数据分析如何彻底改变食品安全

收集和分析数据工具可以帮助人们在解决问题和制定决策时提供重要信息。这些工具的激增使得大数据和数据分析在许多行业中得到普遍应用。与医疗保健等行业相比，食品行业采用大数据和数据分析的速度较慢，但随着食品科学家和其他专家逐渐认识到数据分析在解决食品行业复杂问题的潜力，食品行业正在迎头赶上。

食品安全就是这些问题的其中之一。食品安全取决于公司能否及时收集到可靠数据并根据需要采取行动，它影响着食品供应链的每个环节。从食品的可追溯性到智能虫害管理，再到更好地监测食源性疾病的爆发，以及减少食物腐败，大数据和数据分析正在被越来越多地用于促进地方和全球层面的食品安全。

“大数据可用于食品价值链的所有环节，从而提高食品的安全性。”瑞士雀巢食品安全负责人 John Donaghy 博士说。在农场或初级加工过程中，他列举了几种可以收集以改善食品安全的数据类型，例如水样分析测试数据、员工的卫生状况以及农场/加工商的认证情况。在食品产业链的消费/公共卫生端，他指出可使用大数据和数据分析向消费者传达召回信息，以及追踪导致食源性疾病爆发的食品来源。在此之间的加工环节，他列举了在制造过程中可以收集的多种数据，例如微生物验证测试、过程控制数据和环境监测数据。“与食品安全和质量相关的数据可以在整条食品产业链的多个环节中收集；甚至供应链物流和运输过程中的实时温度监控也可以纳入动态风险管理。”他补充道。

对于食品制造商和加工商而言，无论企业规模大小，大数据和数据分析对改善食品安全的潜在影响都是巨大的。全球食品安全倡议组织（GFSI）和科学技术咨询小组（STAG）于2022年发布的一份报告描述了其对企业的潜在影响，以及企业考虑在自己组织中使用大数据和数据分析时应注意的事项（参见表 1 和 2）。

根据GFSI的报告，企业面临的最后一个关键问题是：“企业是否了解大数据对其运营的战略影响，是否有相应的人才战略来应对这些变化？”

几位食品安全专家就大数据和数据分析对食品制造商和加工商的价值发表了自己的看法，这可能有助于企业更好地面对这些问题。

大数据收集：内部和外部来源

嘉吉公司（Cargill）食品安全、质量和监管数字与分析负责人Suzy Sawyer强调，数据在确保产品安全和品质方面发挥着越来越大的作用。她说：“我们在嘉吉发现，从内部和外部收集的大量数据，可用于企业识别潜在的食品安全隐患并加以改进、分析和进行质量管理控制，并且能够降低食品供应链风险。”

她列举了一些内部数据收集来源，包括手动收集的数据（车间质量和安全检查），以及来自数字化技术设备的数据，如传感器（机器/流程的在线处理）、数据记录设备（捕捉温度和湿度等特性的传感器）和仪器仪表（近红外检测仪器）。

外部数据来源包括旨在收集交换数据的技术，这些数据能用以改善食品安全，如监管通知或变更、与食品有关的新闻、天气和商品价格等。

贯穿食品供应链的数字化数据，能使公司收集大量内部数据并获取新的数据源，从而改善食品安全问题。新的数据源，例如智能手机和社交媒体上可用的数据源，正在创建大量数据集，而新技术允许通过所谓的物联网（IoT）共享大数据。来自传感器、设备、机器和计算服务的数据现在可以通过互联网或蓝牙等通信介质共享。例如，通过RFID技术捕获的大量数据，可以提供批次日期、产品变量、重量和尺寸等信息。无线设备可用于从RFID标签自动读取数据，以改善库存管理。将传感器连接到该系统，可以获得有关货物在供应链中移动时环境状况的额外数据，例如温度、湿度、灰尘、污垢、微生物或食品腐败情况。

