Med. Weter. 2012, 68 (9) 540
Artyku³ przegl¹dowy Review
Podstawowym celem mikrobiologów i technologów ¿ywnoci jest uzyskanie bezpiecznych dla zdrowia konsumenta i trwa³ych produktów spo¿ywczych. Do osi¹gniêcia tego celu niezbêdna jest inaktywacja lub zahamowanie wzrostu i aktywnoci niepo¿¹danych drobnoustrojów, które mog¹ powodowaæ zatrucia i za-ka¿enia pokarmowe lub psucie siê rodków spo¿yw-czych. Od dawna prowadzone s¹ zatem badania nad wp³ywem czynników rodowiskowych oraz procesów technologicznych na zachowanie siê mikroorganiz-mów w ¿ywnoci. W latach osiemdziesi¹tych ubieg³e-go wieku intensywnoæ tych badañ znacznie wzros³a, jednak brak odpowiednich metod matematycznej in-terpretacji wyników przeprowadzanych dowiadczeñ ogranicza³ realny postêp w mikrobiologii ¿ywnoci. Momentem prze³omowym by³a Konferencja Towarzy-stwa Mikrobiologii Przemys³owej (Society for Indu-strial Microbiology) w Tampie na Florydzie w 1992 r., podczas której mikrobiolodzy, technolodzy, matema-tycy i statysmatema-tycy z kilkunastu krajów okrelili kierunki rozwoju nowej ga³êzi mikrobiologii ¿ywnoci pre-dictive microbiology (6).
Podstawowym za³o¿eniem mikrobiologii progno-stycznej jest powtarzalnoæ procesów mikrobiologicz-nych przebiegaj¹cych w ¿ywnoci oraz mo¿liwoæ opisania ich za pomoc¹ modeli matematycznych, a g³ównym celem przewidywanie zachowania siê drobnoustrojów w produktach spo¿ywczych, wyra¿a-ne w kategoriach ilociowych.
Jest kilka klasyfikacji modeli matematycznych wy-korzystywanych w mikrobiologii prognostycznej. Wed³ug jednej z nich wyró¿nia siê:
modele oparte na prawdopodobieñstwie czêsto stosowane w przypadku bakterii przetrwalnikuj¹cych np. C. botulinum,
modele kinetyczne stosowane zwykle dla bak-terii nieprzetrwalnikuj¹cych, które staj¹ siê niebez-pieczne po przekroczeniu pewnej progowej liczby.
Z uwagi na charakter opisywanego zjawiska wyró¿-nia siê modele inaktywacji, wzrostu oraz prze¿ywal-noci drobnoustrojów (14).
Inna klasyfikacja dzieli modele matematyczne na pierwszo-, drugo- i trzeciorzêdowe.
Modele pierwszorzêdowe to wzory matematyczne opisuj¹ce krzywe wzrostu lub prze¿ywalnoci.
Modele drugorzêdowe s¹ równaniami opisuj¹cymi zmiany parametrów modeli pierwotnych pod wp³ywem zmian czynników rodowiskowych. Do najczêciej stosowanych nale¿¹ model Arrheniusa, pierwiastka kwadratowego Ratkowskiego i model Gamma Zwite-ringa (14).
Modele trzeciorzêdowe s¹ komputerowymi arkusza-mi kalkulacyjnyarkusza-mi (systemaarkusza-mi) z³o¿onyarkusza-mi z modeli pierwszego i drugiego rzêdu. Paradoksalnie te najbar-dziej skomplikowane modele s¹ czêsto najbarnajbar-dziej przyjazne dla u¿ytkowników, poniewa¿ zosta³y opra-cowane w formie ³atwych w obs³udze programów kom-puterowych s³u¿¹cych do symulacji zachowania siê
Mikrobiologia prognostyczna
zastosowania praktyczne
JACEK SZCZAWIÑSKI
Katedra Higieny ¯ywnoci i Ochrony Zdrowia Publicznego Wydzia³u Medycyny Weterynaryjnej SGGW, ul. Nowoursynowska 159, 02-776 Warszawa
Szczawiñski J.
Predictive microbiology: Practical applications
Summary
Studies on the effects of environmental factors and technological processes on the behavior of micro-organisms in food have been conducted for many years. Mathematical models have come to be used exten-sively for quantitative interpretation of the results of these studies. The use of modeling in food microbiology has grown to the point of being recognized as a distinct discipline of food microbiology, termed predictive microbiology. In recent years, progress in this field has been impressive, and predictive microbiology is increasingly used by food producers and food inspectors in their routine work. One of the reasons for this development are changes in European food law, particularly the obligatory introduction of HACCP, risk analysis and microbiological criteria for food. Predictive microbiology has been an important supporting tool in food chain risk management.
