预测微生物学和定量微生物风险评估（QMRA）已成为理解和管理食品中微生物危害的核心框架。在过去三十年中，该领域从描述平均微生物生长率的相对简单模型发展到了能够纳入变异性和不确定性的复杂动态系统（Koutsoumanis等人，2021年）。这一演变反映了理论微生物学的进步以及食品安全监管、消费者保护和可持续食品生产日益增长的需求。
传统的预测模型关注在定义的环境条件下的群体水平动态，使用初级模型描述微生物生长或灭活，二级模型捕捉温度、pH值和水分活度等因素的影响，三级模型将这些方程整合到决策工具中（Vilas Boas等人，2024年）。虽然这些模型提供了重要的见解和实际应用，但它们对同质性假设的依赖限制了它们捕捉食品系统中观察到的微生物真实多样性的能力。
风险评估正式被认为是更广泛的风险分析框架的三个核心组成部分之一，另外两个是风险管理和风险沟通。在食品安全和微生物建模领域，这两个术语经常被错误地互换使用。澄清这一结构对于确保所有读者在相同的概念基础上工作至关重要。在这个框架内，QMRA提供了一种结构化和透明的方法，用于估计暴露于食品和环境基质中的微生物危害导致不良健康结果的概率（Dong等人，2015年）。通过将危害识别、暴露评估、剂量-反应建模和风险特征化整合到一个可复制的数学结构中，QMRA为监管机构、行业利益相关者和公共卫生机构提供了基于科学的决策和缓解策略优先级制定的基础（Xiao等人，2025年）。这种与风险分析的对齐强化了QMRA不仅作为分析工具的作用，还作为微生物证据与实际风险管理行动之间的桥梁。
尽管分子方法（如PCR）和基于组学的方法大大扩展了我们对微生物群落的描述能力，但这些工具并不能自动消除模型预测与现实世界食品安全场景之间的差距。最近的研究强调，分子检测提高了检测灵敏度和功能分析，但它们仍然面临与基质依赖的提取效率、无法区分活细胞和非活细胞以及环境压力对微生物生理的影响相关的限制（Cocolin等人，2018年；Joshi等人，2022年）。即使使用下一代测序和宏基因组分析，将分子信号转化为适合预测建模的定量参数仍然具有挑战性，因为这些数据集很少能够捕捉菌株级别的行为、应激反应或食品系统中的特定环境下的生长动态（Xiao等人，2025年）。因此，虽然组学提供了关于微生物多样性和潜在功能的关键信息，但要缩小实验室参数与现实世界变异性之间的差距，需要将分子数据与机制理解、定制的实验测量和改进的参数化策略相结合，而不仅仅是依赖先进的检测技术。
高通量测序和其他组学技术（基因组学、转录组学、蛋白质组学和代谢组学）的出现标志着一个转折点（Calabrese等人，2022年）。这些方法使研究人员能够以前所未有的分辨率研究微生物群落和单个菌株，提供了关于生存遗传决定因素、应激反应途径的表达、蛋白质功能和代谢活动的见解（Lemos Junior等人，2025年）。与通常将微生物简化为平均行为的传统微生物学方法相比，组学技术揭示了食品中微生物生命的动态和多面性。
将组学数据整合到预测模型中代表了食品微生物学的一个范式转变。基因组数据，特别是全基因组测序（WGS），可以在谱系、克隆复合体甚至单个核苷酸多态性层面对危害进行分层（Da Silva Duarte等人，2024年）。这使得建模者能够超越物种级别的假设，量化亚群之间的毒力、耐受性或生长动力学的差异。转录组学和蛋白质组学研究提供了微生物如何适应酸化、冷藏、渗透压或氧化应激等环境挑战的动态视图。这些数据阐明了滞后阶段、存活曲线或应激诱导的持久性背后的调控机制。代谢组学通过绘制代谢通量和识别腐败、发酵或抗性的生物标志物来补充这些方法，这些标志物可以直接与食品基质中的功能结果相关联（Da Silva Duarte等人，2024年；Lemos Junior等人，2024年）。总体而言，组学技术扩展了可用于建模的参数空间，使得微生物行为的表示更加真实。
在实际应用中，这种整合支持更准确和可靠的QMRA框架。基于组学的模型可以通过考虑存活或生长的异质性来减少危害识别的不确定性，并通过菌株特定的剂量-反应曲线改进暴露评估（Arnaboldi等人，2023年）。其好处不仅限于食品安全，还扩展到食品质量和可持续性。例如，基于组学的建模可以指导有针对性的干预措施，减少防腐剂的使用，通过更准确地预测腐败来减少食品浪费，并优化发酵过程以提高营养或感官质量（Taiwo等人，2024年）。这些应用符合绿色化学和可持续食品系统的更广泛目标，减少对资源密集型体内测试的依赖，并促进计算机模拟作为替代方案。
尽管取得了这些进展，但仍存在挑战。组学数据复杂、高维，且往往难以整合到机制模型中。将遗传或分子信号转化为生长、灭活或剂量-反应建模的定量参数并不简单。此外，实验设计、测序平台和分析流程的变异性可能会限制研究之间的可重复性和可比性。
此外，实验设计、测序平台和分析流程的变异性也会限制研究之间的可重复性和可比性。机器学习和人工智能的使用提供了潜在的解决方案，因为这些方法非常适合从大型多维数据集中提取预测特征（Da Silva Duarte等人，2024年）。结合微生物动力学和机器学习层的混合模型（所谓的灰箱模型）开始出现，实现了生物学可解释性和预测准确性之间的平衡。
本综述的目的是探讨基因组学、泛基因组学和宏基因组学方法在预测微生物学和QMRA中的整合。综述探讨了这些工具如何提高微生物建模的分辨率，从菌株级别的变异性到群体级别的动态，以及它们如何有助于更精确的危害识别、暴露评估和风险特征化。通过涉及食源性病原体、腐败微生物和与发酵和食品质量相关的微生物联合体的案例研究来讨论这些应用。
