3.2.1. Microbial growth modelsThe m

3.2.1. Microbial growth models
The microbial growth models are used to predict the growth of microorganisms in the product under certain environmental conditions. During the development of the mathematical models for growth of particular microorganism the first step is to perform laboratory experiments in order to provide the necessary data. The product will not be free from other microflora which would be SC and product specific. It is reported that growth of one kind of species might influence the growth of another one (e.g., Buchanan and Bagi, 1999 and Mejlholm and Dalgaard, 2007). Therefore, two different ways are possible for developing microbial growth models. The first one would be to develop a general model including multi species competition taking into account the environmental variables, e.g., pH, NaCl%, temperature. Such model from mathematical point of view is feasible and could be applied to various food SCs provided that the required data from laboratory is available. As the model becomes more general the requirements for data derived from laboratory experiments increases, due to the number of variables and species represented in the model. Therefore, obtaining data for such models may not be practical due to costs and complexity.
The second option to develop a microbial growth model is by preparing a SC specific model. In this case laboratory experiments are carried out where the product from the SC is contaminated with SFP of interest. The experiments for determining the parameters for growth of SSO are usually performed with the spoilage microorganisms already present in the product, leading this way to SC specific data. Such models are less complex and less costly. They are relevant to the specific SC since the product used in the experiments is the one from the SC itself and therefore the chemistry and the microflora on the product used in the experiment will be close or identical to the one found in the SC. This provides conditions for higher level of agreement between the model predictions and the actual microbial growth in the product. It is important to note that such models would be reliable as long as the conditions in the SC stay within the range of parameters used in the experiments.
If there are significant changes in the SC conditions, e.g., average temperature rise due to climatic change, the HACCP–QMRA–SLP system would detect such trend through the shift in the quantitative predictions helping this way determine when something needs to be changed or adapted in the SC.
The microbial growth models can be deterministic or probabilistic/stochastic. There were a number of deterministic models reported in the literature (e.g., Baranyi and Roberts, 1994, Hills and Wright, 1994, McKellar, 1997, Ratkowsky et al., 1982 and Zwietering et al., 1992).