Med. Weter. 2012, 68 (9) 541
drobnoustrojów w ró¿nych warunkach. Przyk³adami takich modeli s¹ Food MicroModel opracowany przez Leatherhead Food Research Association, ComBase Predictor i najbardziej popularny Pathogen Modeling Program, który dostêpny jest bezp³atnie na stronie internetowej Departamentu Rolnictwa Stanów Zjed-noczonych (USDA).
Przewidywanie inaktywacji drobnoustrojów pod wp³ywem czynników fizycznych
Modele matematyczne wykorzystano po raz pierw-szy do przewidywania inaktywacji drobnoustrojów podczas obróbki termicznej. Prace w dziedzinie ter-mobakteriologii zapocz¹tkowane zosta³y ju¿ w 1895 r. przez Russela. Podwaliny teoretyczne technologii pro-dukcji konserw tworzy³ Bigelow, który w latach 1917--1921 wyznaczy³ opornoæ przetrwalników bakte-ryjnych i by³ w stanie obliczyæ niezbêdne parametry sterylizacji, a nastêpnie Ball, Stumbo i wielu innych badaczy, dziêki którym konserwy sterylizowane ter-micznie uwa¿ane s¹ za jeden z najbardziej bezpiecz-nych produktów (17).
W wiêkszoci przypadków przy zachowaniu sta³ej temperatury procesu termicznego wystêpuje prostoli-niowa zale¿noæ pomiêdzy czasem ogrzewania i licz-b¹ prze¿ywaj¹cych drobnoustrojów, dlatego do pod-stawowych pojêæ z zakresu termobakteriologii nale¿y obliczana z analizy regresji liniowej wartoæ D, która oznacza czas wyra¿ony w minutach potrzebny w da-nej temperaturze do dziesiêciokrotda-nej redukcji liczby drobnoustrojów oraz wartoæ z, która charakteryzu-je wra¿liwoæ populacji bakteryjnej na wzrost tempe-ratury i okrela, o ile stopni Celsjusza nale¿y podnieæ (lub obni¿yæ) temperaturê obróbki cieplnej, aby uzy-skaæ dziesiêciokrotne skrócenie (lub wyd³u¿enie) war-toci D. Znajomoæ tych warwar-toci oraz zmian tempe-ratury w produkcie podczas jego ogrzewania pozwa-laj¹ na przewidywanie konsekwencji mikrobiologicz-nych obróbki termicznej przy stosowaniu ró¿mikrobiologicz-nych kombinacji czasu i temperatury oraz na obliczanie wartoci pasteryzacyjnych (PV) lub sterylizacyjnych (F) niezbêdnych do uzyskania zaplanowanego stopnia destrukcji bakterii wegetatywnych lub przetrwalników (17). Pomimo znacznych osi¹gniêæ w zakresie mate-matycznego modelowania inaktywacji termicznej drobnoustrojów, ci¹gle poszukuje siê nowych rozwi¹-zañ, zw³aszcza przy stosowaniu ³agodnej obróbki ciepl-nej w po³¹czeniu z innymi czynnikami, np. modyfi-kacj¹ pH lub obni¿aniem aktywnoci wody.
Modele matematyczne opracowane przez termobak-teriologów s¹ wykorzystywane (bezporednio lub po nieznacznych modyfikacjach) do przewidywania skut-ków stosowania innych procesów fizycznych, tj. na-promieniowania ¿ywnoci oraz wysokiego cinienia hydrostatycznego (7).
Przewidywanie wzrostu drobnoustrojów Znacznie trudniejsze od przewidywania stopnia in-aktywacji okaza³o siê prognozowanie wzrostu
drob-noustrojów w ¿ywnoci, poniewa¿ jego dynamika za-le¿y od wielu zmiennych, takich jak: charakter jako-ciowy i ilojako-ciowy pocz¹tkowej mikroflory produktu, temperatura, pH, aktywnoæ wody, dostêpnoæ tlenu, poziom CO2, stê¿enie substancji konserwuj¹cych, za-wartoæ witamin i aminokwasów egzogennych itp.
