冷链包装上的致病菌转移研究

导读：本文基于“实验测定—机器学习”一体化思路，系统考察致病菌在六类冷链包装材料上的存活与接触转移规律，覆盖冷藏与冷冻、不同接触时间与压力等关键工况；并以可解释模型揭示“材质—时间—温度—粗糙度”的主控因子，为后续基础研究提供可复用的实验与建模范式。

图1. 不同温度和处理时间下等离子体活化水（PAW）中物质的浓度。（a）O3；（b）NO3−；（c）NO2−[1]。

研究设置速览

选取木材、聚乙烯发泡棉、橡胶、丁腈、棉织物、纸板六类常见材料，在 5 ℃与 −18 ℃两档温度下监测 3–24 h 的表面存活动态；搭建标准化供体—受体装置，调控 0–60 s 接触时间与 0.3–2.0 N/cm² 接触压力，量化瞬时转移效率。构建“存活数据集”和“转移数据集”，将材料类型、温度、粗糙度、时间、压力等作为特征，以对数化菌落数或比例型转移率为响应；比较多种监督学习回归器，最终以梯度提升与 XGBoost 获得高拟合度，并用 SHAP 输出全局与个体层面的贡献排序。

结果与结论要点

粗糙、多孔、可压缩表面呈现更高的存活与转移，反映“微孔庇护＋黏附—滞留—再释放”的耦合效应；平滑、低粗糙度的惰性表面则加速失活与脱落。冷藏相较冷冻更利于维持活性，并在各材料上普遍抬升转移率，凸显正温区搬运与分拣阶段的交叉污染窗口。接触动力学方面，转移量随时间近似线性增加，随压力呈“快增—缓增—平台”趋势，体现有效贴合面积与材料形变的共同作用。模型解释显示，存活受“材质—时间—温度”主导、粗糙度次之；转移则由“温度—时间—粗糙度”主导，材料化学通过与粗糙度的交互体现为量化贡献。

科研复用路径

在相关领域研究中，可选 4–6 种材料并量化粗糙度与孔隙率；温度至少设“冷藏—冷冻”，时间覆盖 3、6、12、24 h，配合 2–3 个压力与 3–4 个接触时长构成转移矩阵。数据分析将“存活回归”和“转移回归”分线建模，采用五折交叉验证与基线模型对照；用 SHAP/部分依赖图解析单因子与交互效应，输出“温度—时间—粗糙度—材质”四维贡献图谱。做外推验证时，可在留出材料或新增温度上前瞻测试误差边界；若误差集中于特定区域（如高粗糙度×高压力），据此加密采样，实现“主动学习式”迭代。迁移到其他病原或新材料体系时，仅需替换菌株与材料清单、保持变量结构与统计流程不变，即可获得跨体系的可比曲线与可解释因子图谱。

参考文献：

[1] Wang Z, Ge S, Li H, et al. Escherichia coli O157: H7 survival and transfer dynamics on cold chain packaging materials: An integrated experimental-machine learning framework[J]. International Journal of Food Microbiology, 2025: 111388.