机器学习模型的开发,用于预测菌O157:H7在洗过程中对新鲜切割的菜的无活化

科学领域:

• 食品微生物学 食品微生物学
• 计算生物学 计算生物学
• 食品安全工程 食品安全工程

背景情况:

• 最少加工的绿叶蔬菜经常传播大肠杆菌O157:H7,导致疫情爆发.
• 清洗是减少污染的关键工业方法,但它的有效性是复杂的.
• 传统的运动模型难以准确预测由于相互作用因素导致的失活.

研究的目的:

• 为了比较机器学习 (ML) 算法的预测准确度与传统模型对大肠杆菌O157:H7在生菜上的失活.
• 开发和验证数据驱动的模型,以优化食品加工中的清洗参数.
• 为食品行业和监管机构提供可访问的决策支持工具.

主要方法:

• 在不同度 (0-150毫克L-1) 和接触时间 (0-150秒) 的4.5°C下,在冰山生菜上生成了大肠杆菌O157:H7减少的实验室数据集.
• 配备了传统的失活模型和三个ML算法:支持向量回归 (SVR),随机森林回归 (RFR) 和高斯过程回归 (GPR).
• 使用根-平均-平方误差 (RMSE) 和R-平方 (R2) 值评估模型性能,评估跨验证的概括性.

主要成果:

• 机器学习模型比传统模型 (RMSE 0.392,R2 0.721) 显著提高了预测准确度.
• 高斯过程回归 (GPR) 获得了最高的精度 (RMSE 0.283,R2 0.852),紧随其后的是SVR (RMSE 0.298,R2 0.836).
• 所有的ML模型在验证数据集中都显示出强大的通用性和稳定性.

结论:

• 与传统方法相比,数据驱动的ML方法在模拟洗效率方面提供了卓越的性能.
• 开发的ML模型为优化食品加工参数提供了可靠和可访问的决策支持工具.
• 实施这些工具可以加强食品安全实践,减少绿叶相关疫情对公共卫生的影响.