Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas...

8/19/2019 Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas microbianas

1/11

MICROBIOLOGÍA PREDICTIVA: modelos informáticos comoherramienta para cuantificar las respuestas microbianas

Enrique Alfonso Cabeza HerreraPh.D., M.Sc. Ciencia y Tecnología de Alimentos, Universidad de León, EspañaEsp. Protección de Alimentos, Universidad de Pamplona, ColombiaMicrobiólogo con énfasis en alimentos, Universidad de Pamplona, ColombiaDirector Grupo de Investigación en Microbiología y BiotecnologíaDepartamento de Microbiología – Facultad de Ciencias BásicasUniversidad de PamplonaCampus Universitario, Km. 1 vía BucaramangaEdificio Simón Bolívar, segundo pisoPamplona, Colombia.Email: [email protected]

Conferencia presentada en el Simposio Regional “INNOVACIÓN Y TENDENCIAS EN

MICROBIOLOGÍA Sector Clínico e Industrial”. Universidad Libre, Seccional Barranquilla. Mayo

14 y 15 de 2010.

RESUMEN1

Durante los últimos años, la generalización del uso de computadores personales, junto con el

aumento espectacular de su potencia ha impulsado y hecho posible el desarrollo de modelos

informáticos que pueden usarse para predecir el comportamiento microbiano bajo diferentes

entornos, por ejemplo para predecir la seguridad y caducidad de cada vez un número mayor de

alimentos. La microbiología predictiva (PM) o Microbiología Cuantitativa es un campo científico

emergente que combina elementos de microbiología, matemáticas, estadística e informática para

desarrollar modelos, es decir ecuaciones matemáticas, que describen y predicen el crecimiento,

supervivencia y muerte de los microorganismos en condiciones ambientales específicas (Whiting and

1 Para citar: Cabeza-Herrera EA. (2010). C1. Microbiología Predictiva: modelos informáticos como

herramienta para cuantificar las respuestas microbianas. En: Simposio Regional Innovación y Tendencias enMicrobiología Sector Clínico e Industrial. Universidad Libre Seccional Barranquilla, Colombia. Mayo 14 y 15 de2010.Esta obra está sujeta a la licencia Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional de Creative Commons.

Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by-nc-sa/4.0/.

mailto:[email protected]:[email protected]:[email protected]://creativecommons.org/licenses/by-nc-sa/4.0/http://creativecommons.org/licenses/by-nc-sa/4.0/http://creativecommons.org/licenses/by-nc-sa/4.0/http://creativecommons.org/licenses/by-nc-sa/4.0/mailto:[email protected]


2/11

Buchanan, 1994; Devlieghere et al., 2009). La Microbiología Predictiva está basada en la premisa de

que las respuestas de las poblaciones microbianas a los factores ambientales son reproducibles y

que por tanto, bajo condiciones contraladas es posible cuantificar dichas respuestas y canalizarlas

en un modelo apropiado.

Cuando un modelo matemático ha sido desarrollado apropiadamente, este se convierte en una

herramienta potencial para el diseño, aseguramiento y optimización de procesos. Usando una

expresión matemática que prediga una observación real con exactitud y precisión es una forma

eficiente para desarrollar nuevos productos y sistemas de control. Sin embargo, para lograr un

modelo práctico, se requiere desarrollar un gran esfuerzo experimental, así como la validación del

modelo. De todas formas, nunca debe olvidarse que el modelo predice una respuesta dentro de la

gama de condiciones de experimentación y que por tanto, se debe tener cuidado al extrapolar los

datos a otras condiciones de operación.

El nacimiento de la microbiología predictiva ha estado ligado a la industria de los alimentos y es por

ello que su uso principal va unido a este sector. Sin embargo, hoy en día la microbiología predictiva

es una herramienta de apoyo en diversos sectores como el farmacéutico, biotecnológico, clínico,

industrial, etc.

