2结果与分析
2.1腐败希瓦氏菌生长/非生长模型建立
2.1.1 Logistic生长/非生长模型建立腐败希瓦氏菌Logistic回归模型的拟合参数如表2所示。对于二阶线性Logistic方程,aw、盐分和pH2和aw2的作用对其生长情况有显著影响(P<0.01),其余参数在计算时差异性不显著,故剔除,腐败希瓦氏菌logistic生长/非生长模型见式5:
二阶线性logistic方程:
表2 Logistic生长/非生长模型拟合参数
2.1.2 PNN人工神经网络生长/非生长模型建立采用PNN人工神经网络模型,建立了腐败希瓦氏菌隐含层数2,输出层神经元1的PNN模型。通过随机选取80%的数据训练网络,网络训练最优时间为0.1 s,得到PNN模型,剩余20%数据再带入PNN模型进行验证。PNN网络测试诊断结果显示,30例验证数据中有26例数据符合试验情况分类,准确率为86.67%。
2.1.3两种生长/非生长模型预测效果比较腐败希瓦氏菌二阶线性logistic方程训练集和验证集的FC为93.8%与100%,FAR分别为6%和0%,R2-Nagelkerke为0.90,Hosmer-Lemeshow的χ2=0.64(P=1,Df=8),R2-Nagelkerke参数接近1,且Hosmer-Lemeshow参数值较小,说明该模型拟合优度良好。利用二阶线性logistic方程建立了环境因子交互作用下蜡样芽孢杆菌生长/非生长模型,结果显示logistic回归模型拟合优度较高,具有较广的适用范围,可避免对大系数的过度拟合,结果与本研究测试相符。
PNN人工神经网络模型训练集一致率为100%,验证集FC为86.67%,但验证集的FAR比Logistic模型高出6.25%。PNN人工神经网络模型能短时间内对生长/非生长数据进行快速分类,且总体准确率较高,但仅能对生长/非生长数据进行分类,无法准确给出生长/非生长界面,仅能输出生长概率0和1的数值,即无法给出具体细致的生长概率,但其快速分类功能可为工业生产提供便利。对大肠埃希氏菌(Escherichia coli R31)生长/非生长研究显示,同一组内基于PNN的模型比基于FEBANN(Feedforward error backpropagation artificial neural networks)的模型更精确,且基于二阶logistic回归模型比线性模型更准确,而处理分类问题时PNN人工神经网络模型更优。可能由于研究对象的差异,本文基于PNN人工神经网络模型的验证集准确率低于Logistic模型。两种模型拟合优度和预测力比较如表3所示。
表3两种生长/非生长模型拟合优度和预测力比较
2.2环境因子对腐败希瓦氏菌生长概率的影响
2.2.1盐分对腐败希瓦氏菌生长概率的影响图1(a~d)为盐分1.0%~4.0%,腐败希瓦氏菌生长概率预测值。图1Logistic模型预测曲线(实线)显示:盐分1.0%,aw0.96和0.94时,生长概率随pH的增大而增大,最终生长概率达到1;aw0.92和0.91时,生长概率在pH 5.2和6.4时开始增大,最终生长概率到达1和0.45;盐分1.0%,aw0.90时,无论pH如何变化,该交互作用下腐败希瓦氏菌均不生长。虚线为PNN人工神经网络模型的预测情况,变化趋势与实线近似,生长概率≤0.5时视作非生长,>0.5时视为生长,没有缓慢变化区域,生长概率直接从0上升到1。aw0.92,pH=5.9处出现拐点,生长概率预测值从0上升到1。
盐分2.0%时,实线显示aw0.96,0.94和0.92时,生长概率随pH增大逐渐增大,最终达到1;aw0.91时,生长概率从pH 6.5时开始增大,pH 7时达到1;盐分2.0%,aw0.90时,无论pH如何变化,该交互作用下腐败希瓦氏菌均不生长。图1虚线在aw 0.92,pH<6.5时预测与实线不完全统一,在pH 6.2时实线预测的概率>0.5,但虚线预测仍为0,其差别原因可能是由于2种建模方式的个体差异、训练集数据的选取差异等造成的。
盐分3.0%和4.0%时,实线显示aw 0.91时,生长概率分别在pH 6.7和6.9时开始增大,最终到达0.06和0.02。盐分越高,pH与aw的交互作用逐渐加强,腐败希瓦氏菌不适宜生长,生长界限开始变化点趋于高pH范围,高盐分对腐败希瓦氏菌有生长抑制作用,其趋势与虚线相同。
图1 2种模型盐分作用下腐败希瓦氏菌生长概率预测值
对环境单因子对腐败希瓦氏菌生长/非生长界限做了研究,表明25℃时生长概率随盐分的增加而逐渐降低,当盐分≥12%时腐败希瓦氏菌均不生长,与本研究结果趋势相符,但由于其为单因素试验故有一定差异。研究显示Shewanella amazonensis细胞膜成分变化可能是高NaCl胁迫的间接生理响应,当NaCl为9.35%时,生长速率被抑制至原来的50%。随着盐分的增长,腐败希瓦氏菌生长受到抑制,生长界限向高pH、高aw方向偏移;aw≤0.91时,均不生长。