Przyk³adem jednego z pierwszych zastosowanych modeli opartych na prawdopodobieñstwie jest zapro-ponowany przez Hauschilda (4) prosty wzór do obli-czania prawdopodobieñstwa wykie³kowania pojedyn-czego przetrwalnika C. botulinum oraz namno¿enia siê potomnych komórek wegetatywnych do poziomu nie-zbêdnego do wytworzenia toksyny botulinowej:
P = (ln n/q)/s gdzie:
P prawdopodobieñstwo wytworzenia toksyny bo-tulinowej,
n liczba próbek w grupie dowiadczalnej, q liczba próbek nietoksycznych,
s liczba przetrwalników C. botulinum w 1 próbce. Wykorzystanie tego równania w badaniach w³asnych pozwoli³o na ocenê wp³ywu napromieniowania na w³aciwoci przeciwbotulinowe azotynu sodowego w peklowanym miêsie (9, 13). Umo¿liwia ono rów-nie¿ ocenê ryzyka wyst¹pienia zatruæ botulinowych zwi¹zanego z konsumpcj¹ ró¿nych produktów spo¿yw-czych obecnych na rynku (4).
Przyk³adem jednego z pierwszych zastosowanych modeli kinetycznych jest równanie Gompertza (1, 3, 6), wykorzystywane do przewidywania kinetyki wzro-stu populacji bakteryjnej:
L(t) = A + C exp {exp [B (t M)]} gdzie:
L(t) log liczby bakterii w czasie t (h) [lg/ml],
A asymptotyczny lg liczby bakterii przy nieozna-czonym spadku czasu (» lg pocz¹tkowej liczby bakterii) [lg/ml],
C asymptotyczna wielkoæ wzrostu przy nieozna-czonym wzrocie czasu (iloæ lg cykli wzrostu) [lg/ml],
M czas, przy którym tempo wzrostu jest maksymal-ne [h],
B relatywne tempo w czasie M [lg/ml/h].
Zalet¹ równania Gompertza jest to, ¿e pozwala ono przy pomocy równañ pomocniczych na obliczenie ta-kich wskaników, jak: d³ugoæ trwania lagfazy, tempo wzrostu bakterii w fazie logarytmicznej, czas jednej generacji oraz maksymalna gêstoæ populacji, co umo¿liwia znaczne pog³êbienie interpretacji wyników dowiadczeñ mikrobiologicznych. Model Gompertza okaza³ siê bardzo przydatny w badaniach w³asnych, których celem by³o porównanie wzrostu S. aureus w nienapromieniowanej i napromieniowanej ró¿nymi dawkami peklowanej szynce wieprzowej (12) oraz porównanie krzywych wzrostu pa³eczek Salmonella poddanych dzia³aniu ogrzewania mikrofalowego i wy-sokiego cinienia hydrostatycznego z krzywymi wzro-stu bakterii kontrolnych (10, 11).
Med. Weter. 2012, 68 (9) 542
Do innych modeli najczeciej wykorzystywanych obecnie do oceny wzrostu populacji bakteryjnej w ¿yw-noci nale¿y model logistyczny, Baranyi i MacKellara. Do oceny prze¿ywalnoci bakterii stosuje siê mo-dele: liniowy, nieliniowy potêgowy, nieliniowy ekspo-nencjalny, nieliniowy Fermi, nieliniowy Colea, zmo-dyfikowany Gompertza oraz Baranyi i MacKellara (7).
Rola mikrobiologii prognostycznej w zapewnieniu bezpieczeñstwa ¿ywnoci Mikrobiologia prognostyczna rozwija siê w ostat-nich latach niezwykle dynamicznie. Odgrywa ona nie tylko istotn¹ rolê w interpretacji wyników badañ z za-kresu mikrobiologii ¿ywnoci, ale te¿ jest coraz po-wszechniej wykorzystywana w rutynowej pracy pro-ducentów ¿ywnoci oraz s³u¿b inspekcyjnych, w tym Inspekcji Weterynaryjnej.
Jedn¹ z przyczyn tego zjawiska s¹ zmiany w euro-pejskim prawie ¿ywnociowym ukierunkowane na poprawê bezpieczeñstwa ¿ywnoci, a zw³aszcza obli-gatoryjne wprowadzenie systemu HACCP, analizy ryzyka (Rozporz¹dzeniem WE nr 178/2002) oraz kry-teriów mikrobiologicznych dla ¿ywnoci (Rozporz¹-dzenie WE nr 2073/2005 i 1441/2007).
