首页 > 资讯 > 化学 > 正文
2024-01-02 20:05

玉米采前与采后黄曲霉毒素污染综合模型研究


下载原文档:

摘要。

黄曲霉定殖玉米造成的黄曲霉毒素污染继续在食物链中对人类和牲畜的健康构成重大危害。越来越多的注意力集中在模型的发展,以预测风险和确定有效的干预策略。大多数风险预测模型都集中在阐明天气和地点变量对黄曲霉生长和黄曲霉毒素产生的收获前动态的影响。然而,真菌生长和毒素积累在收获后继续发生,特别是在储存条件受后勤和成本限制的国家。在本文中,我们在之前工作的基础上,引入并测试了一个综合气象驱动的流行病学模型,该模型涵盖了从种植到交付的整个供应链。我们使用近似贝叶斯计算来参数化模型,该模型使用了6年来每月的时间序列数据,用于从印度中南部的一个大批量玉米加工厂每天从多达三个来源地区收到的黄曲霉毒素污染水平。参数化模型的黄曲霉毒素水平时间序列成功地复制了用于拟合和验证的历史黄曲霉毒素数据集的总体概况、规模和方差。我们使用该模型来说明黄曲霉生长和黄曲霉毒素生产的动态在收获前和收获后阶段在不同的采购区域,在短期预测,以告知采购供应的决策和比较干预策略,以减少黄曲霉毒素污染的风险。

介绍

最近对欧洲食品安全局(EFSA)数据的分析显示,在全球种植、储存和交易的作物中,多达80%被可检测到的二级真菌代谢物污染,这些代谢物被归类为真菌毒素,超过法定污染限值的比例高达20% 1。在真菌毒素中,黄曲霉毒素B1 (AFB1)是最有效的人类致癌物之一。黄曲霉毒素中毒可通过皮肤接触受污染的田间作物和储存农产品直接发生,但更常见的是通过摄入受污染的作物产品或食用受污染饲料的动物的二次产品,如牛奶。黄曲霉毒素中毒与儿童发育迟缓和导致肝癌的严重肝损害有关。黄曲霉是AFB1的主要来源。它是一种分布广泛、多产的土壤腐殖酸菌,也能够感染多种作物,包括谷物、豆类和坚果。

在这里,我们重点关注黄曲霉毒素对玉米(Zea mays L.)的风险,这种广泛交易的商品中的霉菌毒素污染水平日益引起全球关注。具体来说,我们整合了气象驱动的黄曲霉收获前后动态流行病学模型,作为预测、审查和管理从农场到工厂整个玉米供应链风险的工具。我们还引入了一些功能来模拟疾病管理场景,包括收获后的干燥和过滤。

玉米在世界各地广泛种植,全球年产量超过10亿吨,占地2亿公顷(García-Lara & Serna-Saldivar, 20194)。尽管在发达经济体中,高达85%的粮食被用来交换牲畜饲料、工业产品和生物燃料5,但粮食仍然是撒哈拉以南非洲、拉丁美洲和亚洲国家许多人的主要收入来源和饮食营养的重要组成部分6,7。此外,热带和亚热带地区低收入和中等收入国家的生产者和消费者接触真菌毒素的风险最大。这些地区的气候条件最适合黄曲霉毒素的产生,而且往往缺乏基础设施和储存、运输和加工粮食的新技术。

在作物生长和贮藏的收获前和收获后阶段,玉米易受黄曲霉侵染和定殖以及黄曲霉毒素的产生。黄曲霉孢子以风散分生孢子的形式从土壤表面的菌丝和菌核中释放出来,感染正在发育的玉米花序。真菌侵入谷物,产生黄曲霉毒素。真菌生长和黄曲霉毒素的产生在整个收获前后阶段受到环境温度和水分有效性的强烈影响9,10。

目前的工作是由一个实际问题推动的,即在印度海得拉巴的一个大批量玉米加工厂,由于黄曲霉毒素,大量拒收装运的玉米。在进行研究时所关注的地区,玉米主要由小农种植(约80%),产量集中在区域市场储存,然后出售给消费者。这些货物主要因饲料产品中黄曲霉毒素B1含量超过欧盟10 ppb的限值而被拒绝11(附件I第II节:真菌毒素)。加工厂通常每月拒收20%的货物,在某些年份上升到40-55%(图1)。高拒收率强调了分析和预测污染风险的模型的必要性。