2.2.2 aw对腐败希瓦氏菌生长概率的影响图2(a~d)中logistic模型预测曲线(实线)为腐败希瓦氏菌,aw对腐败希瓦氏菌生长概率影响预测值。aw0.90时,该交互作用下腐败希瓦氏菌均不生长。aw0.91时,盐分1.0%~4.0%条件下,生长概率在pH=6.4,6.5,6.7和6.9时开始增大,最终生长概率分别达到0.45,0.19,0.06和0.02,该交互作用下腐败希瓦氏菌生长概率很低,生长基本受到抑制。aw0.92,0.94和0.96时,生长概率受盐分影响逐渐减小,随pH增大而增大,生长概率上升变化陡峭。aw越高,pH与盐分的交互作用就被减弱,腐败希瓦氏菌越适宜生长。
图2中PNN人工神经网络预测结果(虚线),与Logistic模型预测曲线结果相似,生长/非生长0,1分界点在Logistic模型预测曲线中位于生长概率0.5附近,将生长概率<0.5的情况视作不生长,无法观测到水分活度0.91时,pH大于6.5之后的生长概率变化,实际生长概率有小幅上升趋势。aw0.92时,盐分1%~4%条件下,分别在pH=6.0,6.3,6.4,6.5处出现拐点,生长概率预测值由0变为1;aw0.94,0.96变化趋势与实线相似。
aw反映水分与食品结合程度,是微生物酶和化学反应能触及的水分,是微生物生长繁殖的重要因素,学者利用山鸡椒油改变产品aw,显示浓度越高腐败菌抑菌圈直径越大,且破坏细胞结构,抑制糖类和蛋白质的消耗,抑制琥珀酸脱氢酶和苹果酸脱氢酶活性,需要对aw对腐败菌生长抑制机制进行深入研究。
图2 2种模型下aw对腐败希瓦氏菌生长概率影响预测值对比
2.2.3 pH值对腐败希瓦氏菌生长概率的影响图3(a~f)为pH=4.5~7.0时,腐败希瓦氏菌生长概率影响预测值。图中实线为Logistic模型预测的生长/非生长曲线,其中pH 4.5时,腐败希瓦氏菌的生长受到强烈抑制。pH 5.0时,aw=0.96且盐分≤3%生长概率大于0.5。pH 5.5时,aw0.96,0.94时,随盐分增长腐败希瓦氏菌生长概率从1.00下降到0.86,其余水分活度均不生长。pH 6.0时,aw>0.92条件下生长概率均为1,aw0.92条件下,生长概率随盐分增大而下降,aw<0.92条件下均不生长。pH 6.5与7.0时,随盐分的增大腐败希瓦氏菌的生长概率在aw0.92与0.91时逐渐递减。图3(a~f)虚线为PNN神经网络预测曲线,与logistic模型预测曲线结果相似,但无法表示生长概率变化的范围及过程,仅可显示拐点。pH 5.0,aw=0.96,盐分3%时以及pH 6.5,aw=0.92,盐分4%为生长概率预测值拐点,生长概率从1变为0。
研究显示希瓦氏菌属最适生长pH值在7.0到8.0之间,与本研究结果一致。研究表明pH变化会影响腐败希瓦氏菌表面超微结构,改变扬氏模量和细胞弹簧常数,pH减小会导致细胞壁厚度变小,破坏细胞膜完整性。在生产过程中可适当添加有机酸调节pH,其抑菌机理包括能量竞争、透化细菌外膜、提高胞内渗透压、抑制生物大分子合成和诱导宿主产生抗菌肽等作用,腐败希瓦氏菌生长概率随pH减小而减小,其生长概率作用机理有待深入研究。
3结论
1)建立了腐败希瓦氏菌二阶线性Logistic模型和PNN人工神经网络模型来预测其生长/非生长情况。二阶线性logistic模型和PNN人工神经网络模型的训练集一致率分别为93.80%和100.00%,验证集一致率分别为100.00%和86.67%。PNN网络能对生长/非生长数据进行快速分类,但二阶线性logistic模型能更好的反映腐败希瓦氏菌的生长概率预测,生长/非生长模型为:
图3 2种模型下pH对腐败希瓦氏菌生长概率影响预测值对比
logit(P)=-9 847.799+20 712.603×aw-1.237×NaCl+0.567×pH2-10 901.375×aw2
2)随着盐分增长,腐败希瓦氏菌生长/非生长界限小幅度向高aw,高pH方向移动,高盐分对腐败希瓦氏菌有生长抑制作用。aw≤0.91时,菌株均不生长,aw=0.92,0.94和0.96时,腐败希瓦氏菌生长概率随pH增大而增大,上升变化陡峭。pH=4.5时,腐败希瓦氏菌基本不生长,随pH升高,高aw情况下的生长概率先增长到1。
室温条件下pH、aw及盐分对腐败希瓦氏菌生长概率的交互影响(一)
室温条件下pH、aw及盐分对腐败希瓦氏菌生长概率的交互影响(二)
相关新闻推荐
2、鼠李糖乳杆菌Probio-M9连续传代培养过程中稳定性评价(三)