La microbiología predictiva ha venido evolucionando y desarrollándose desde finales de los años 80,

pero ha sido durante los últimos 20 años que ha tomado un gran interés en diversos sectores

productivos, en especial el agroalimentario, biotecnológico, farmacéutico o clínico. El origen de la

microbiología predictiva se remonta hacia los años 20’s, específicamente hacia 1922 cuando Esty y

Meyer plantearon una relación de tiempo necesario para la reducción de 1012 hasta 100 esporas de

Clostridium botulinum tipo A en alimentos enlatados poco ácidos, denominando a este tiempo como

“Cocción botulínica”. De allí en adelante el uso de expresiones matemáticas convenientes en laindustria alimentaria presentó un gran avance y su uso potencial se ha extendido hasta nuestros

días, estando involucrado estos modelos en diversos procesos como la definición del tratamiento

térmico (pasteurización, esterilización, etc), estudios de vida útil y evaluación de la calidad e

inocuidad de los alimentos, especialmente este último aspecto donde la seguridad microbiológica


3/11

había sido establecida a través de análisis microbiológicos tradicionales, los cuales resultan ser muy

laboriosos y con el consecuente gasto de tiempo, recursos tanto económicos, materiales y humanos.

Con los modelos predictivos se pueden simular los efectos de las condiciones ambientales en los

alimentos, en términos de crecimiento y proliferación de microorganismos patógenos y alterantes,obteniendo datos importantes en la determinación de la seguridad y vida útil de los alimentos bajo

ciertas condiciones (Notermans y Viel, 1994; Baranyi y Roberts, 1995; Roberts, 1997; McDonald y

Sun, 1999). Como la mayoría de las compañías de alimentos tienen un creciente número de

productos diferentes, y las condiciones de almacenamiento son diferentes en cada etapa de la

cadena alimentaria, es casi imposible cubrir todas estas combinaciones de productos y condiciones

mediante las pruebas de desafío clásico. La microbiología predictiva puede ser una respuesta a

estos problemas. Una vez que el modelo ha sido desarrollado, sería la manera más rápida para

estimar tanto la vida útil del producto como la seguridad microbiológica del mismo.

El modelamiento es el uso de lenguaje matemático para describir la supervivencia de un sistema. Un

modelo es una expresión matemática que relaciona tanto las variables dependiente(s) como la

independiente (s). Esta relación envuelve constantes (por ejemplo, parámetros) que dependen de

factores extrínsecos y/o intrínsecos (Brandāo y Silva, 2009).

La microbiología predictiva surge como una alternativa al desarrollo tecnológico para proporcionarresultados microbiológicos rápidamente y así mismo, como una alternativa menos costosa. La

microbiología predictiva se basa en el desarrollo de modelos matemáticos capaces de predecir la

velocidad de crecimiento o la muerte de microorganismos bajo un conjunto dado de condiciones

ambientales. Estos modelos son construidos midiendo la respuesta de los microorganismos a los

principales factores controlantes tales como pH, temperatura, atmósfera gaseosa, conservadores

químicos y actividad de agua, ya sea individualmente o en combinación. Los modelos generados

pueden ser usados entonces para predecir el grado de crecimiento o disminución de

microorganismos bajo condiciones que no fueron específicamente estudiados en el protocolo original

de prueba.


4/11

El interés por la microbiología predictiva a nivel internacional se refleja en el esfuerzo colaborativo

entre gobiernos, instituciones de investigación e industria por generar bases de datos necesarias

para el desarrollo de modelos predictivos, y en el desarrollo de sistemas de información para que

dicha información sea accesible a una gran variedad de usuarios. Uno de los ejemplos más exitosos

a este referente es el desarrollo de la base de datos COMBASE (http://www.combase.cc/). La

iniciativa de ComBase, es una colaboración entre la Agencia de Estándares de Alimentos (FSA) y el

Instituto de Investigación en Alimentos (IFR) del Reino Unido; el Servicio de Investigación Agrícola

del Departamento de Agricultura de los Estados Unidos (USDA ARS) y su Centro Regional del

