 개발하였으며, 개발된 정량 평가 모델에 의하여 예측된 최대증식속도상수(k)를 이용하여 온도와 초기균수의 변화에 따른 L monocytogenes 의 성장을 Gompertz model로 예측하여 증식 곡선으로 나타내었다.
공시 균주의 배양 공시균주의 배양은 향후, 균의 성장 모델을 포장연제품인 게 맛살에 적용하기 위해 게맛살 성분조성(조단백 7.8%, 조지방 0.2%, 탄수화물 16%, 회분 2.5%, 수분 73.5%)을 고려한 MIC broth를 제조하여 사용하였다(Table 1).
하지만 surimi 를 기본으로 하는 어육 연제품에 대한 예측모델은 개발되어 있지 않다. 따라서 게맛살 성분조성을 고려한 배지에서의 L monocytogenes 성장을 모델화한 본 연구를 통하여 게맛살의 HACCP system에 있어서 critical control point 중의 하나인 L. gnocWogezzes의 온도에 따른 성장의 손쉬운 모.니터링과 정 량 적인 위해도 평가가 가능할 것으로 기대되며, 수분활성이나 좀 더 넓은 pH 범위, 여러 첨가물의 농도, 포장시 충진하는 N2 또는 CO2 농도나 이러한 조건들 간의 상호 작용 등, 물리 화학 적인 요인에 관한 추가적인 연구를 계속한다면, 보다 다양한 환경 조건하에서 보다 정확하게 L, monocytogenes의 성장을 정량적으로 예측할 수 있을 것으로 기대된다.
균의 성장에 미치는 온도, 초기 균수의 영향을 알아보기 위하여 동결 보존한 균주를 45℃ water bath에서 급속 해동한 후, 미리 준비한 멸균 MIC broth 50mL에 접종하고 37℃ incubator (Sanyo, Japan)에서 24시간 전 배양 하였다. 전 배양한 균주를 200 mL의 MIC broth에 초기 균수가 1.0X102, 1.0X103, 1.0X 1(/ CFU/mL가 되도록 접종하고 온도 15, 20, 25, 37, 40℃에서각각 배양하였다
대상 데이터
본 실험에 사용한 균주는 Listeria monocytogenes ATCC 19113으로 한국생명공학연구원 유전자은행(KCTC)으로부터 분 양 받았으며 brain heart infusion broth(BHI, Difco Laboratories, Detroit, MI, USA)에 전 배양하여 1 nL의 vial tube에 15%의 glycerol# 첨가하여 -801에 동결보관하면서 실험 전 Modified Imitation Crab(MIC) broth에서 37℃, 24시간 전 배양 하여 사용하였다.
데이터처리
Parameter들의 결정과 정량 평가 모델의 개발 최대증식속도상수(k)와 온도 및 초기균수와의 상관관계를 규 명하기 위하여 Gompertz model로부터 구한 최대증식속도상수 (*)를 수학적 정량평가모델인 polynomial model 식 (2)과 square root model 식 (3)에 각각 적용하고(13), SPSS(SPSS Inc., 2000) program(Ver. 10.0)으로 각 식의 parameters- 결정한 후, Sigma Plot(SPSS Inc., version 7.0)으로 도식화 하였으며 각 배양 조건을 대입하여 실제 실험으로부터 구한 최대증식속도상수(k)와 모 델식으로부터 구한 최대 증식속도상수(k)와의 상관관계를 비교 하였다
이론/모형
Polynomial model 식 (3)으로부터 구한 L monocytogenes의최대증식속도상수(k)의 예측치와 실험치를 비교한 결과를 곡면 응답 모델로 나타내었다(Fig. 1). 각 초기균수 조건에서 실험치 와 예측치의 상관계수는 0.
각 실험구별 시간의 경과에 따른 균의 성장은 일정시간 간 격으로 Plate count agar(Difco Laboratories, Detroit, MI, USA)를 사용하여 표준평판배양법 (14)으로 생균수를 측정하여 나타내었다.
균의 sigmoid한 형태의 성장을 표현하기 위하여 사용하는 연 속함수의 식은 Gompertz가 1825년에 인구동태의 조사결과를 경험식으로서 제시한 Gompertz model 식 (1)(15)을 사용하였으며, 1회의 배양실험에서 시간의 경과에 따른 12-16개의 생균수 값을 구하였고, 실험오차를 줄이기 위하여 15회 반복 실험을 하였다. 이 실험 결과치를 Gompertz model에 대입하여 균의 증식을 대표하는 균의 생육 지표로서 최대증식속도상수(4), 유도 기 (Lag time, LT), 세대시간(Generation time, G7)을 도출하였다.
