发酵乳制品噬菌体风险评估的制作方法
本发明涉及鉴定和评估乳品厂噬菌体风险的领域,以了解噬菌体可能在工艺中的何处成为污染源,并能够尽可能最佳地管理这些风险。特别地,本发明涉及一种用于预测使用乳酸菌的发酵乳制品制造工艺中噬菌体污染风险的方法和系统。
背景技术:
1、乳制品发酵中的噬菌体感染对发酵乳制品(和非乳制品)的生产商构成了持续且具有重要商业意义的挑战。
2、对于发酵乳制品的制造,期望评估乳制品厂中噬菌体感染的风险,以通过例如清洁周期、菌株轮换和/或产品差异化来调整操作实践。
3、专利权人先前创建了一种“清洁工具”,用以指导例如奶酪制造商实施良好制造规范,从而实现噬菌体风险控制。通过与清洁相关的8个问题,对乳制品厂进行了评估。由于问题数量有限,该工具虽然具有很强的判别能力,但并非解决问题的最佳工具,并且该工具也不是适用于所有客户,这取决于客户生产的是奶酪还是新鲜乳制品。
4、尝试了几种改进该工具的方法,但收效有限,因此本披露的诸位发明人试图解决发酵乳制品制造中主动性噬菌体风险管理的问题。
技术实现思路
1、如本文所述,诸位发明人针对每个产品细分市场都开发了方法和系统。更特定地,为特定的奶酪细分市场(例如欧陆奶酪(continental cheese)、软奶酪(soft cheese)、茅屋奶酪(cottage cheese)、白盐渍奶酪(white brine cheese)、帕斯塔费拉塔奶酪(pastafilata)、切达奶酪(cheddar))创建了专用工具。
2、本发明的目的是提供一种用于准确且精确地评估制造规范,估计噬菌体风险,并从而管理噬菌体感染风险的方法和系统。
1.一种用于评估发酵乳制品制造工艺中噬菌体感染风险的计算机实现的方法,所述方法包括以下步骤:
2.根据权利要求1所述的计算机实现的方法,其中该风险评分用于确定使噬菌体感染风险最小化的手段。
3.根据权利要求1或2所述的计算机实现的方法,其中该多个发酵乳制品制造工艺条件包括多个关于乳、细菌培养和/或制造的参数。
4.根据权利要求1至3中任一项所述的计算机实现的方法,其中该多个发酵乳制品制造工艺条件至少包括与以下相关的条件:罐和生产环境、原位清洁(cip)系统、清洁、消毒、培养物剂量和使用、原材料。
5.根据权利要求2-4中任一项所述的计算机实现的方法,其中使噬菌体感染风险最小化的手段包括将乳酸菌培养物以一定间隔进行更换,例如像每周一次、每天一次、每天两次或每次罐装料时更换。
6.根据权利要求1至5中任一项所述的计算机实现的方法,其中该模型在发酵乳制品类型之间是差异化的。
7.根据权利要求6所述的计算机实现的方法,其中这些发酵乳制品类型包括奶酪类型,例如像欧陆奶酪、软奶酪、茅屋奶酪、白盐渍奶酪、帕斯塔费拉塔奶酪和/或切达奶酪。
8.根据权利要求6或7所述的计算机实现的方法,其中这些发酵乳制品类型包括例如像凝固型酸奶、搅拌型酸奶、奶油奶酪和/或菲赛勒奶酪的类型。
9.根据权利要求1至8中任一项所述的计算机实现的方法,其中该模型是经训练的机器学习模型,例如像经训练的神经网络。
10.根据权利要求1至9中任一项所述的计算机实现的方法,其中该经训练的机器学习模型已在包含输入-输出对的训练集上进行了优化,其中该输入是该多个发酵乳制品制造工艺条件,并且该输出是该风险评分。
11.一种用于评估发酵乳制品制造工艺中噬菌体感染风险的方法,所述方法包括以下步骤:
12.根据权利要求11所述的方法,其中该噬菌体感染风险评分用于确定使噬菌体感染风险最小化的手段。
13.根据权利要求12所述的方法,其中使噬菌体感染风险最小化的手段包括将乳酸菌培养物以一定间隔进行更换,例如像每周一次、每天一次、每天两次或每次罐装料时更换。
14.一种用于评估使用乳酸菌的发酵乳制品工艺中噬菌体感染风险的系统,所述系统包括:
15.根据权利要求14所述的方法,其中该模型是经训练的机器学习模型,例如像经训练的神经网络。
16.根据权利要求15所述的系统,其中该多个发酵乳制品制造工艺条件至少包括与以下相关的条件:罐和生产环境、原位清洁(cip)系统、清洁、消毒、培养物剂量和使用、原材料。
17.根据权利要求14至16中任一项所述的系统,其中该模型在发酵乳制品类型之间是差异化的。
18.根据权利要求14至17中任一项所述的系统,其中这些发酵乳制品类型包括例如像欧陆奶酪、软奶酪、茅屋奶酪、白盐渍奶酪、帕斯塔费拉塔奶酪和/或切达奶酪的类型。
19.根据权利要求14至18中任一项所述的系统,其中这些发酵乳制品类型包括例如像凝固型酸奶、搅拌型酸奶、奶油奶酪和/或菲赛勒奶酪的类型。
20.根据权利要求14至19中任一项所述的系统,其中该经训练的机器学习模型已在包含输入-输出对的训练集上进行了优化,其中该输入是该多个发酵乳制品制造工艺条件,并且该输出是该风险评分。
21.根据权利要求14至20中任一项所述的系统,其中该经训练的机器学习模型已在包含输入-输出对的训练集上进行了优化,其中该输入是该多个发酵乳制品制造工艺条件,并且该输出是该风险评分。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com