W systemie HACCP mo¿liwoæ przewidywania re-akcji drobnoustrojów na stosowane zabiegi technolo-giczne i zmiany czynników rodowiskowych mo¿e byæ wykorzystana w analizie zagro¿eñ i okrelaniu rod-ków kontrolnych, ustalaniu poziomów docelowych i li-mitów krytycznych oraz przy weryfikacji systemu (7). Pojêcie analizy ryzyka zosta³o okrelone w prawie ¿ywnociowym jako postêpowanie sk³adaj¹ce siê z trzech powi¹zanych ze sob¹ elementów obejmuj¹-cych: ocenê ryzyka, zarz¹dzanie ryzykiem i informo-wanie o ryzyku. Mikrobiologia prognostyczna jest cennym narzêdziem w ocenie ryzyka mikrobiologicz-nego wspartego naukowo procesu sk³adaj¹cego siê z czterech etapów: identyfikacji zagro¿enia, charakte-rystyki niebezpieczeñstwa, oceny nara¿enia oraz cha-rakterystyki ryzyka. Mikrobiologia prognostyczna jest szczególnie przydatna w dwóch ostatnich etapach oce-ny ryzyka, tj. ocenie nara¿enia oraz charakterystyce ryzyka.
Wielu szczegó³owych informacji na temat roli i mo¿-liwoci wykorzystania mikrobiologii prognostycznej w systemie HACCP, ocenie ryzyka mikrobiologiczne-go oraz analizie ryzyka dostarcza opracowanie Mode-ling Microbial Responses in Food (7).
Kontrola jakoci mikrobiologicznej rodków spo-¿ywczych znajduj¹cych siê w obrocie jest jednym z podstawowych elementów zapewnienia bezpieczeñ-stwa ¿ywnoci. Z tego wzglêdu szczególnie istotn¹ rolê w europejskim prawie ¿ywnociowych odgrywa roz-porz¹dzenie (WE) 2073/2005 (wraz z nowelizacja zawart¹ w rozporz¹dzeniu (WE) nr 1441/2007 oraz póniejszymi zmianami) w sprawie kryteriów mikro-biologicznych dla produktów spo¿ywczych. Ka¿dy producent rodków spo¿ywczych powinien posiadaæ
dokumentacjê charakteryzuj¹c¹ produkt uzyskiwany w warunkach zak³adu w wyniku okrelonego procesu produkcyjnego. Powinny zostaæ wykonane odpowied-nie badania dla okrelenia trwa³oci produktu. Dla ka¿dego nowego produktu wskazane jest wykonanie badañ fizykochemicznych, takich jak: okrelenie pH, aw, zawartoci soli i rodków konserwuj¹cych. Dla uzyskania niezbêdnych informacji zaleca siê wykorzy-stywanie modeli matematycznych, pozwalaj¹cych na ocenê wzrostu lub prze¿ywalnoci okrelonych drob-noustrojów chorobotwórczych podczas przechowywa-nia w ró¿nych warunkach. W szczególnoci dotyczy to ¿ywnoci gotowej do spo¿ycia, w której mo¿liwy jest wzrost Listeria monocytogenes bakterii stwa-rzaj¹cej znaczne ryzyko dla zdrowia ludzkiego w przy-padku osi¹gniêcia wysokiej liczby. AFSSA (Francu-ska Agencja Bezpieczeñstwa ¯ywnoci) oraz Labora-torium Referencyjne Unii Europejskiej ds. Listeria monocytogenes opublikowa³y dokument techniczny zawieraj¹cy metody badañ pozwalaj¹ce na ocenê intensywnoci wzrostu listerii w ¿ywnoci gotowej do spo¿ycia (2). W dokumencie tym rekomenduje siê wykorzystanie programu MicroFit v 1.0 opracowane-go w Instytucie Badania ¯ywnoci (IFR) w Wielkiej Brytanii, który bazuje na modelu wzrostu Baranyi.