Oriente (ERRC); y el Centro Australiano de Excelencia en Inocuidad Alimentaria. Su propósito es

convertir datos y herramientas predictivas en respuestas microbianas en el ambiente de los

alimentos, mediante un software disponible gratuitamente vía internet. La base de datos ComBase

(accesible por el Buscador del ComBase) consta de miles de curvas microbianas de crecimiento y

sobrevivencia, que han sido cotejadas en institutos de investigación y de publicaciones. Estas curvas

constituyen la base de numerosos modelos microbianos presentados en el ComBase Predictor , una

herramienta útil para la industria, la academia y organismos/agencias reguladores. Éstos pueden ser

utilizados en el desarrollo de nuevas tecnologías alimentarias que mantengan la inocuidad de los

alimentos; en la enseñanza e investigación; en la estimación de los riesgos microbianos en

alimentos o en el establecimiento de nuevas guías/normas.

http://www.combase.cc/http://www.food.gov.uk/http://www.food.gov.uk/http://www.ifr.ac.uk/http://www.ars.usda.gov/http://www.ars.usda.gov/http://www.ars.usda.gov/naa/errchttp://www.ars.usda.gov/naa/errchttp://www.ars.usda.gov/naa/errchttp://www.foodsafetycentre.com.au/http://www.combase.cc/browse_ES.htmlhttp://www.combase.cc/browse_ES.htmlhttp://www.combase.cc/predictor.htmlhttp://www.combase.cc/predictor.htmlhttp://www.combase.cc/predictor.htmlhttp://www.combase.cc/predictor.htmlhttp://www.combase.cc/browse_ES.htmlhttp://www.foodsafetycentre.com.au/http://www.ars.usda.gov/naa/errchttp://www.ars.usda.gov/naa/errchttp://www.ars.usda.gov/http://www.ars.usda.gov/http://www.ifr.ac.uk/http://www.food.gov.uk/http://www.combase.cc/


5/11

La microbiología predictiva no sólo es de interés en la industria de alimentos. Los biotecnólogos

trabajando en la optimización de procesos de fermentación pueden beneficiarse al poder modelar los

efectos diferenciales de los factores ambientales en los rendimientos de un proceso en particular. De

igual manera, los modelos que describan el crecimiento y muerte de microorganismos pueden ser de

relevancia para la industria farmacéutica.

Clasificación de los Modelos predictivos: Con respecto a la clasificación de los modelos predictivos,esta puede hacerse desde diversas perspectivas: sin embargo, parece ser la clasificación sugerida

por Whiting y Buchanan (1995) como la más aceptada en el ámbito global. Los autores proponen

que los modelos predictivos se clasifiquen en tres niveles a saber: primarios (que describen el

cambio en el número de microorganismos con el tiempo), secundarios (evalúan el efecto de diversas


6/11

condiciones ambientales) y los terciarios (combinan los dos anteriores, y se traducen en software)

(Grijspeerdt y Vanrolleghem, 1999). En la mayoría de los casos los modelos más usados son de tipo

primario y entre ellos se encuentran el modelo modificado de Gompertz (Zwietwting et al. 1990;

McMeekin et al. 1993) y el modelo logístico (Peleg, 1997). Sin embargo, los modelos anteriores nofueron originalmente desarrollados para el modelamiento del crecimiento microbiano, por lo que se

constituyen en modelos netamente empíricos (Baranyi et al. 1993). Más recientemente Baranyi y sus

colaboradores desarrollaron un modelo mecanístico para modelizar el crecimiento microbiano

(Baranyi et al. 1993, Baranyi y Roberts, 1994, 1995). En años recientes, este modelo ha sido

ampliamente adoptado incluso sobre el modelo modificado de Gompertz y el modelo logístico debido

a su buena capacidad predictiva (George et al. 1996; McClure et al. 1997; Sutherland et al.

1997).Uno de los puntos atractivos del modelo de Baranyi es el hecho de que este modelo es

dinámico y permite mejores ajustes de las curvas de crecimiento cuando las condiciones

ambientales cambian frente al tiempo.