图1:激励数据。
figure 1

a 2012 - 2017年MARS加工厂因黄曲霉毒素采样水平超过10 ppb限值而导致的月度拒收率,以及2012年(b)和2013年(c)的月度黄曲霉毒素采样分布。在箱形图(b)和(c)中,黑线表示月度黄曲霉毒素采样浓度中位数;框的边缘是每月黄曲霉毒素浓度的第25和第75百分位数;须状图显示了距离框的四分位数范围的2.5倍以内的数据点的范围,超出这个范围的点以单独的圆表示。

大多数评估黄曲霉毒素风险的定量和建模方法都侧重于田间收获前动态建模12,13,14,15,16,17,18。然而,人们普遍认识到,黄曲霉生长和AFB1污染在收获后的长时间谷物储存中持续存在。对印度的初步审计表明,玉米的种植和储存地点(通常在供应链中的多个地点)对随后的黄曲霉毒素污染水平有很强的区位影响。Kharif和Rabi作物的双季种植也会影响持续时间和储存对后续污染的影响。因此,在本文中,我们开发并测试了一个整合黄曲霉收获前后动态和AFB1生产的模型,以评估污染风险。基于Battilani等人的工作。我们制作了一个气象驱动的、空间结构的收获后模型,该模型与气象驱动的空间结构收获前模型相结合,使我们能够通过供应链跟踪玉米批次。我们的综合模型考虑了印度供应链中玉米作物的双季种植和多个(三个)采购区域,并使用海德拉巴玉米加工厂提供的数据进行了验证。

其主要目的是通过一个作物在何时何地种植、收获和储存的模型来预测工厂门口看到的黄曲霉毒素水平,以优化采购,并制定一个适用于不同国家和气象环境的框架。高度空间分辨率的收获前和收获后数据很少,特别是在低收入和中等收入国家。因此,我们使用到达工厂大门进行处理的货物中AFB1污染的可靠数据来参数化和验证模型。我们评估了该模型在模拟和预测黄曲霉污染和黄曲霉毒素水平的时间序列方面的性能,这些时间序列来自不同的采购地区,在供应链的种植和储存阶段。在参数化和验证之后,我们说明了将该模型用作临近预测(即未知的当前和近期状态的短期预测)的工具,用于决策支持和情景分析,以评估不同干预措施和采购策略在最小化黄曲霉毒素污染风险方面的有效性。

方法

气象数据

用于模型训练(2012-2015)和验证(2016-2017)的黄曲霉毒素时间序列数据对应的年份,目标地区的温度、湿度和降雨量的气象数据来自英国气象局的统一模型20。气象资料以3小时时间和10公里分辨率提供。时间数据线性插值到1小时的时间分辨率。

用于模型参数化和验证的玉米供应数据

每日运抵印度海得拉巴玉米加工厂的黄曲霉毒素浓度数据由MARS公司运营,用于参数化和验证。一批批的玉米从市场的仓库中取出,全年每天运往工厂。这些玉米装在50-60公斤的麻袋里,用卡车运送,平均每辆卡车装载5吨玉米,平均每天运送7次。这些玉米来自不同的商业供应商,这些供应商在一年中的不同时间分别从卡纳塔克邦、安得拉邦和特伦甘纳邦的不同采购地区Bellary Guntur和Nizamabad采购玉米。在加工厂收到一批玉米后,工厂工作人员对每批货物的黄曲霉毒素含量进行检测,记录每批货物所有类型(B1、B2、G1和G2)的黄曲霉毒素总浓度(ppb)。利用加工工厂记录的2012-2015年黄曲霉毒素时间序列数据对模型进行拟合和参数化。使用2016-2017年黄曲霉毒素时间序列数据进行额外验证,其中模型预测的黄曲霉毒素浓度和每月出货拒收率与历史数据进行比较。