Wydaje siê, ¿e w najbli¿szej przysz³oci mikrobio-logia prognostyczna bêdzie powszechnie wykorzysty-wana w zarz¹dzaniu ryzykiem w ³añcuchu ¿ywno-ciowym. Wynika to z faktu, ¿e wiod¹ce organizacje miêdzynarodowe (ICMSF International Commission on Microbiological Specifications for Foods, CAC Codex Alimentarius Commission, ILSI Internatio-nal Life Science Institute) zalecaj¹ wprowadzenie do narodowych programów bezpieczeñstwa ¿ywnoci na-rzêdzi bazuj¹cych na idei analizy ryzyka mikrobiolo-gicznego (MRA), które mog³yby powi¹zaæ wymaga-nia krajowych programów bezpieczeñstwa ¿ywnoci z ich wp³ywem na zdrowie publiczne (15, 16). Dysku-sja nad tymi narzêdziami (kryteriami) zaczê³a siê ju¿ w latach dziewiêædziesi¹tych. Zosta³y one wprowadzo-ne po raz pierwszy w praktyce przez WTO (wiatowa Organizacja Handlu). Narzêdziami tymi s¹: ALOP, FSO, PC i PO. ALOP (Appropriate Level of Protec-tion) oznacza odpowiedni poziom ochrony, czyli poziom przyjêty jako odpowiedni przez dany kraj w obrêbie swojego terytorium. FSO (Food Safety Objective) cel bezpieczeñstwa ¿ywnoci to mak-symalna czêstotliwoæ i/lub koncentracja czynnika zagro¿enia w ¿ywnoci na etapie jej spo¿ycia. PO (Performance Objective) cel wykonawczy to mak-symalna czêstotliwoæ i/lub koncentracja czynnika za-gro¿enia w ¿ywnoci na odpowiednim etapie jej pro-dukcji przed etapem jej spo¿ycia. PC (Performance Criterion) kryterium wykonawcze to maksymal-na wartoæ w zakresie czêstotliwoci i/lub koncentra-cji czynnika zagro¿enia w ¿ywnoci, która musi byæ osi¹gniêta. Punktem wyjcia tej koncepcji ma byæ odpowiedni poziom ochrony (ALOP), ustalany przez
Med. Weter. 2012, 68 (9) 543
w³adze danego kraju i wyra¿any jako ogólne cele zdro-wia publicznego. W celu praktycznego powi¹zania ALOP z kontrol¹ zagro¿eñ bezpieczeñstwa ¿ywnoci powinny byæ ustanowione cele bezpieczeñstwa ¿yw-noci (FSO), cele operacyjne (PO) oraz kryteria ope-racyjne (PC). Przyk³adem FSO mog¹ byæ kryteria bez-pieczeñstwa ¿ywnoci okrelone w Rozporz¹dzeniu 2073/2005 i 1441/2007.
Przyk³adem PO mo¿e byæ np. wystêpowanie pa³e-czek Salmonella nie czêstsze ni¿ w 0,002% surowych tuszek drobiowych. Przyk³adem PC jest np. wymaga-nie redukcji bakterii enteropatogennych o 5 jednostek logarytmicznych podczas pasteryzacji.
Wymienione narzêdzia (FSO, PO, PC) w wymierny sposób umo¿liwiaj¹ producentom praktyczn¹ realiza-cjê zadañ w zakresie bezpieczeñstwa ¿ywnoci, które zagwarantuj¹ osi¹gniêcie ALOP. Do koncepcji FSO nawi¹zuje porednio norma ISO22000: 2005, która wymaga okrelenia akceptowalnych poziomów zagro-¿eñ w wyrobach gotowych.
Wydaje siê, ¿e omawiane kryteria bêd¹ coraz czê-ciej wykorzystywane w praktyce i stan¹ siê powszech-nie stosowanym, u¿ytecznym narzêdziem w kszta³to-waniu polityki bezpieczeñstwa ¿ywnoci oraz ochro-ny zdrowia publicznego.