The stochastic models have the advantage of being able to take into account the high level of biological variability among cell population and uncertainty in model parameters (e.g., Delignette-Muller and Rosso, 2000, Nauta, 2000, Poschet et al., 2003 and Ross, 1993).
The QMRA works with the probability for presence of certain SFP in the supply chain products and therefore can be implemented only with the stochastic model for microbial growth. The SLP can be implemented with both, deterministic or stochastic models for microbial growth. While the stochastic models offer more utility when dealing with uncertainty and variability, they are also more demanding in terms of data requirements and CPU usage.

ผลลัพธ์ (ไทย) 1:

3.2.1. รุ่นจุลินทรีย์เจริญเติบโตแบบจำลองการเจริญเติบโตของจุลินทรีย์จะใช้ในการคาดการณ์การเติบโตของจุลินทรีย์ในผลิตภัณฑ์ภายใต้เงื่อนไขสิ่งแวดล้อม ในระหว่างการพัฒนาแบบจำลองทางคณิตศาสตร์สำหรับการเติบโตของจุลินทรีย์โดยเฉพาะ ขั้นตอนแรกเป็นการทดลองในห้องปฏิบัติการเพื่อให้ข้อมูลจำเป็น ผลิตภัณฑ์จะไม่เป็นอิสระจาก microflora อื่น ๆ ซึ่งจะเป็น SC และผลิตภัณฑ์เฉพาะ แต่ก็มีรายงานว่า เติบโตชนิดหนึ่งชนิดอาจมีผลต่อการเจริญเติบโตของอีกหนึ่ง (เช่น buchanan ทำยอด และ Bagi, 1999 และ Mejlholm และ Dalgaard, 2007) ดังนั้น สองวิธีเป็นไปได้สำหรับการพัฒนาแบบจำลองการเจริญเติบโตของจุลินทรีย์ แรกจะมีการ พัฒนารูปแบบทั่วไปรวมถึงหลายสปีชีส์แข่งขันคำนึงถึงตัวแปรด้านสิ่งแวดล้อม เช่น pH % NaCl อุณหภูมิ รุ่นดังกล่าวจากมุมมองทางคณิตศาสตร์จะเป็นไปได้ และสามารถใช้กับอาหารต่าง ๆ อันคุ้มค่าที่มีข้อมูลที่จำเป็นจากห้องปฏิบัติการ เป็นแบบทั่วไปกลายเป็น ข้อกำหนดสำหรับข้อมูลมาทดลองปฏิบัติเพิ่ม เนื่องจากจำนวนตัวแปรและชนิดที่แสดงในแบบจำลอง ดังนั้น ได้รับข้อมูลในรูปแบบดังกล่าวไม่ได้ปฏิบัติเนื่องจากต้นทุนและความซับซ้อนเป็นตัวเลือกที่สองเพื่อพัฒนาแบบจำลองการเจริญเติบโตของจุลินทรีย์ โดยการจัดรูปแบบเฉพาะของ SC ในกรณีนี้ ทดลองปฏิบัติจะดำเนินที่ผลิตภัณฑ์จาก SC ปนเปื้อนด้วย SFP น่าสนใจ ทดลองเพื่อกำหนดพารามิเตอร์สำหรับการเจริญเติบโตของ SSO จะดำเนิน ด้วยจุลินทรีย์เน่าเสียอยู่แล้วในผลิตภัณฑ์ นำวิธีนี้กับข้อมูลเฉพาะของ SC แบบจำลองดังกล่าวมีความซับซ้อนน้อยลง และลดค่าใช้จ่าย มีความเกี่ยวข้องกับ SC เฉพาะเนื่องจากเป็นผลิตภัณฑ์ที่ใช้ในการทดลองหนึ่งจาก SC เอง และดังนั้น วิชาเคมี microflora ผลิตภัณฑ์ที่ใช้ในการทดลองจะปิด หรือเหมือนกับที่พบใน SC. เงื่อนไขสำหรับข้อตกลงระหว่างการคาดการณ์ของแบบจำลองและการเจริญเติบโตจุลินทรีย์จริงในผลิตภัณฑ์ในระดับที่สูงขึ้นให้ โปรดทราบว่า รุ่นดังกล่าวจะเชื่อถือได้ตราบใดที่เงื่อนไขใน SC อยู่ในช่วงของพารามิเตอร์ที่ใช้ในการทดลองได้ถ้ามีการเปลี่ยนแปลงสำคัญในเงื่อนไข SC เช่น โดยเฉลี่ยอุณหภูมิที่เพิ่มขึ้นเนื่องจากไอ ระบบ HACCP – QMRA – SLP จะตรวจหาแนวโน้มดังกล่าวผ่านกะในการคาดการณ์ปริมาณที่ช่วยวิธีนี้กำหนดเมื่อบางสิ่งบางอย่างต้องสามารถเปลี่ยนแปลง หรือดัดแปลงในการ SC.