Modelo modificado de Gompertz

La curva de Gompertz o Función de Gompertz, nombrada por Benjamin Gompertz, es una función

sigmoidal. Este es un tipo de modelo matemático para una serie temporal (tiempo), donde el

crecimiento es más lento al principio y al final de un periodo de tiempo. En 1987, Gibson et al.,

introducen por primera vez en microbiología de alimentos un modelo para describir una curva

sigmoidal de crecimiento microbiano por medio de una técnica de regresión no-lineal, basado en la

Función de Gompertz (McDonald y Sun, 1999). El modelo planteado responde a la siguiente

estructura:

Ecuación 1

Donde Y(t): densidad de población al tiempo t {log(ufcml-1)}

A: densidad de población al tiempo t –∞ (valor de la asíntota menor {logN0})C: incremento en la densidad de población al tiempo t +∞ (diferencia entre laasíntota mayor y la menor {logNf – logN0})B: tasa de crecimiento relativo al tiempo t = M (1/h)t: tiempo (h)M: tiempo al cual la velocidad de crecimiento absoluta es máxima (h)


7/11

La función modificada de Gompertz fue reparametrizada para incluir tres parámetros biológicamente

relativos: la fase de latencia, la velocidad específica de crecimiento y el valor asintótico de la máxima

densidad de población. Esta nueva ecuación se ha encontrado como estadísticamente suficiente

para describir los datos de crecimiento de los microorganismos test, por ejemplo Lactobacillus plantarum (McDonald y Sun, 1999). La nueva ecuación modificada de Gompertz es la siguiente:

Ecuación 2

Donde Y(t): densidad de población al tiempo t {log(ufcml-1)}A: densidad de población al tiempo –∞ (valor de la asíntota menor {logN0})µmáx: máxima velocidad de crecimiento específico (seg-1)λ: duración de la fase de latencia (seg -1)

t: tiempo (h)e: valor del número de Euler (2,7182……)

En la actualidad, la función de Gompertz mostrada en la ecuación 1y 2 se ha convertido en el

modelo más ampliamente utilizado en simulaciones de curvas de crecimiento en microbiología

predictiva de alimentos, debido a su simplicidad y eficacia (McDonald y Sun, 1999; Giannuzzi et al.,

1998). Este modelo se ha utilizado para describir las curvas de crecimiento para muchos organismos,

incluyendo por lo menos 10 de los agentes patógenos implicados en alimentos. Aunque la función de

Gompertz se ajusta bien a los datos de crecimiento desde la fase de latencia, a través de la

exponencial y la fase estacionaria del crecimiento microbiano, no es un modelo derivado de

consideraciones mecanísticas. La falta de bases biológicas para los parámetros utilizados hace que

la interpretación de estos parámetros sea difícil.

Empleando este modelo, pueden obtenerse o estimarse los siguientes parámetros cinéticos: Fase de latencia convencional (Willocx et al., 1993)

Velocidad de crecimiento específico (Willocx et al., 1993)

Duración fase exponencial convencional


8/11

Tiempo de generación (Willocx et al., 1993)

Fin fase exponencial convencional

Fase de latencia propuesta

Duración fase exponencial propuesta

Fin fase exponencial propuesta

El Modelo Logístico: una función logística o curva logística es la más común de las curvas

sigmoidales. Es un ejemplo de la curva en "S" de crecimiento de un conjunto P, donde P puede ser

presentado como la población. La etapa inicial de crecimiento es aproximadamente exponencial y, a

continuación, cuando la saturación comienza, el crecimiento se hace más lento, y en la madurez, el

crecimiento se detiene. La función logística se encuentra aplicaciones en diversos campos,

incluyendo las redes neuronales artificiales, microbiología, ciencias biológicas, etc. A continuación,

propone la utilización de la siguiente relación sigmoidal logística para predecir el crecimiento

microbiano. La función logística también encuentra su aplicación en Microbiología Predictiva a través

del siguiente modelo (Willocx et al., 1993):