Opisuj¹c praktyczne zastosowania mikrobiologii prognostycznej, wypada wspomnieæ o dzia³aniach po-dejmowanych w Polsce w tym zakresie. Obecnie w kil-ku krajowych orodkach naukowych, w tym równie¿ w Katedrze Higieny ¯ywnoci i Ochrony Zdrowia Publicznego SGGW, realizowany jest projekt rozwo-jowy nr N R12 0097 06/2009 Zastosowanie mikro-biologii prognostycznej do modelowania bezpieczeñ-stwa ¿ywnoci. Kierownikiem i koordynatorem pro-jektu jest prof. dr hab. Stefan Ziajka z UWM w Olsz-tynie. Cele badañ obejmuj¹: opracowanie matematycz-nych modeli (wzrostu, prze¿ywalnoci), opisuj¹cych zachowanie siê okrelonych drobnoustrojów chorobo-twórczych w wybranych produktach pochodzenia zwierzêcego przechowywanych w ró¿nych tempera-turach; przedstawienie wyników w formie kompute-rowej bazy danych; przygotowanie narzêdzi do reali-zacji programów bezpieczeñstwa ¿ywnoci w oparciu o analizê ryzyka w postaci kryteriów operacyjnych, kryteriów procesu i kryteriów produktu. Do chwili obecnej okrelono zachowanie siê L. monocytogenes, Salmonella spp., S. aureus, Y. enterocolitica i E. coli w 15 wybranych produktach, przechowywanych w 5 ró¿nych temperaturach w zakresie od 0°C do 25°C. Projekt realizowany jest we wspó³pracy z producen-tami ¿ywnoci, a zatem jego wyniki maj¹ szanse na szybkie zastosowanie w praktyce.
Pimiennictwo
1.Baranyi J., Roberts T. A.: A dynamic approach to predicting bacterial growth in food. Int. J. Food Microbiol. 1994, 23, 277-294.
2.Beaufort A., Cornu M., Bergis H., Lardeux A. L., Lombard B.: Technical Guidance Document On shelf-life studies for Listeria monocytogenes in ready-to-eat foods. AFSSA (Agence Française de Sécurtité Sanitaire des
Ali-ments). EU Community Reference Laboratory for Listeria Monocytogenes. Version 2 November 2008.
3.Gibson A. M., Bratchell N., Roberts T. A.: Predicting microbial growth: growth responses of salmonellae in a laboratory medium as affected by pH, sodium chloride and storage temperature. Int. J. Food Microbiol. 1988, 6, 155-178. 4.Hauschild A. H. W.: Assessment of botulism hazards from cured meat
pro-ducts. J. Food Technol. 1982, 36, 95-104.
5.Ko³o¿yn-Krajewska D.: Higiena produkcji ¿ywnoci. Wydawnictwo SGGW, Warszawa 2003.
6.López S., Prieto M., Dijkstra J., Ghanoa M. S., France J.: Statistical evalu-ation of mathematical models for microbial growth. Int. J. Food Microbiol. 2004, 96, 289-300.
7.McKellar R. C., Lu X.: Modeling microbial responses in food. CRC Press 2004.
8.Swarte C., Donker R. A.: Towards an FSO/ALOP based food safety policy. Food Control 2005, 16, 825-830.
9.Szczawiñski J.: Wp³yw peklowania, pasteryzacji i napromieniowania miêsa na wytwarzanie toksyny przez Clostridium botulinum. Praca hab. Wydaw-nictwo SGGW-AR, Warszawa 1987.
10.Szczawiñski J., Klusek A., Szczawiñska M. E.: Growth responses of Salmo-nella Enteritidis subjected to heat or high pressure treatment in a laboratory medium. High Press Res. 2009, 29, 141-149.
11.Szczawiñski J., Klusek A., Szczawiñska M. E.: Parameters of growth curves of Salmonella Enteritidis subjected to conventional heat or microwave treat-ment. Bull. Vet. Inst. Pulawy 2009, 53, 627-632.
12.Szczawiñski J., Szczawiñska M.: Evaluation of Staphylococcus aureus growth in unirradiated and irradiated cured meats using the Gompertz equation. SozEp-Hefte. 1993, 16, 130-134.
13.Szczawiñski J., Szczawiñska M., Szulc M.: Effect of irradiation on antibotu-linal efficacy of nitrite. J. Food Sci. 1989, 54, 1313-1317.
14.Tarczyñska A. S., Kowalik J., £obacz A.: Modelowanie mikrobiologicznego bezpieczeñstwa ¿ywnoci. Przem. Spo¿. 2012, 66, 35-37.
15.Whiting R. C.: What risk assessments can tell us about setting criteria. Food Control 2011, 22, 1525-1528.
16.Wojdat E., Kwiatek K.: Procedura postêpowania w ocenie ryzyka mikrobio-logicznego w ³añcuchu produkcyjnym ¿ywnoci. Higiena 2004, 13, 8-9. 17.Ziemba Z.: Podstawy cieplnego utrwalania ¿ywnoci. WNT, Warszawa 1980.
Adres autora: prof. dr hab. Jacek Szczawiñski, ul. Nowoursynowska 159, 02-776 Warszawa; e-mail: jacek_szczawiñski@sggw.pl