Gıdalarda Raf Ömrü Modellemesi

Prediktif modeller kullanılarak gıdalarda gerçekleşen fiziksel, kimyasal değişimler veya mikroorganizma davranışları sonucu oluşan değişimlerin değerlendirilmesiyle ürünlerin raf ömürleri hakkında tahminler yapılabilir.

Raf ömrünün belirlenmesi karışık bir süreçtir ve kötü depolama koşullarının da bu sürece etki ettiği düşünüldüğünde tahmin yapmak oldukça güçtür. Kullanılan çiğ materyal, ürün formülasyonu, uygulanan işlemler, hijyenik şartlar, paketleme tipi, depolama ve dağıtım koşulları hakkında kesin bilgiler elde edilmesiyle doğru bir tahmin yapılabilir.

Raf ömrü tahminlemesi öncesinde, fiziksel, kimyasal veya mikrobiyal gösterge faktörlerinden hangisinin tahminlemede kullanılacağının önceden tespit edilmesi önemlidir. Gıda türüne bağlı olarak değişmekle birlikte nem kaybı, soğuk zararlanması, renk değişimi ve sıcaklık kaybına bağlı olarak gözlemlenen rekristalizasyon, fiziksel değişim parametresi olarak tahminlemede kullanılabilirken enzimatik bozulmalar, oksidatif reaksiyonlar veya enzimatik olmayan kararma reaksiyonları kimyasal; patojenik veya saprofit mikroorganizmaların davranışları ise mikrobiyal raf ömrü tahminlemede kullanılabilecek indikatif parametrelerdendir (Keyvan ve Özdemir, 2010).

Mikrobiyal raf ömrü belirlemede yaygın olarak kullanılmaya başlanan prediktif (tahmini) mikrobiyoloji ile çevresel faktörlerin etkisiyle üretim, paketleme, muhafaza ve dağıtım aşamalarında gıdalarda oluşan mikroorganizma davranışlarıyla ilgili detaylı bilgiler elde edilebilmektedir. Tahmini mikrobiyoloji, gıdalarda bozulma etkenleri ve patojen mikroorganizmaların popülasyon dinamiklerinin modelleme ile tanımlanmasında kullanılabilir. Bu kullanım, mikroorganizmaların çevresel faktörlere karşı gösterdiği doğal ve tekrarlanabilir cevaplardan kaynaklanmaktadır (Keyvan ve Özdemir, 2010).

Deneysel testler kullanarak sıcaklık, aw ve pH değeri gibi farklı parametrelerin etkisi altında belirlenen üreme oranı ile mikroorganizma proliferasyonu tahmin edilebilir. Sonuçta elde edilen bilgiler gıda güvenliği ve raf ömrünün değerlendirilmesine olanak sağlayan matematiksel bir model ile birleştirilir (Keyvan ve Özdemir, 2010). Araştırmaların çoğu, gıda patojenlerinin üreme ve inaktivasyonlarının prediktif modellenmesi üzerine yoğunlaşmıştır. Tahmini mikrobiyoloji, bir gıda ürününün raf

ömrünü kısaltıp bozulmaya yol açan mikroorganizmaların üremesinin tahmini için de kullanılabilir. Bu amaçla, gıdalarda bozulmaya yol açan özellikli mikroorganizmalar seçilerek test amacıyla kullanılır (Keyvan ve Özdemir, 2010).

2.3.1 Tahmini mikrobiyolojide kullanılan modeller

Tahmini mikrobiyolojide modeller, matematiksel ifadelerdir ve gıda kaynaklı bir mikroorganizmanın üremesi, hayatta kalması, inaktivasyonunu tanımlar. Prediktif gıda mikrobiyolojisinde farklı birkaç model sınıflandırılması yapılmıştır (Çizelge 2. 11). Karışıklıkları ortadan kaldırmak amacıyla matematiksel modellemelerde bir sınıflandırma sistemi önerilmiştir. Bu sınıflandırma; birincil, ikincil ve üçüncül olmak üzere üç seviyede açıklanmıştır (McDonald ve Sun, 1999).

Çizelge 2.11: Modellerin sınıflandırılması (McDonald ve Sun, 1999).

BİRİNCİL MODELLER İKİNCİL MODELLER ÜÇÜNCÜL MODELLER

Gompertz fonksiyonu Belehradek modeli

(Karekök modeli)

USDA (United States Department of Agriculture Pathogen)

Modifiye Gompertz Ratskowsky modeli

(Karekök modeli)

Modelling Program

Logistic model Arrhenius modeli Food MicroModelTM

Baranyi modeli

Modifiye Arrhenius modeli (Davey ya da Schoolfield)

Pseudomonas Predictor

First-order Monod model Olasılık modeli Expert System

Modifiye Monod modeli Z-değeri

Termal inaktivasyon için D-değeri

Polynomial veya Response

Üç fazlı doğrusal model Willams-Landel Ferry

modeli

2.3.1.1 Biricil modeller

Birincil modeller, belirli çevresel ve kültürel koşullarda bakteri sayısının zaman ile değişimini tanımlarlar. Toplam bakteri sayısı, toksin üretimi, metabolik ürünler ve eğer mümkünse kaydedilen bakteriyel büyüme eğrisi gibi bilgiler, birincil bir model

kullanarak sağlanabilir. Bu bilgiler bakterilerin jenerasyon zamanı, lag fazı evresi, eksponansiyel büyüme oranı ve maksimum popülasyon yoğunluğu hakkında bilgi verir. Mikroorganizmaların büyüme eğrilerinin belirlenmesinde Gompertz veya Baranyi modellerinin kullanımı daha yaygındır. Bu modellerin kullanılmasının nedeni mikroorganizma büyüme eğrisi gibi dört faza sahip olmalarıdır (McDonald ve Sun, 1999).