서로 다른 온도, 초기 균수 조건하에서 polynomial model과 square root model로 예측한 최대증식속도상수(k)를 균의 성장 곡선을 표현하는 Gompertz model에 적용함으로서 각 조건에서 Gompertz model에 의한 균의 성장을 예측할 수 있었다.
온도와 초기균수에 따른 L monocytogenes의 성장을 정량적 으로 예측하기 위하여 square root model과 polynomial model을이용하였다. 온도와 초기균수의 복합적인 영향을 표현하기 위해서는 sigmaplot 7.
온도와 초기균수에 따른 L monocytogenes의 성장을 정량적 으로 예측하기 위하여 square root model과 polynomial model을이용하였다. 온도와 초기균수의 복합적인 영향을 표현하기 위해서는 sigmaplot 7.0(SPSS Inc.)의 Gauss-Newton 알고리즘을 사용하여 식 (2)와 같은 polynomial model을 통하여 모델화하였다.
성능/효과
1)Values (Mean ± SD of 15 times replication) in the same column not sharing a common superscript are significantly different (p<0.05).
monocytogmes의 유도기(LT)에 미치는 온도와 초기균수의 영향을 Table 3에 나타내었다. L monocytogenes의 유도기(LT) 는 온도가 높아질수록 짧아져, 3TC에서 가장 짧았으며 40C에서 다소 길어지는 경향을 나타내었다. 그러나 초기균수에 따른 유의적인 차이는 없었다0>0.
97로 가장 높은 값을 나타내었으며, 40, C에서는 감소하는 경향을 나타내었다. 그러나 동일한 온도 조건에서 초기균수에 따른 최대증식속도상수(k)의 유의적인 차이는 나타나지 않아(p> 0.05) 초기균수 보다 온도가 균의 최대증식속도상수(k)에 지배적인 영향을 미치는 것으로 나타났다.
monocytogenes의 최대증식속도 상수(k)에 미치는 온도와 초기균수의 영향을 Table 2에 나타내었다. 온도가 높아질수록 최대증식속도상수(k)는 증가하여 3TC에서 0.69 0.97로 가장 높은 값을 나타내었으며, 40, C에서는 감소하는 경향을 나타내었다. 그러나 동일한 온도 조건에서 초기균수에 따른 최대증식속도상수(k)의 유의적인 차이는 나타나지 않아(p> 0.
균의 sigmoid한 형태의 성장을 표현하기 위하여 사용하는 연 속함수의 식은 Gompertz가 1825년에 인구동태의 조사결과를 경험식으로서 제시한 Gompertz model 식 (1)(15)을 사용하였으며, 1회의 배양실험에서 시간의 경과에 따른 12-16개의 생균수 값을 구하였고, 실험오차를 줄이기 위하여 15회 반복 실험을 하였다. 이 실험 결과치를 Gompertz model에 대입하여 균의 증식을 대표하는 균의 생육 지표로서 최대증식속도상수(4), 유도 기 (Lag time, LT), 세대시간(Generation time, G7)을 도출하였다.
세대시간(G7)의 경우도 유도기(Z7)와 마찬가지로 온도가 높 을수록 세대시간(GT)은 짧아져 3WC에서 가장 짧은 세대시간을 나타내었으며, 초기균수에 따른 유의적인 차이는 없었다 (Table 4). 즉 유도기(Z7), 세대시간(G7) 모두 최대 증식속도(k) 와 같이 온도의 영향을 많이 받는 것으로 나타났다.
초기 균수 1.0X102 CFU/mL, 온도 2SC에서의 반복실험을 통한 성장곡선(실험치>과, 같은 조건에서의 polynomial model과 square root model에 의한 예측 성장곡선(예측치)을 비교한 결과 직접적인 실험결과에 의한 균의 성장과 정량평가모델을 이용하여 예측한 균의 성장은 잘 일치하는 것으로 나타났다(Fig. 3).
후속연구
gnocWogezzes의 온도에 따른 성장의 손쉬운 모.니터링과 정 량 적인 위해도 평가가 가능할 것으로 기대되며, 수분활성이나 좀 더 넓은 pH 범위, 여러 첨가물의 농도, 포장시 충진하는 N2 또는 CO2 농도나 이러한 조건들 간의 상호 작용 등, 물리 화학 적인 요인에 관한 추가적인 연구를 계속한다면, 보다 다양한 환경 조건하에서 보다 정확하게 L, monocytogenes의 성장을 정량적으로 예측할 수 있을 것으로 기대된다.
