HACC在蜂产品原料控制中的应用

单击此处编辑标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,HACCP在蜂产品原料控制中的应用用2种聚类法对蜂产品原料氯霉素检测的关键限值的科学确认,四川检验检疫局食检处,2002年初，因氯霉素（CAP）残留超标我国蜂产品全线退出欧盟市场，并在多国发生连锁反应，2004年7月欧盟才解除对我国包括蜂产品在内的动物源性食品的禁令。,目前中国蜜蜂养殖业的兽药残留监控体系仍处于逐步规范之中，加上蜜源种类多、分布广、放蜂环境复杂和养蜂员素质差异大等特点，蜂产品的质量风险时时存在。,要符合欧盟、美国、日本等国的兽药残留要求，使产品顺利出口，需要将危害分析与关键控制点（Hazard Analysis Critical Control Point，HACCP）理论与蜂产品生产的实践紧密结合。,HACCP是一种确保食品安全的系统方法，是一种识别、预防、控制或减少食品安全危害的有效手段。,关键控制点（CCP）是能进行有效控制危害的加工点、步骤或程序。判定关键控制点就是针对已辨明的危害，在本步骤或随后的步骤中有相应的预防措施，而且能在此步将显著危害发生的可能性消除或降低到可接受水平。,加工步骤,确定本步引入、控制或增加的危害,潜在的食品安全危害显著吗？,应用什么预防措施来防止危害？,本步骤是关键控制点吗？,原料验收,兽药残留（以氯霉素为例）,显著,加强原料验收检验,是,CAP是蜂产品中的禁用药，此兽药残留是与原料自身有关的危害，为化学危害，控制CAP在原料的检测和验收中尤为重要。我们用下表对这一步骤进行分析。,对蜂产品原料验收环节的危害分析表,关键限值是指区分食品安全可接受与不可接受之间的界限。,关键限值的选择必须有科学性和可操作性。,如果过严，造成即使没有发生影响到食品安全危害而就要求去采取纠正措施；,如果过松，又会产生不安全的产品。,一个好的关键限值应该直观、易于监测、仅基于食品安全、能使只出现少量被销毁或处理的产品就可采取纠正措施、不是GMP或SSOP措施以及不能违背法规。,我们拟用两种聚类法为关键控制点建立关键限值，这对蜂产品出口的生产加工企业有相当的参考价值和实际意义。,在各国氯霉素检测水平中欧盟最严，欧盟规定进口蜂产品中的CAP残留不得超过0.3ppb，其推荐方法是气质联用法（GC-MS）和液相串联质谱法（LC-MS/MS），它们具有灵敏度高、选择性好、可靠度高的特点，是动物源性食品中氯霉素残留检测的最佳方法。,但是高昂的仪器费使该法在现阶段难以推广应用于原料蜜的收购和筛检，企业只能采用ELISA法对原料进行检测。受背景干扰的影响，有些本来不含CAP的产品在ELISA法中也会出现数值，不少实际合格的蜂产品被判为不合格，造成加工企业和蜂农的经济损失。,所以本文要研究的问题就是寻找一个合适的用ELISA法检测的关键限值作为原料检测的判定标准，使在此数值下的蜂产品用LC-MS/MS法（检测限为0.3ppb）检测的结果都合格，从而提高蜂产品的出口合格率。,在研,究,究方,法,法上,，,，根,据,据88组,国,国内,蜂,蜂产,品,品生,产,产商ELISA法,检,检验,结,结果,与,与相,应,应的,秦,秦皇,岛,岛蜂,产,产品,实,实验,室,室LC-MS/MS法,检,检验,结,结果,的,的数,据,据样,本,本，,我,我们,首,首先,用,用层,次,次聚,类,类方,法,法对0.3ppb,的,的标,准,准进,行,行分,析,析，,然,然后,用,用较,先,先进,的,的基,于,于相,似,似合,成,成算,法,法的,聚,聚类,方,方法,对,对国,内,内蜂,产,产品,生,生产,商,商检,验,验氯,霉,霉素,含,含量,的,的标,准,准做,进,进一,步,步分,析,析，,最,最后,结,结合,两,两种,方,方法,得,得出,蜂,蜂产,品,品生,产,产商,用,用ELISA,法,法检,验,验氯,霉,霉素,含,含量,的,的判,定,定标,准,准（,即,即原,料,料检,测,测氯,霉,霉素,这,这个CCP点,的,的关,键,键限,值,值）,。