แบบจำลองการเจริญเติบโตของจุลินทรีย์ได้ deterministic หรือ probabilistic/สโท แคสติก มีจำนวนรูปแบบ deterministic ที่รายงานในวรรณคดี (เช่น Baranyi และโร เบิตส์ 1994 ฮิลล์ และ Wright, 1994, McKellar, 1997, Ratkowsky และ al., 1982 และ Zwietering et al., 1992)แบบจำลองแบบเฟ้นสุ่มได้เปรียบจะคำนึงถึงคุณภาพความแปรผันชีวภาพเซลล์ประชากรและความไม่แน่นอนในรูปแบบพารามิเตอร์ (เช่น Delignette มูลเลอร์และ Rosso, 2000, Nauta, 2000, Poschet และ al., 2003 และ รอสส์ 1993)QMRA ทำงาน มีความเป็นไปได้สำหรับสถานะของ SFP บางในด้านห่วงโซ่อุปทาน และดังนั้น สามารถนำมาใช้ได้เฉพาะกับแบบสโทแคสติกการเจริญเติบโตของจุลินทรีย์ SLP สามารถนำมาใช้ได้กับทั้ง deterministic หรือสโทแคสติกแบบจำลองการเจริญเติบโตของจุลินทรีย์ ในขณะที่รูปแบบสโทแคสติกมีอรรถประโยชน์เพิ่มเติมเมื่อเผชิญกับความไม่แน่นอนและสำหรับความผันผวน พวกเขาจะยัง เพิ่มเติมเรียกร้องความต้องการข้อมูลและการใช้งาน CPU

ผลลัพธ์ (ไทย) 2:

3.2.1
รูปแบบการเจริญเติบโตของจุลินทรีย์รุ่นเจริญเติบโตของจุลินทรีย์ที่ใช้ในการคาดการณ์การเติบโตของเชื้อจุลินทรีย์ในผลิตภัณฑ์ภายใต้สภาพแวดล้อมบางอย่าง ในระหว่างการพัฒนาแบบจำลองทางคณิตศาสตร์สำหรับการเจริญเติบโตของจุลินทรีย์โดยเฉพาะอย่างยิ่งขั้นตอนแรกคือการดำเนินการทดลองในห้องปฏิบัติการเพื่อให้ข้อมูลที่จำเป็น ผลิตภัณฑ์ที่จะไม่เป็นอิสระจากจุลินทรีย์อื่น ๆ ที่จะเป็นเอสซีและผลิตภัณฑ์ที่เฉพาะเจาะจง มีรายงานว่าการเจริญเติบโตของหนึ่งในชนิดของสายพันธุ์ที่อาจมีผลต่อการเจริญเติบโตของคนอื่น (เช่นบูคานันและ Bagi 1999 และ Mejlholm และ Dalgaard 2007) ดังนั้นสองวิธีที่แตกต่างกันเป็นไปได้ในการพัฒนารูปแบบการเจริญเติบโตของจุลินทรีย์ คนแรกที่จะมีการพัฒนารูปแบบทั่วไปรวมถึงการแข่งขันหลายชนิดโดยคำนึงถึงตัวแปรด้านสิ่งแวดล้อมเช่นค่า pH, โซเดียมคลอไรด์% อุณหภูมิ รุ่นดังกล่าวจากจุดทางคณิตศาสตร์ของมุมมองที่เป็นไปได้และสามารถนำไปใช้ SCs อาหารต่างๆที่ให้ข้อมูลที่จำเป็นจากห้องปฏิบัติการสามารถใช้ได้ ในฐานะที่เป็นรูปแบบทั่วไปมากขึ้นกลายเป็นความต้องการสำหรับข้อมูลที่ได้มาจากการเพิ่มขึ้นของการทดลองในห้องปฏิบัติการเนื่องจากจำนวนของตัวแปรและชนิดที่แสดงอยู่ในรูปแบบ ดังนั้นการได้รับข้อมูลรูปแบบดังกล่าวอาจจะไม่ได้ในทางปฏิบัติเนื่องจากค่าใช้จ่ายและความซับซ้อน.
ตัวเลือกที่สองในการพัฒนารูปแบบการเจริญเติบโตของจุลินทรีย์คือการเตรียม SC รูปแบบเฉพาะ ในกรณีนี้ทดลองในห้องปฏิบัติการจะดำเนินการที่สินค้าจากเอสซีที่มีการปนเปื้อนกับ SFP ที่น่าสนใจ การทดลองสำหรับการกำหนดพารามิเตอร์สำหรับการเจริญเติบโตของสปส. จะดำเนินการมักจะมีจุลินทรีย์เน่าเสียที่มีอยู่แล้วในปัจจุบันผลิตภัณฑ์ที่นำวิธีการนี้ไปยัง SC ข้อมูลที่เฉพาะเจาะจง รุ่นดังกล่าวมีความซับซ้อนน้อยลงและค่าใช้จ่ายน้อย พวกเขามีความเกี่ยวข้องกับเฉพาะ SC ตั้งแต่ผลิตภัณฑ์ที่ใช้ในการทดลองเป็นหนึ่งในเซาท์แคโรไลนาจากตัวเองและดังนั้นจึงเคมีและจุลินทรีย์ในผลิตภัณฑ์ที่ใช้ในการทดลองจะใกล้เคียงหรือเหมือนกันกับที่พบในเซาท์แคโรไลนา นี้จะให้เงื่อนไขในระดับที่สูงขึ้นของข้อตกลงระหว่างรูปแบบการคาดการณ์และการเจริญเติบโตของจุลินทรีย์ที่เกิดขึ้นจริงในผลิตภัณฑ์ มันเป็นสิ่งสำคัญที่จะต้องทราบว่ารูปแบบดังกล่าวจะเป็นที่เชื่อถือได้ตราบใดที่เงื่อนไขในการเข้าพักของ SC อยู่ในช่วงของพารามิเตอร์ที่ใช้ในการทดลอง.