참고문헌 (24)
Swerdlow DL, Altekruse SF. Food-borne Diseases in the Global Village. Emerging Infections 2. ScheId WM, Craig WA, Hughes JM (eds), American Society for Microbiology, Washington, DC, USA. pp. 273-294 (1998)
Shin IS, Kim JS, Woo GJ. Application of predictive microbiology for microbiological safety in food. Food Sci. Ind. 36: 18-24 (2003)
Schlech WF, Lavigne PM, Bortolussi RA, Allen AC, Haldane EY, Wort AJ, Hightower AW, Johnson SE, King SH, Nicholas ES, Broome CV, Epidemic listeriosis-evidence for transmission by food. New England J. Med. 308: 203-206 (1983)
Fleming DW, Cochi, SL, Mcdonald KL, Brondrum J, Hayes PS, Plikaytis BD, Holmes MB, Audurier A, Broome CV, Reingold AL. Pasteurized milk as a vehicle of infection in an outbreak of listeriosis. New England J. Med. 312: 404-407 (1985)
Linnan MJ, Mascola L, Lou XD, Goulet V, May P, Weaver R, Audurier A, Plikaytis BD, Fannin SL, Kleeks A, Broome CV. Epidemic listeriosis associated with Mexican-style cheese. New England J. Med. 319: 823-828 (1988)
Ross T, Dalgaard P, Tienungoon S. Predictive modelling of the growth and survival of Listeria in fishery products, lnt. J. Food Microbiol. 62: 231-245 (2000)
Nerbrink E, Borch E, Blom H, Nesbakken T. A model based on absorbance data on the growth of Listeria monocytogenes and including the effects of pH, NaCI, Na-Iactate and Na-acetate. Int. J. Food Microbiol. 47: 99-109 (1999)
Razavilar V, Genigeorgis C. Prediction of Listeria spp. growth as affected by various levels of chemicals, pH, temperature and storage time in a model broth. Int. J. Food Microbiol. 40: 149-157 (1998)
Lebert I, Begot C, Lebert A. Development of two Listeria monocytogenes growth models in a meat broth and their application to beef meat. Food Microbiol. 15: 499-509 (1998)
Fernandez PS, George SM, Sills CC, Peck MW. Predictive model of the effect of $CO_2$ , pH, temperature and NaCI on the growth of Listeria monocytogenes. Int. J. Food Microbiol. 37: 73-45 (1997)
McClure PJ, Beaumont AL, Sutherland JP, Roberts TA. Predictive modelling of growth of Listeria monocytogenes. The effects on growth of NaCl, pH, storage temperature and $NaN_2$ . lnt. J. Food Microbiol. 34: 221-232 (1997)
Farber JM, Cai Y, Ross WH. Predictive modeling of the growth of Listeria monocytogenes in $CO_2$ environments. Int. J. Food Microbiol. 32: 133-144 (1996)
Moon SY, Chang TE, Woo GJ, Shin IS. Development of predictive growth model Vibrio parahaemoiyticus using mathematical quantitative model. Food Sci. Tech. 36: 349-354 (2004)
Dunacn DB. Multiple-range and multiple F test. Biometrics 11: 142 (1955)
Robinson TP, Aboaba DO, Kaloti A, Ocio MJ, Baranyi J, Mackey BM. The effect of inoculum size on the lag phase of Listeria monocytogenes. Int. J. Food Microbiol. 70: 163-173 (2001)
Augustin JC, Rosso L. Carlier V. A model describing the effect of temperature history on lag time for Listeria monocytogenes. lnt. J. Food Microbiol. 57: 169-181 (2000)
Ratkowsky DA, Lowry RK, Mcmeekin TA, Stokes AN, Chandler RE. Model for bacterial culture growth rate through the entire biokinetic temperature range. J. Bacteriol. 154: 1222-1226 (1983)
Zwietering MH, de Koos JT, Hasenack BE, de Wit, JC, van T Riet K. Modeling of bacterial growth as a function of temperature. Appl. Environ. Milcobiol, 57: 1094-1101 (1991)
Zwietering MH, Cuppers HGAH, de Wit, JC, van T Riet, K. Evaluation of data transformations and validation of a model for the effect of temperature on bacterial growth. Appl. Environ. Microbiol. 60: 195-203 (1994)
Augustin JC, Vincent C. Modellling the growth rate of Listeria monocytogenes with a multiplicative type model including interactions between environmental factors. lnt. J. Food Microbiol. 56: 53-70 (2000)
※ AI-Helper는 부적절한 답변을 할 수 있습니다.