,。,1 数据,样,样本说明,本文的研,究,究目标是88个数,据,据样本，,每,每个数据,样,样本包含,国,国内蜂产,品,品生产商,检,检验结果,（,（,X,1,）、秦皇,岛,岛实验室,检,检验结果,（,（,X,2,）2项指,标,标。,其中，国,内,内蜂产品,生,生产商检,验,验结果是,样,样本中氯,霉,霉素的具,体,体含量，,秦,秦皇岛实,验,验室检验,对,对于低于,其,其检验标,准,准的样本,不,不显示具,体,体检验数,值,值，对于,高,高于其检,验,验标准的,才,才给出具,体,体检验数,值,值。,表1 目,标,标样本数,据,据一览表,样本,编号,氯霉素含量,样本,编号,氯霉素含量,样本,编号,氯霉素含量,X,1,X,2,X,1,X,2,X,1,X,2,17,0.6809,0.264,48,0.163,0.108,73,0.1568,0.101,18,0.651,0.272,49,0.2241,0.101,74,0.2223,0.107,19,0.5356,0.235,66,0.2134,0.103,75,0.2553,0.101,24,0.1247,0.15,72,0.1544,0.108,为叙述方,便,便，以下,简,简称国内,蜂,蜂产品生,产,产商检验,结,结果合格,、,、秦皇岛,实,实验室检,验,验结果不,合,合格的样,本,本为目标,样,样本。具,体,体的，目,标,标样本数,据,据见表1,。,。,2,层次聚类,法,法对检验,标,标准的分,析,析,用层次聚,类,类法（hierarchicalclustering）对,检,检验标准,分,分析的思,路,路是：将,可,可能的检,验,验标准加,入,入88组,实,实际数据,样,样本中，,用,用层次聚,类,类方法对,样,样本聚类,，,，当某一,加,加入的检,验,验标准与,最,最多的目,标,标样本聚,在,在一类时,，,，该检验,标,标准最接,近,近合理的,检,检验标准,。,。,我们选定,的,的可能的,检,检验标准,分,分别是0.05、0.1、0.15,、,、0.2,、,、0.25、0.3、0.35、0.4、0.45、0.5、0.55,、,、0.6,、,、0.65、0.7。为了,使,使研究更,加,加合理，,我,我们分别,将,将102,组,组数据样,本,本分成2,、,、3、4,、,、5类，,对,对不同聚,类,类结果进,行,行比较（,见,见表2）,，,，并用能,实,实现层次,聚,聚类分析,的,的SPSS11.0软件分,析,析结果。,表,2,对样本聚,类,类,目标样本,/,检验标准,聚类数,目标样本,/,检验标准,聚类数,目标样本,/,检验标准,聚类数,5,4,3,2,5,4,3,2,5,4,3,2,17,3,2,2,2,74,2,1,1,1,0.35,5,4,3,2,18,3,2,2,2,75,2,1,1,1,0.4,5,4,3,2,19,4,3,3,2,0.05,1,1,1,1,0.45,4,3,3,2,24,1,1,1,1,0.1,1,1,1,1,0.5,4,3,3,2,48,2,1,1,1,0.15,2,1,1,1,0.55,4,3,3,2,49,2,1,1,1,0.2,2,1,1,1,0.6,4,3,3,2,66,2,1,1,1,0.25,2,1,1,1,0.65,3,2,2,2,72,2,1,1,1,0.3,5,4,3,2,0.7,3,2,2,2,73,2,1,1,1,从表1可,知,知，样本17、18、19,的,的工厂检,验,验值较高,，,，明显超,过,过0.3,，,，而其余,样,样本的工,厂,厂检验值,较,较小。,因此，聚,类,类时所有,的,的目标样,本,本不可能,聚,聚在一类,，,，对样本17、18、19,聚,聚类分析,的,的参考价,值,值不如其,它,它样本。,从表2可,知,知，当将,样,样本分成2、3、4类时，,除,除去样本17、18、19,外,外的目标,样,样本都被,分,分在第一,类,类；当将,样,样本分成5类时，,它,它们主要,在,在第二类,。