หากมีการเปลี่ยนแปลงอย่างมีนัยสำคัญในสภาพ SC เช่นการเพิ่มขึ้นของอุณหภูมิเฉลี่ยเนื่องจากการเปลี่ยนแปลงภูมิอากาศ ระบบ HACCP-QMRA-SLP จะตรวจสอบแนวโน้มดังกล่าวผ่านการเปลี่ยนแปลงในการคาดการณ์ปริมาณการช่วยให้วิธีนี้ตรวจสอบเมื่อบางสิ่งบางอย่างที่จะต้องมีการเปลี่ยนแปลงหรือดัดแปลงในเซาท์แคโรไลนา.
รุ่นเจริญเติบโตของจุลินทรีย์สามารถกำหนดหรือความน่าจะเป็น / สุ่ม มีหลายรูปแบบที่กำหนดรายงานในวรรณคดีที่ถูก (เช่น Baranyi และโรเบิร์ตปี 1994 ฮิลส์และไรท์ปี 1994 McKellar 1997 Ratkowsky et al., 1982 และ Zwietering et al., 1992).
รูปแบบสุ่มมี ประโยชน์จากความสามารถในการคำนึงถึงระดับสูงของความแปรปรวนทางชีวภาพในหมู่ประชากรของเซลล์และความไม่แน่นอนในพารามิเตอร์แบบ (เช่น Delignette-มุลเลอร์และรอสโซ่, 2000 Nauta 2000 Poschet et al., 2003 และรอสส์, 1993).
QMRA ทำงานร่วมกับความน่าจะเป็นการปรากฏตัวของบาง SFP ในผลิตภัณฑ์ของห่วงโซ่อุปทานและดังนั้นจึงสามารถดำเนินการได้เฉพาะกับรูปแบบการสุ่มสำหรับการเจริญเติบโตของเชื้อจุลินทรีย์ หลับสามารถดำเนินการกับทั้งสองรุ่นที่กำหนดหรือสุ่มสำหรับการเจริญเติบโตของเชื้อจุลินทรีย์ ในขณะที่รูปแบบการสุ่มมียูทิลิตี้มากขึ้นเมื่อต้องรับมือกับความไม่แน่นอนและความแปรปรวนพวกเขายังมีความต้องการมากขึ้นในแง่ของความต้องการข้อมูลและการใช้งาน CPU

ผลลัพธ์ (ไทย) 3:

ดำเนินงาน . แบบจำลองการเจริญเติบโตของจุลินทรีย์
โมเดลการเจริญเติบโตของจุลินทรีย์จะใช้คาดการณ์การเจริญเติบโตของจุลินทรีย์ในผลิตภัณฑ์ภายใต้สภาพแวดล้อมบางอย่าง ในการพัฒนาแบบจำลองทางคณิตศาสตร์สำหรับการเจริญเติบโตของเชื้อจุลินทรีย์ โดยเฉพาะขั้นตอนแรกเป็นการทดลองในห้องปฏิบัติการเพื่อให้ข้อมูลที่จำเป็นผลิตภัณฑ์ จะไม่ปลอดจากจุลินทรีย์อื่น ๆซึ่งจะเป็น SC และผลิตภัณฑ์ที่เฉพาะเจาะจง มีรายงานว่า การเติบโตของหนึ่งชนิดของสายพันธุ์ที่อาจมีผลต่อการเจริญเติบโตของอีกหนึ่ง ( เช่น บูคาแนน และสําหรับส่วน , 2542 และ mejlholm และ dalgaard , 2007 ) ดังนั้น สองวิธีที่แตกต่างกันเป็นไปได้ในการพัฒนาโมเดลการเจริญเติบโตของจุลินทรีย์อันแรกจะพัฒนารูปแบบทั่วไปหลายชนิดรวมทั้งการแข่งขันคำนึงถึงตัวแปรแวดล้อม เช่น อุณหภูมิ ความเป็นกรด - ด่าง และเกลือ เช่น แบบจำลองจากมุมมองของคณิตศาสตร์มีความเป็นไปได้ และสามารถใช้กับอาหารต่าง ๆโดยมีเงื่อนไขว่าต้องผ่านข้อมูลจากห้องปฏิบัติการพร้อมเป็นโมเดลกลายเป็นทั่วไปมากขึ้นความต้องการสำหรับข้อมูลที่ได้จากการทดลองเพิ่มขึ้น เนื่องจากจำนวนของตัวแปรและชนิดที่แสดงในรูปแบบ ดังนั้น การได้รับข้อมูลสำหรับรุ่นดังกล่าวอาจไม่ได้ปฏิบัติเนื่องจากต้นทุนและความซับซ้อน .