玉米在印度有两个不同的生长季节(拉比和哈里夫),通常在小农农场种植。Rabi作物在10月到12月之间种植,在3月到5月之间收获,而Kharif作物在6月到8月之间种植,在11月到1月之间收获。在收获和去芯后,玉米粒可能会进行干燥或过滤等处理。在农场储存一段时间后,玉米粒被装在50-60公斤的黄麻袋中运往每个地区的当地市场(曼德斯)。在这里,每袋玉米被分批购买和出售,然后被立即送往最终目的地(目前的情况是火星玉米加工厂),或者被储存在当地的仓库(其中一些是气候控制的),直到需要的时候。在单批玉米生命史的每个阶段(在田间的植株上,或在运输和储存的袋子里),当地的环境条件,特别是温度、湿度和降雨,会影响控制黄曲霉生长速度和黄曲霉毒素产生速度的生物过程。

机械的造型

我们使用离散时间隔室模型在一个综合模型的收获前、加工和收获后组件中跟踪玉米上的黄曲霉和黄曲霉毒素水平。收获前模型跟踪了每个季节在三个代表性采购地区的1000个模拟农场中,黄曲霉和黄曲霉毒素在Kharif和Rabi玉米作物中的定植和生长。在收获加工阶段之后,收获后模型随后跟踪黄曲霉的生长和黄曲霉毒素在农场和仓库收获的谷物上的积累,考虑到文化实践的影响,以减少感染,以及在运抵海得拉巴工厂之前,在采购地区的玉米批次的移动和储存。每小时分辨率的气象数据被用来驱动玉米的生长和敏感性,黄曲霉的生长和黄曲霉毒素在农场和仓库的积累(图2)。

图2:区域映射部分。
figure 2

加工厂用于采购的印度地区地图(+),包括尼扎玛巴德、贡图尔和贝拉里地区的集水区和市场位置(x)。主要城市海得拉巴(o)位于尼扎马巴德南部。虚线表示一个批次的寿命历史。这批葡萄最初在Guntur米色x标记的位置种植。这批葡萄随后收获并运往Guntur市场。最后,在储存一段时间后,这批货物被转移到加工厂。月度概况显示了2012年(b)和2013年(c)工厂采购在每个地区的出货量和收成中所占的比例,完整的历史采购信息见补充图3。

选取一个矩形区域(经度76.67°~ 81.42°,纬度14.20°~ 19.70°)覆盖相关的采购区域和加工场地。该区域被划分为3762个“单元”(57 × 66)的网格,每个单元为1/12 × 1/12十进制,大小约为10公里× 10公里。

提取了2011年1月至2017年9月每个单元目标区域的3小时时间分辨率的温度、降雨量和相对湿度数据。将时间数据线性插值到1小时分辨率,得到约180,000张空间清晰的环境条件图,并以此为基础构建小时图,作为黄曲霉产孢、释放和萌发率、相对生长和相对黄曲霉毒素产生率的驱动变量。将三个供应区域映射到空间网格上,给出了383个气象上独特的可以种植玉米的细胞:Nizamabad(223)、Bellary(95)和Guntur(65)。每个季节,我们在三个区域中的每一个区域以随机的位置和播种日期播种1000块田地,每年总共播种6000块模拟田地。在每小时的时间步长上模拟这些领域,直到每个领域的收获日期,在这一点上材料被处理,然后转移到存储中。储存中的货物遵循每小时收获后模型的动态,直到它们被选中进行采购,或者在储存一年后如果没有采购就被丢弃。到达仓库的货物可用于采购,并且根据当月的区域采购概况,每天随机抽取10个这些货物的加权样本交付给工厂。

Pre-harvest模型

使用下面描述的模型,我们模拟了玉米生长和黄曲霉在个别领域的动态,以产生每个来源地区收获前黄曲霉水平的分布。由于没有关于拉比和哈里夫作物确切播种和收获日期的详细信息,我们假设播种日期均匀分布:拉比作物播种日期为10月16日至11月30日,哈里夫作物播种日期为6月1日和7月31日。最初种植时,引进的作物不含黄曲霉、黄曲霉毒素和孢子。玉米作物在单个田地累积1500生长度日后收获,此时批量进入模型的收获处理阶段。

收获前模型建立在Battilani等人12的基础上,并采用了他们的算法的修改版本,使用明确的流行病学分区框架(Eq. 1)来计算玉米作物中黄曲霉感染和黄曲霉毒素产生的水平(图3)。收获前流行病学模型由五个状态变量的离散时间方程(以作物单位面积为维度)来描述。对于每个单独的模拟场,状态变量和参数每小时更新一次,时间t + 1表示时间t后一小时的状态。