,。,再看对可,能,能的检验,标,标准0.050.7的分,类,类：当将,样,样本分成2、3、4类时，0.05,0.25的数据,样,样本都在,第,第一类，,当,当将样本,分,分成5类,时,时，它们,主,主要集中,在,在第二类,。,。,与可能的,检,检验标准0.30.7相,应,应的样本,的,的聚类结,果,果与目标,样,样本的聚,类,类结果差,别,别明显。,这,这说明，,合,合理的检,验,验结果应,该,该在0.250.3之间,。,。,3,基于相似,合,合成算法,的,的聚类方,法,法对检,验,验标准的,分,分析,以上层次,聚,聚类在方,法,法上存在,不,不完善的,地,地方，这,可,可能会影,响,响到分析,结,结果。其,不,不足包括,：,：,类别个,数,数的确定,主,主观性强,。,。如上面,的,的分析中,，,，到底将,数,数据样本,分,分成几类,才,才能最恰,当,当地反映,它,它们之间,的,的相似程,度,度未知，,只,只能通过,建,建模者的,主,主观判断,进,进行试错,分,分析。,层次聚,类,类方法将,所,所有数据,样,样本作为,学,学习集，,从,从中寻找,数,数据样本,反,反映的规,律,律。但是,数,数据样本,中,中包含的,信,信息除了,反,反映共性,规,规律外，,还,还有反映,个,个性特征,的,的信息。,将,将所有数,据,据样本作,为,为学习集,得,得到的聚,类,类结果可,能,能可以很,精,精确地反,映,映学习集,的,的情况，,但,但是对于,新,新加入的,、,、具有同,一,一规律性,的,的数据样,本,本就可能,不,不适用，,即,即聚类结,果,果不具有,良,良好推广,能,能力，出,现,现“过拟,合,合”。如,果,果这样，,那,那么基于,层,层次聚类,的,的分析结,果,果的可信,度,度就值得,怀,怀疑。,基于相似,合,合成算法,的,的聚类方,法,法可以解,决,决以上2,个,个问题。,3.1,基于相似,合,合成算法,的,的聚类,方,方法简介,由Lorence,提,提出的相,似,似体合成,算,算法（Analog Complexing,，,，以下简,称,称AC）,1,是对模糊,对,对象的预,测,测、聚类,和,和分类的,一,一种序列,模,模式识别,方,方法，最,先,先提出AC算法是,为,为了解决,对,对模糊经,济,济对象的,预,预测问题,。,。应用AC算法进,行,行预测时,，,，一般需,要,要待研究,的,的过程满,足,足以下假,设,设：,（1）,系,系统由,多,多维过,程,程所描,述,述；,（2）,多,多维过,程,程的观,察,察值很,多,多（长,期,期序列,）,）；,（3）,多,多维过,程,程是充,分,分有代,表,表性的,，,，即由,基,基本的,系,系统变,量,量形成,数,数据集,；,；,（4）,过,过程的,行,行为一,般,般将在,一,一段时,间,间内相,似,似地重,复,复。,AC包,含,含3个,步,步骤,2,：1）,待,待选模,式,式的产,生,生；2,）,）待选,模,模式的,变,变换；3）相,似,似模式,的,的选取,。,。,3.1.1,待,待选模,式,式的产,生,生,3.1.2,待,待选模,式,式的变,换,换,根据工,作,作原理,，,，对于,长,长度为,k,的某参,照,照模式,，,，在数,据,据样本,中,中可能,有,有一个,或,或几个,长,长度为,k,的相似,模,模式。,但,但是由,于,于系统,是,是动态,的,的，不,同,同时期,的,的相似,模,模式可,能,能具有,不,不同的,平,平均值,和,和标准,方,方差。,因,因此，,需,需要用,一,一种变,换,换来描,述,述这些,差,差异，,将,将模式,变,变换到,同,同一基,准,准点上,从,从而使,各,各模式,具,具有可,比,比性。,即,即为了,下,下面将,进,进行的,模,模式间,相,相似性,的,的度量,，,，必须,寻,寻找待,选,选模式,到,到参照,模,模式的,变,变换。,一,一般取,线,