2.3.1.2 İkincil modeller

İkincil modeller ise kültürel veya çevresel koşullarda (pH değeri, aw değeri, Eh, sıcaklık) birincil modellerde oluşan bir ya da daha fazla parametre cevabının (jenerasyon süresi gibi) tanımlanmasını sağlar (McDonald ve Sun, 1999).

2.3.1.3 Üçüncül modeller

Üçüncül modeller, birincil ve ikincil modellerdeki uygulamalar ve kullanımı kolay bir bilgisayar yazılımı ile oluşturulur. Ayrıca bu model sıcaklık, pH değeri ve aw değeri gibi fonksiyonlarla da birleştirilebilir. Uygun bir veri tabanı oluşturularak farklı koşullarda olan bazı mikroorganizma türleri üzerindeki faktörlerin etkisi de karşılaştırılabilir (Keyvan ve Özdemir, 2010).

İngiltere Tarım, Gıda ve Balıkçılık Bakanlığı, 1988 yılında mikrobiyal patojenlerin üreme ve ölümlerine ilişkin araştırmacılarla ortaklaşa yapılan çalışmalar sonucu toplanan bilgileri bilgisayar ortamına uygun olarak aktarmıştır. Toplanan bu bilgiler, ilk modelleme programı olan Food MicroModelTM’ın temelini teşkil etmiştir. Ayrıca 2003 yılında İngiltere Gıda Standardı Ajansı “Growth Predictor” (www.ifr.ac.uk/Safety/GrowthPredictor) adlı programı geliştirmiştir. İngiltere’deki bu gelişmelere paralel olarak ABD de Pathogen Modelling Programme (PMP:

http://pmp.arserrc.gov/PMPOnline.aspx) adlı programı kullanıma sunmuştur

(Keyvan ve Özdemir, 2010).

Avustralya’da “Food Spoilage Predictor” olarak ticarileştirilen “Pseudomonas Predictor“ ise ilk olarak İngiltere’de tasarlanan sıcaklık tabanlı bir modeldir.

“COMBASE”, “Sym’Previus”, “Decision Support System”, “Forecast”, “ERH CALCTM”, “ChefCad Software”, “MIRINZ Software”, “Quantitative Risk Assessment” ve “MicroFit”, prediktif gıda mikrobiyolojisi uygulamalarında kullanılan diğer bilgisayar yazılımlı programlardır (Keyvan ve Özdemir, 2010).

2.3.2 Ette tahmini mikrobiyal modellerin kullanımı

Ette bozulmaya neden olan en önemli faktör mikrobiyal gelişimdir. Spesifik bir mikroorganizma türü ette bozulmadan sorumlu olabildiği gibi heterojen bir mikrofloranın da bozulma yarattığı bilinmektedir (Dave ve Ghaly, 2011).

Spesifik mikroorganizmaların tespitinde tahmini modellerin kullanımı yaygınlaşmıştır. Pseudomonas spp., Br. thermosphacta, L. monocytogenes, Salmonella ve E.coli gibi mikroorganizmalar için literatürde tahmini modellemelerin uygulandığı bilinmektedir. Mikroorganizmaların büyüme davranışlarının anlaşılmasında iyi birer yol gösterici olan bu modeller, ette raf ömrünün tahminlenmesinde tek başlarına kullanıldığında yeterli olmayabilirler (Koch ve diğ., 2009). Koutsoumanis ve diğ. (2006), aerobik koşulda depolanan ette raf ömrü tahmininde bulundukları çalışmada Pseudomonas spp. için mikrobiyal model geliştirmeye çalışmışlardır. Bu modelle birlikte duyusal analiz sonuçlarının kullanılması ile daha doğru bir raf ömrü tahmininde bulunulduğu belirtilmiştir. Limbo ve diğ. (2010) ise ette tahmini mikrobiyal model kullanımyla birlikte renk değişimi, tepeboşluğu gaz kompozisyonu ve TBA değişimini de değerlendirmeye almışlardır. Chounou ve diğ. (2012) ise kıymada tahmini raf ömrünü belirlerken TMAB sayısını değerlendirmeye almış ve 7 log kob g-1 üst limit değerine ulaşan örneklerin tazeliklerini yitirdiklerini kabul edilmişlerdir (başlangıç mikrobiyal yükü 4,3 log kob g-1).