Ερευνητές στο Πανεπιστήμιο του Connecticut ανέπτυξαν δύο χαμηλού κόστους μεθόδους για ταυτόχρονο έλεγχο μικροβιακής μόλυνσης σε γάλα και κρέας
Οι συμβατικές μέθοδοι ελέγχου παθογόνων στα τρόφιμα έχουν ένα κοινό χαρακτηριστικό που τις καθιστά προβληματικές για τον σύγχρονο τρόπο παραγωγής και διανομής: απαιτούν πολλές ημέρες για αποτέλεσμα, ανιχνεύουν συνήθως ένα παθογόνο κάθε φορά, χρειάζονται εξειδικευμένα εργαστήρια και εκπαιδευμένο προσωπικό. Μέχρι να βγει το αποτέλεσμα, το προϊόν έχει ήδη φύγει από τη γραμμή παραγωγής και φτάσει στο ράφι ή ακόμα και στο τραπέζι.
ΔΕΙΤΕ ΕΠΙΣΗΣ | Διαδικτυακό Media Training για τη διαχείριση κρίσεων: Η Ελένη Τσαγκά επιστρέφει στις 27 Μαρτίου για να σας θωρακίσει απέναντι στον Τύπο
Ερευνητές στο Πανεπιστήμιο του Connecticut ανέπτυξαν δύο νέες μεθόδους που αντιμετωπίζουν ακριβώς αυτό το πρόβλημα, με αποτελέσματα που δημοσιεύτηκαν στα επιστημονικά περιοδικά Food Chemistry και Food Frontiers.
Πώς λειτουργεί το σύστημα για το γάλα
Η μέθοδος για το γάλα χρησιμοποιεί μια πλάκα 96 θέσεων συνδυασμένη με 12 αισθητήρες που αντιδρούν στα βακτήρια βάσει μοριακής δομής, παράγοντας διακριτά σήματα για κάθε οργανισμό. Αυτά τα σήματα αναλύονται από αλγόριθμο μηχανικής μάθησης εκπαιδευμένο να αναγνωρίζει συγκεκριμένα παθογόνα.
Οι ερευνητές δοκίμασαν τη μέθοδο σε πέντε παθογόνα βακτήρια, συμπεριλαμβανομένων της Listeria, της E. coli και της Salmonella, καθώς και σε τρεις οργανισμούς αλλοίωσης που αντιπροσωπεύουν τους πιο συνηθισμένους μικροβιακούς κινδύνους στο γάλα. Το σύστημα εντόπισε και τους οκτώ με ακρίβεια άνω του 98% μέσα σε δύο ώρες, ταυτόχρονα και χωρίς να απαιτείται εξειδικευμένη εκπαίδευση.
ΔΕΙΤΕ ΕΠΙΣΗΣ | Χημικός κίνδυνος από κοινά σφουγγάρια μπάνιου – Ανακαλούνται όλες οι παρτίδες
ΔΕΙΤΕ ΕΠΙΣΗΣ | Ρόδια με υψηλά επίπεδα επικίνδυνου φυτοφαρμάκου στους πάγκους μεγάλης αλυσίδας σούπερ μάρκετ
Σε σύγκριση, οι παραδοσιακές μέθοδοι καλλιέργειας απαιτούν αρκετές ημέρες, εξειδικευμένες εγκαταστάσεις και ανιχνεύουν ένα παθογόνο κάθε φορά. Η νέα προσέγγιση προσφέρει ταυτόχρονη ανίχνευση πολλαπλών οργανισμών σε κλάσμα του χρόνου.
Η ομάδα εργάζεται τώρα για τη δημιουργία εφαρμογής για smartphone που θα ερμηνεύει τα σήματα φθορισμού που παράγουν οι αισθητήρες, κάνοντας τη δοκιμή ακόμα πιο προσβάσιμη. Παράλληλα, εργάζονται για την εξάλειψη των βημάτων προετοιμασίας δείγματος, όπως η αφαίρεση πρωτεϊνών, που μπορούν να επηρεάσουν την ακρίβεια. Αν αυτά τα βήματα απλοποιηθούν, η μέθοδος θα μπορούσε να χρησιμοποιηθεί απευθείας στο σημείο πώλησης ή ακόμα και από τον καταναλωτή.
Η μέθοδος για το κρέας
Σε συναφή εργασία, η ίδια ομάδα ανέπτυξε αισθητήρες για ανίχνευση πτητικών οργανικών ενώσεων που παράγονται από βακτήρια αλλοίωσης στο κρέας. Αντί να έρχονται σε επαφή με το προϊόν, οι αισθητήρες ανιχνεύουν τα αέρια που εκπέμπουν τα βακτήρια, παράγοντας ορατή αλλαγή χρώματος. Αλγόριθμοι μηχανικής μάθησης εκπαιδεύτηκαν να συσχετίζουν τα μοτίβα πτητικών ενώσεων με συγκεκριμένους τύπους βακτηρίων.
ΔΕΙΤΕ ΕΠΙΣΗΣ | Άλατα στο πλυντήριο: Πώς να τα αφαιρέσετε για να έχετε πιο καθαρά ρούχα και συσκευή με λιγότερες βλάβες
ΔΕΙΤΕ ΕΠΙΣΗΣ | Πώς να καταψύχετε σωστά τη σούπα ώστε να παραμένει νόστιμη
Το πλεονέκτημα της μη επεμβατικής προσέγγισης είναι ότι μπορεί να χρησιμοποιηθεί σε ολόκληρα τεμάχια κρέατος χωρίς να τα αλλοιώνει, και θα μπορούσε να ενσωματωθεί απευθείας στη συσκευασία ώστε να παρέχει οπτική ένδειξη φρεσκάδας ή κινδύνου μόλυνσης καθ’ όλη τη διάρκεια αποθήκευσης και διανομής.