(1)
图3:模型示意图。
figure 3

描述在供应链中假定的一批潜在玉米籽粒上黄曲霉生长和黄曲霉毒素产生的收获前、加工和收获后综合模型的示意图:Nsoil表示土壤中的孢子数量;丝代表了玉米植株丝上孢子的数量。F区室代表玉米籽粒内黄曲霉侵染水平。A区代表谷粒中黄曲霉毒素的含量。X代表黄曲霉在袋内污染物(细粒)上的含量。下标H和S分别表示状态变量在收获和进入存储时的值。表1总结了关键参数。(控制动态变化的功能详细描述见补充表1)。所有参数和速率根据玉米运输当前位置的每小时气象数据而适当变化。

表1列出了主要参数:参见补充表1,以获得模型中使用的功能的完整摘要。收获前模型使用Battilani等人12、Giorni等人22和Kruit等人23的结果来描述气象驱动的产孢和感染过程(例如,每小时产孢率作为当地气温和相对湿度的函数)。我们遵循shaykewicch 24和Yan & Hunt25,通过计算每小时温度数据的GDD贡献,使用累积热单位(生长度日,GDD)过程来模拟玉米生长。内部水分活度(awi)是由植物生长阶段(GDD)决定的。这反过来又使我们能够利用Siriacha26的结果来模拟玉米的易感性。这些信息来源使我们能够利用目标地区的当地环境数据,以每小时的分辨率计算感染过程率、黄曲霉生长率和易感性。

表1葡萄采前、加工和采后动态综合模型关键参数汇总答:flavus生长和黄曲霉毒素的产生。

估计收获前参数

三个关键的生物学参数(黄曲霉毒素绝对产率(τ0)、采前黄曲霉绝对生长率()和初代黄曲霉绝对产孢率(α0))(表1)无法从已有的数据集中参数化,这三个参数是用黄曲霉毒素时间序列数据通过近似贝叶斯计算估计出来的。

收获加工模型

收获加工模式结合了常见的文化控制做法。我们包括收获后玉米籽粒的干燥、过滤和装袋,以提高替代控制方案场景测试的灵活性(公式2,图3)。

过滤

在收获时,每批玉米都有根据收获前模型计算出的黄曲霉毒素和黄曲霉毒素污染水平。从植物中收获和去除玉米芯以及分离玉米粒会导致玉米粒被称为“细粒”的潜在污染物质(叶、茎、灰尘)的小颗粒污染。通过过滤去除这些细颗粒可减少霉菌毒素污染27。我们引入了一个额外的状态变量XH,其中和速率参数μ(表1)包含在参数集中,用于从时间序列数据进行估计。

不同的过滤过程和机械的功效可能会有所不同,任何给定的机制去除细粒、被黄曲霉侵染的果仁和被黄曲霉毒素污染的果仁的能力是未知的(但可以根据适当的数据进行参数化)。我们通过包含一个参数ψ将过滤纳入模型框架,该参数对应于该过程对黄曲霉、黄曲霉毒素和细粒的过滤效果。该过程由下式描述:

(2)

其中和对应于过滤前后批次中黄曲霉的水平。

干燥

玉米籽粒在收获后被干燥,以降低内部水分含量水平,使黄曲霉能够生长并产生黄曲霉毒素10,28,29。在低收入和中等收入国家,通过将玉米粒铺在地上暴露在阳光下进行空气干燥是很常见的,在集约化程度更高的系统中采用机械干燥。在没有详细信息的情况下,将干燥保护期(δ)作为一个参数,从工厂门口黄曲霉毒素污染的时间序列数据中估计。我们假设干燥会中断真菌的生长和毒素的产生,因此在估计的干燥保护期内,黄曲霉的膨胀率和黄曲霉毒素率在模型中设置为零。有关替代方法,请参阅讨论。

装袋

在印度,玉米通常在收获和干燥后储存在黄麻袋中。袋子可以在没有有效清洁的情况下在不同季节重复使用,因此在装袋时提供了额外的接种源。我们通过允许将额外数量的罚款(XB)添加到收获后污染物(XH)中来纳入袋装污染物。