ตัวเลือกที่สองเพื่อพัฒนารูปแบบการเจริญเติบโตของจุลินทรีย์ โดยเตรียมม เฉพาะรุ่นในกรณีนี้ ปฏิบัติการจะดำเนินการที่สินค้าจาก SC ถูกปนเปื้อน ด้วยขบวนของดอกเบี้ย การทดลองเพื่อหาค่าพารามิเตอร์สำหรับการเจริญเติบโตของ สปส. มักจะดำเนินการกับการเน่าเสียจุลินทรีย์อยู่แล้วในผลิตภัณฑ์ นำวิธีนี้ไป บเฉพาะข้อมูล รุ่นดังกล่าวมีความซับซ้อนน้อยกว่า และเสียค่าใช้จ่ายน้อยกว่าพวกเขาจะเกี่ยวข้องกับเฉพาะม เนื่องจากผลิตภัณฑ์ที่ใช้ในการทดลอง คือ หนึ่ง จาก มเอง และดังนั้น เคมี และจุลินทรีย์ ในผลิตภัณฑ์ที่ใช้ในการทดลอง จะใกล้เคียง หรือเหมือนกับที่พบในผลิตภัณฑ์นี้มีเงื่อนไขสำหรับระดับที่สูงขึ้นของข้อตกลงระหว่างแบบจำลองการคาดคะเน และการเจริญเติบโตของจุลินทรีย์ที่เกิดขึ้นจริง ในผลิตภัณฑ์มันเป็นสิ่งสำคัญที่จะทราบว่ารุ่นดังกล่าวจะเชื่อถือได้ ตราบใดที่เงื่อนไขใน SC อยู่ภายในช่วงของตัวแปรที่ใช้ในการทดลอง
หากมีการเปลี่ยนแปลงที่สำคัญใน มเงื่อนไข เช่น สูงขึ้น เนื่องจากการเปลี่ยนแปลงภูมิอากาศอุณหภูมิเฉลี่ย ,HACCP ( ระบบจะตรวจจับและ qmra slp แนวโน้มดังกล่าวผ่านการเปลี่ยนแปลงในเชิงปริมาณคาดคะเนช่วยให้วิธีนี้กำหนดเมื่อสิ่งที่ต้องเปลี่ยนแปลงหรือดัดแปลงใน SC
โมเดลการเจริญเติบโตของจุลินทรีย์ที่สามารถติดตั้งใช้งานหรือความน่าจะเป็น / สโตแคสติก มีจำนวนของโมเดลเชิงกำหนดรายงานในวรรณคดี เช่น baranyi โรเบิร์ต , 1994 , ภูเขาและ ไรท์ , 2537 ,เมิ่กเคเลอร์ , 1997 , ratkowsky et al . , 1982 และ zwietering et al . , 1992 ) .
แบบสุ่มมีความได้เปรียบของการเป็นสามารถพิจารณาระดับของความแปรปรวนของประชากรเซลล์ชีวภาพและความไม่แน่นอนในพารามิเตอร์รูปแบบ ( เช่น delignette Muller และ รอสโซ่ , 2000 , เนาตา , 2000 , poschet et al , . , 2003 และ Ross , 1993 ) .
การ qmra ทำงานกับความน่าจะเป็นสำหรับการปรากฏตัวของ SFP ในบางผลิตภัณฑ์ ห่วงโซ่อุปทาน และดังนั้นจึงสามารถนำมาใช้เฉพาะกับรูปแบบสุ่มสำหรับการเจริญเติบโตของจุลินทรีย์ หลับสามารถใช้กับทั้งสองตัวแบบคงที่หรือสุ่มสำหรับการเจริญเติบโตของจุลินทรีย์ ในขณะที่โมเดล stochastic ให้ประโยชน์มากขึ้นเมื่อเผชิญกับความไม่แน่นอนและความแปรปรวนพวกเขายังมีความต้องการมากขึ้นในแง่ของความต้องการข้อมูลและการใช้งาน CPU .