供应链物流和运输过程中的实时温度监控也可以纳入动态风险管理。

全基因组测序（WGS）和其他“基于组学”方法产生的数据来源，提供了一种更准确地识别和表征食物系统中特定细菌的方法。这些数据通过机器学习和人工智能等技术，生成能够提供风险预测模型的算法。例如，美国食品药品监督管理局（FDA）的GenomeTrakr网络利用全基因组测序来协助减少食源性疾病和死亡。

GenomeTrakr的另一个潜在用途是对非食源性但仍可能与食品供应链中断有关的病原体进行测序；到目前为止，GenomeTrakr网络已经对沙门氏菌、李斯特菌、大肠杆菌、弯曲杆菌、弧菌和克罗诺杆菌等细菌以及寄生虫和病毒进行了全基因组测序，所有这些都可以通过美国国家生物技术信息中心网站公开获取（ncbi.nlm.nih.gov）。

美国马里兰大学帕克分校营养与食品科学系和食品安全系统中心教授Abani K. Pradhan博士认为，越来越多使用“基于组学”的方法，是细菌监测的一种范式转变。他认为，机器学习有可能获取有用模式，帮助改进当前预测风险的方法和模型，或帮助改善与制造及加工相关的方案。

然而，Pradhan博士强调，目前的风险评估框架和预测模型通常不包含病原体基因组学数据等有用信息。他和马里兰大学的同事目前正在测试改善食品安全的方法，将实验和现场数据与数学建模相结合，并开发预测风险的模型，以帮助决策者、政府机构和食品行业做出明智的风险管理决策。他们还在开发模型，使用细菌基因组数据以及附带的元数据来帮助预测细菌在宿主系统中毒性的强弱。进一步的研究也在进行中，这涉及一种新方法——将细菌基因组数据纳入剂量反应建模框架。

“这些模型的主要优点是引入了一种从基因组角度预测微生物行为的方法，特别是在已知具有几种亚型（具有潜在不同特征）的微生物物种中，这些亚型可能导致人类感染、患病。”他补充道。

无论是对内收或是对外收集数据，大数据都只是数据的来源。正如上文研究所表明的，大数据的真正影响在于通过分析，来解释这些信息对可操作目标的意义。

数据分析：将数据转化为可操作信息

在利用大数据改善食品安全时，需要通过分析将其转化为可操作的信息。“精准食品安全”一词现在被用来指利用大数据，特别是从基因组测序和其他“基于组学”的方法中获得的新数据源，以改善食品安全。

大数据战略的使用依赖于信息分析能力，这需要仰仗公司内部的食品科学家，或是致力于开发预测和风险模型以帮助食品行业减少食品安全风险的研究人员。

专家列举了这一目标面临的几个挑战，其中之一就是大数据的“大”。Donaghy博士将其称为数据的数量和准确性。“用户必须了解他们如何从所有这些数据中获得最大价值，以及这些数据是否可靠。”他说。

Pradhan博士将处理大量数据的挑战描述为：“从数据中提取有意义的信息，同时忽略‘干扰’或不相关的数据”。

另一个挑战是需要将数据数字化，使其成为可以通过机器算法或训练有素的人员进行分析的形式。Sawyer指出，对于那些尚未现代化、仍在使用传统技术或手动流程的公司来说，以数字或结构化格式收集数据可能是不可能的。她说，嘉吉在与公司进行基准测试时听到的一个共同主题是，组织之间存在大量非结构化数据交换。她说：“公司需要有能力从这些不一致的格式和语言中提取有意义的信息。”

另一个挑战是数据标准的缺失。“在缺乏全行业和跨行业数据标准的情况下，数据源已建立了自己的定义，这些定义并不总是在组织内部或外部系统之间进行转换。”Sawyer说。

Sawyer认为，这不仅使连接或交换多个数据源数据并将其转化为可用信息变得十分困难，数据标准的缺乏，还可能会影响大数据集作为工具解决问题的相关能力。“嘉吉应对其中一些挑战的方法是使用元数据和数据科学概念，例如自然语言的处理。我们的食品安全、质量和监管组织内的数字、数据和分析专家团队，也专注于通过数据生成技术来改善食品安全的新方法。”她补充道。