估计收获加工参数

为了将集成模型拟合到工厂门口黄曲霉毒素水平的时间序列数据(见下文),我们估计了干燥延迟期(δ),但在没有额外信息的情况下,我们将污染物(μ),袋污染(XB)和过滤(ψ)率固定为零(表1)。

收获后的模型

收获后模式从收获到交付到工厂,在此期间,材料要么在原始农场储存,要么在市场储存。收获后模型引入了控制储存条件的可能性,其中环境条件被调节,从而对黄曲霉和黄曲霉毒素的产生产生影响。我们假设收获处理先于储存开始。因此,每个批次最初的特征是黄曲霉,(FS),黄曲霉毒素,(AS)和污染物(XS)浓度。

模型的收获后组件由两个过程组成。首先,追踪储存玉米中的黄曲霉和黄曲霉毒素水平(使用环境天气数据来驱动生物过程)。其次,模拟玉米在工厂门口的采购和抽样过程,以便将模型输出与可用的黄曲霉毒素时间序列数据进行匹配。

采收后流行病学模型由以下非线性离散时间方程描述:(Eq. 3)参数见表1,进一步细节见补充表1。

(3)

科罗拉多州组织和增长

黄曲霉在玉米籽粒上的生长来自籽粒上的黄曲霉(F)或袋子内的其他污染物质(细粒)(X)。我们假设黄曲霉生长速率的函数形式与收获前相似,但采用不同的标度参数()。在这里,水分活度(详见补充表1)是由环境湿度水平决定的,而不是植物内部的水分含量,并且被认为是由于湿度和露点导致的水分活度的最大值。详见补充表1。该参数是通过对时间序列数据进行拟合得到的。

黄曲霉素的生产

收获后黄曲霉毒素产量(τ)遵循收获前模型的形式,其中水活度现在与环境湿度水平相关。速率常数τ0在收获前和收获后模型之间是共同的,因为拟合过程确定单独的速率常数没有提供显著的好处。

储存和采购

在印度,大多数玉米在无气候控制的空间中储存数月,甚至可能长达一年,玉米暴露在环境温度和湿度条件下,这使得黄曲霉和黄曲霉毒素的持续生长成为可能。然而,一些储存设施是气候控制的。受控的储存条件会影响温度、相对湿度和氧张力22,30。因此,我们允许模型根据已知的存储指定的温度和湿度进行调整。我们允许供应链上不同的储存条件,储存在农场和市场上的材料可能有不同的储存条件。在印度,玉米通常会在农场储存30天,然后再运往市场。该模型反映了这一点,收获后的前30天分批储存在农场,在转移到市场之前,受该地点的环境条件(以及任何受控的储存条件)的影响。一旦到达市场,采购过程可以选择批次,作为货物发送到工厂。

采购

准确模拟向工厂交付的黄曲霉毒素水平需要了解装运来源。玛氏公司提供的在工厂收到的货物的数据表明了给定货物的来源市场,但无法获得给定货物的精确生长位置的数据。因此,装运数据按月汇总,以确定来自每个种植区和收获季节(Kharif vs Rabi)的装运比例(补充图3)。模拟过程中使用了汇总采购数据,每天从市场采购到工厂的货物,并根据模拟的每小时气象数据更新黄曲霉和黄曲霉毒素生产的综合模型。根据历史数据中显示的采购率,从市场上的可用货物池中随机选择符合所需市场和种植季节的货物。来源数据的详细信息见补充图3。

汇集的采购信息限制了我们的拟合和验证,以比较历史数据和模型输出之间每月期间获得的黄曲霉毒素值的分布,因为虽然每小时模型每天生成一组交付,但我们缺乏将这些模拟黄曲霉毒素值与单个出货量进行比较的精确信息。

估计收获后参数

两个关键的生物学参数(黄曲霉毒素绝对产量(τ0,收获前模型的常见参数)和收获后黄曲霉绝对生长率()无法从已有的数据集参数化,因此使用黄曲霉毒素时间序列数据通过近似贝叶斯计算(ABC)进行估计。

