Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

De hedendaagse voedingsindustrie wordt geconfronteerd met de toenemende vraag naar kwaliteitsproducten met goede sensorische en nutritionele kwaliteiten, terwijl anderzijds de microbiologische veiligheid gegarandeerd moet blijven. De behandelingsprocessen opereren bijgevolg dichter en dichter bij de grens van de microbiologisch veilige zone, wat een goede beoordeling van de gerelateerde risico's essentieel maakt. Predictieve microbiologie ondersteunt deze beoordeling in de vorm van wiskundige modellen. Dit doctoraatswerk bestudeert twee modelleerbenaderingen, de top-down en de bottom-up modellen. Deze vormen de basis voor modelontwikkeling waarbij meer mechanistische kennis over het functioneren van de individuele cel in rekening kan gebracht worden. In een eerste deel wordt een simulatiemodel opgesteld voor een experimenteel protocol waarin individuele cellen geïsoleerd en bestudeerd worden. Dit model toont aan hoe celaggregatiefenomenen de opbrengst aan individuele cellen kunnen beïnvloeden. Vervolgens worden de lagtijddistributies van individuele cellen, opgemeten met dit protocol, gemodelleerd. Het ontwikkelde model laat de inschatting toe van de lagfasedistributie van individuele cellen van Listeria monocytogenes in functie van temperatuur, pH en wateractiviteit. In een tweede deel wordt de bottom-up benadering besproken en toegepast in de vorm van een individugebaseerd model (IbM). IbM-modellen baseren zich op de individuele cel en zijn geschikt voor de studie van het biologische functioneren van de cel. Een IbM-model voor een 2-species antagonist-target systeem wordt opgesteld en haar kwalitatieve overeenkomst met experimentele metingen geïllustreerd. Een gereduceerde versie van dit model wordt gebruikt voor de analyse van parameterschattingstechnieken. Rooster- en simplexzoekmethodes worden toegepast en resulteren in goede schattingen, maar de procedures vereisen veel tijd. Samenvattend draagt dit doctoraatswerk bij tot de ontwikkeling en toepassing van mechanistisch-georiënteerde modelleertechnieken in predictieve microbiologie. Top-down en bottom-up modellen zijn geschikte en vooral complementaire hulpmiddelen: de bottom-up benadering legt de nadruk op het vergaren van mechanistische kennis terwijl de top-down benadering deze kennis kan vertalen in praktisch bruikbare modellen. Nowadays, the food production market is faced with an increasing demand for high quality foods with good sensory and nutritional properties. Still, the microbiological safety of foods needs to remain guaranteed. Consequently, processing conditions work more and more near the boundaries of the microbiologically safe zone, requiring a good understanding of the actual microbial outgrowth risks involved. Predictive microbiology aims to incorporate this knowledge in mathematical models to support the production process. This doctoral thesis describes two modelling approaches, the top-down and bottom-up models. These form the basis for microbial growth models to include more mechanistic understanding of the biological functioning of individual cells. In a first part, a simulation model is constructed for an experimental protocol to isolate and study individual cells. The simulation model illustrates how aggregational aspects can influence the yield of individual cells. Subsequently, the lag time data of individual cells generated by this protocol were modelled using an integrated approach. This allows the prediction of individual cell lag time distributions of Listeria monocytogenes in function of temperature, pH and water activity. Such a top-down approach incorporates more subtleties of the microbiological system and allows the detailed calculation of risks, e.g., in a risk analysis framework. In a second part, the bottom-up approach is presented and applied in the form of individual-based modelling (IbM). These models are based on the individual cell and are adequate tools to study individual cell growth mechanisms. An IbM model is constructed for a 2-species antagonist-target system and shown to have qualitative correspondence with experimental data. Using a reduced version of this model, an analysis is made of classical parameter identification techniques and their application for this specific model structure. Grid search and simplex search methods are applied and shown to result in adequate estimates, but still have significant time requirements. Overall, this doctoral research contributes to the development and application of mechanistically oriented modelling techniques in predictive microbiology. Top-down and bottom-up models are shown to be adequate and complementary tools: the bottom-up approach is geared towards gaining mechanistic knowledge while the top-down approach has the ability to translate this knowledge to models, usable in the food industry practice. De voedingsindustrie wordt voortdurend geconfronteerd met de vraag naar versere, minder behandelde voedselproducten terwijl ze toch de nodige garanties moet bieden op het vlak van voedselveiligheid en -houdbaarheid. Predictieve microbiologie helpt hierbij door de ontwikkeling van wiskundige modellen die de groei van bacteriën in voedingsmiddelen kunnen beschrijven. De modellen die tot nog toe ontwikkeld voorspellen typisch het totaal aantal cellen of de totale massa van de populatie (i.e., het populatieniveau) en geven goede resultaten voor microbiële groei in sterk vereenvoudige en gecontroleerde situaties, zoals in laboratoriumexperimenten. Voor complexere en meer realistische situaties zoals in voedingsmiddelen blijkt dat deze modellen enkele belangrijke aspecten missen om accurate predicties mogelijk te maken. Zo is het bijvoorbeeld nodig om statistische aspecten van de bacterie-populaties in rekening te brengen om lagfenomenen (vertraagd starten van de groei van bacterien) te verklaren. Ook het inbouwen van de steeds toenemende kennis over de werking van bacteriële cellen in de modellen zou een hele vooruitgang betekenen. In dit doctoraatsproject worden dergelijke statistische benaderingen uitgewerkt en toegepast. Enerzijds ondersteunt het onderzoek de ontwikkeling van experimentele technieken voor het isoleren en bestuderen van individuele cellen. Anderzijds worden modelleertechnieken bestudeerd die de individuele cellen binnen een populatie beschrijven in plaats van de populatie als geheel. Een dergelijke benadering opent heel wat nieuwe mogelijkheden voor het modelleren van microbiële populaties. The food industry is continually challenged to produce fresher, minimally processed food products while still obeying food safety and preservation criteria. Predictive microbiology supports this by developing mathematical models able to predict bacterial growth in foods. Current models typically describe growth at population level by modelling, for instance, the total cell count or the total mass of the population. This approach works adequately for simple and strictly controlled situations, like in laboratory experiments. Food products, however, provide a much more complex environment that have proven to be hard to describe with traditional models. For instance, modelling of the bacterial lag time (i.e., a delayed start of cell growth) requires the incorporation of the statistical aspects of a microbial population, in which no two cells behave exactly the same. Also, incorporating the expanding amount of knowledge on the workings of the individual cell can improve the existing models a lot. In this project, statistical approaches like the ones mentioned are implemented and applied. On the one hand, the research supports the development of experimental techniques for isolating and studying individual cells. On the other hand, a new class of modelling techniques is explored that models individual cells of a population, instead of the population as a whole. This opens up a lot of new possibilities for modelling microbial populations.