Donaghy博士强调，并非所有公司都能轻松应对这些挑战。他说：“公司需要看到改变目前工作方式的好处。”他列举了不同规模公司如何在运营中使用大数据的例子。对于较小的公司，他列举了许多现成的数字解决方案，例如公司可以安装产品召回管理软件，以及现成的环境监测程序，输入测试数据即可生成结果。

他说，大公司可能会雇佣数据方面的专家，他们可以通过数据分析（如预测分析）了解并帮助改进其内部数据，如供应商管理数据、认证/审计数据、事故管理数据、清洁计划数据和环境监测数据等。

然而，Donaghy博士指出，公司仍然需要食品安全和质量方面的专业人士来指导数据专家。他以下一代测序作为食品安全诊断/调查工具为例：“公司可以聘请第三方实验室做这件事，也可以在公司内部完成。如果他们选择后者，就需要食品安全和生物信息学两方面专家的参与。”

对于Pradhan博士来说，聘请数据分析师来处理和分析大数据似乎合乎情理，但他认为食品制造商或其他利益相关者应该接受专业人士的培训，这些专业人士对食品加工技术、制造和安全法规有着很好了解。

无论是招聘新人还是培训现有员工，都需要掌握一定的技能，才能在这片食品安全大数据和数据分析的新领域里航行。Sawyer列出了四个主要技能：数据素养（阅读、理解和解释数据的能力），数据转换（理解业务需求、了解相关技术以及在数据类型间进行转换的能力），数据分析（分析数据以获得见解和决策的能力）和数据科学（发现数据模式并使用机器学习等人工算法构建预测模型的能力）。

数据共享

为了充分发挥大数据和数据分析在改善食品安全方面的潜力，公司、监管机构和研究人员之间的数据共享至关重要。通过从大量来源收集的数据，以及可供使用的更多数据，可以增强公司使用数据来查看模式、预测风险和做出决策的能力。

Barbara Kowalcyk博士是食源性疾病（CFI）研究与预防中心主任，也是美国俄亥俄州立大学食品安全与公共卫生副教授，她和同事一直在研究如何促进数据共享，通过汇聚整个行业的数据，从而更好为基于人工智能和机器学习的算法提供信息。“从专有角度来看，食品行业组织之间的数据共享很困难，因此我们需要找到一种共享数据并汇总数据的方法。”她说，“如果你有足够的数据，你可以通过数据挖掘，找到某种特定情况最有效的解决方法，然后进行分享，让别人得以借鉴。”

Kowalcyk博士和她的同事正在努力开发一个数据治理框架，用于共享公共和私营部门的数据，以支持风险评估模型和疾病负担估算。该项目将有助于回答私营和公共部门许多人对数据共享的问题，例如谁可以访问数据，如何使用数据，以及如何保护机密性。

正在进行的一些举措已经强调了共享数据以改善食品安全的原因和好处。与GenomeTrakr网络一起，FDA正在其“食品安全智能新时代” 计划下试行其他几项举措。该计划于2020年启动，采用了许多“更智能”的工具和方法来改善食品安全，例如根本原因和预测分析，以及其他工具，包括各州之间合作进行利用数据和分析。

FDA的其他举措包括人工智能进口海鲜试点、各州之间相互认可的监管批准程序和远程监管评估（RRA）。
有了获取大量数据的新工具，以及解读这些数据以提高食品安全举措，食品公司将得益于强有力的新方法来确保食品供应链上的安全——而且触手可及。“所有食品行业从业人员都将受益于从源头到消费端大数据的进一步运用，从我们更智能的农业方式，到更精确的信息来源和调研方式。” Donaghy博士说。

作者：Mary Beth Nierengarten
摘自Food Quality & Safety杂志

来源：荣格-《国际食品加工及包装商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。