模拟取样以估计工厂门口的黄曲霉毒素水平

MARS公司提供的黄曲霉毒素时间序列数据来自同一批货物的多个样本。同一批次连续样本之间观察到的高方差表明,需要模拟采样过程以捕获这种变异性来源,以便在模型和历史观测之间进行公平的比较。因此,对模型预测的黄曲霉毒素值(A)进行模拟采样过程,通过以下步骤获得与历史数据比较的值(B):

其中exp是均值的指数分布。

参数估计

虽然部分模型参数可以从文献中获得(见表1和补充表1),但使用ABC31确定了5个参数。由于没有供应链中间阶段的可用数据,因此我们将模型预测与加工厂记录的日常数据进行了比较。对2012-2015年的数据进行拟合,保留2016-2017年的数据进行验证。估算的关键参数为初代黄曲霉产孢率(α)、采收前黄曲霉生长速率、采收后黄曲霉生长速率、黄曲霉毒素产生速率(τ)和干燥保护时间(δ)(表1)。

拟合算法概述

我们选取了一组模型参数,η,独立于五个参数的约束均匀先验分布。该模型在给定的时间范围内(2012-2015,“拟合期”)运行这些参数,并生成每日交付黄曲霉毒素水平的时间序列。模型交付黄曲霉毒素时间序列按月汇总,抽样黄曲霉毒素水平的第75百分位数与黄曲霉毒素水平的月度汇总观察数据进行比较,使用以下拟合指标E。

其中和分别为观测数据和模型预测(给定参数η)第1个月黄曲霉毒素值的第75个百分位数,n为拟合期内的月数。请注意,由于模型是随机的,具有相同参数(η)的多个实现给出不同的结果,因此值的分布。采用平方根变换实现方差稳定。

后验分布由75万个参数样本生成,根据拟合指标接受前1%的参数样本,拒绝其余部分。然后将参数空间切成5-d框,每个框内参数值的似然值计算为该框中执行的样本总数中的接受数。在均匀先验条件下,将此接受率作为后验概率分布,如图1所示。进一步详情请参阅补充资料一节模型参数估计。

从后验分布中选择的用于模型的流行病学参数值记录在表1中。

模型验证

拟合模型根据2016-2017年(“验证期”)的数据进行验证。我们计算描述性统计数据(每月黄曲霉毒素浓度中位数和每月平均运输拒收率),以表征验证期相对于拟合期的模型性能。参数化模型输出的预测每月中位数黄曲霉毒素浓度和货物拒收率与各自的历史数据进行比较。每个月,根据模型相对于历史数据的表现,模型预测被分为“低”、“准确”或“高”。“准确”的分类标准是模型预测的月度黄曲霉毒素浓度中位数在历史月度黄曲霉毒素浓度中位数范围内,模型预测的月度排异率在历史月度排异率范围内。这些分类是对拟合(2012-2015)、验证(2016-2017)和整个(2012-2017)数据集进行的。数值结果在表2和表3中以及图4c中以图形形式给出。

表2 Des模型性能的记录统计:中位数黄曲霉毒素。
表3 Des模型性能的脚本统计:无每月的拒绝率。
图4:海得拉巴玉米加工厂收到的货物中模型预测和观察到的黄曲霉毒素水平的比较。
figure 4

数据来自2012-2017年期间在三个采购地区(Bellary、Guntur和Nizamabad)种植的Kharif和Rabi作物。每小时分辨率模型的数据汇总成黄曲霉毒素值的月度分布,(a)模型显示的月度黄曲霉毒素值的中位数和(b)第25百分位数,中位数和第75百分位数以及历史观测值的中位数。10 ppb黄曲霉毒素排斥阈值用水平虚线表示。比较模型预测和历史上观察到的每月在工厂门口出货的废品率。浅灰色阴影表示模型被分类为过高(比观察到的拒绝率高10%以上),深灰色阴影表示模型被分类为过低(比观察到的拒绝率低10%以上)。用于拟合和验证数据的周期之间的分界线用绿色竖线表示。每小时模型为在此时间范围内交付的约21,000件模拟货物中的每件产生从种植到交付的1至11,000小时的模拟生命历程。


目录

摘要。
介绍
方法
结果
讨论
数据可用性
代码的可用性
参考文献。
致谢。
作者信息
道德声明

补充信息





#####