Donde A es el valor de la asíntota menor (logN 0), C es la diferencia entre la asíntota mayor y lamenor (logNf –logN0), B es la tasa de crecimiento relativo al tiempo M (1/h), t es el tiempo (h), Mes el tiempo al cual la tasa de crecimiento exponencial es máximo (h).Para este caso particular también se ha propuesto el cálculo de los siguientes parámetroscinéticos:

Fase de latencia (Willocx et al., 1993)

Velocidad de crecimiento específico (Willocx et al., 1993)


9/11

Tiempo de generación (Willocx et al., 1993)

Duración fase exponencial

Fin fase exponencial

El modelo de Baranyi: El modelo de Baranyi se trata de una función logística que sigue la misma

tendencia del la función de Gompertz y Logístico. Este modelo obedece a la siguiente estructura:

Donde:

• y = densidad final al tiempo t.

• y máx = valor máximo de la densidad poblacional.

• y 0 = valor mínimo de la densidad poblacional.

• λ =

duración de la fase de latencia o retraso.• µmáx = tasa máxima

• t = tiempo

Finalmente, el modelamiento microbiano ha progresado a enormes pasos y están volviéndose una

herramienta de investigación normal y una valiosa ayuda para evaluar la calidad de los alimentos.

Sin embargo, no es posible todavía contar solamente con los modelos para determinar la seguridad

de los alimentos y de los sistemas de procesado. Los laboratoristas todavía son necesarios para

determinar la propensión inequívoca para el crecimiento o supervivencia de los microorganismos

patógenos en los alimentos.


10/11

Para mayor información puede visitar la siguiente página web de microbiología predictiva:

http://sites.google.com/site/enalcahe/microbiologia-predictiva

BIBLIOGRAFÍA

Baranyi, J., Roberts, T.A. (1992). A terminoloy for models in predictive microbiology – A reply to K.R.

Davey. Food Microbiology, 9, 355.

Brandāo, T.R.S., Silva, C.L.M. (2009). Chapter 1: Introduction to Integrated Predictive Modeling. In:

Predictive Modeling and Risk Assessment . R. Costa, K. Kristbergsson, editors. Springer

science + Business media, LLC. Ghent, Belgium.

Brock, T.D., Madigan, M.T. (1993a). Capítulo 9. El crecimiento y su control. En: Microbiología.

Editorial Prentice Hall. 6 edición. México. Páginas 327 – 333.

Brock, T.D., Madigan, M.T. (1993b). Apéndice 2. Las matemáticas del crecimiento y la operación del

quimiostato. En: Microbiología. Editorial Prentice Hall. 6 edición. México. Páginas 905 – 908.

Buchanam, R.L. (1993). Predictive food microbiology. Trends Food Sci. Technology, 4, 6-11

Devlieghere, F., Francois, K., Vermeulen, A., Debevere, J. (2009). Chapter 3, Predictive Microbiology.

In: Predictive Modeling and Risk Assessment . R. Costa, K. Kristbergsson, editors. Springer

science + Business media, LLC. Ghent, Belgium.

Gibson, A.M., Bratchell, N., Roberts, T.A. (1987). The effect of sodium chloride and temperature on

the rate and extent of growth of Clostridium botulinum type A in pasteurized pork slurry.

Journal of Applied Bacteriology., 62: 479 – 490.

Madigan, M.T., Martinko, J.M., Dunlap, P.V., Clark, D.P., Brock, T. (2008). Chapter 6: Microbial

Growth - Unit 1: Principles of Microbiology. In: Brock Biology of Microorganisms: International

Edition. 20th ed. Prentice Hall Edit.

Madigan, M.T., Martinko, J.M., Parker, J. (2004). Brock Biología de los Microorganismos. 10ª Edición.

Prentice Hall.McDonald, K., Sun, D-W. (1999). Predictive food microbiology for the meat industry: a review. Int. J.

Food Microbiol., 52: 1 – 27.

McMeekin, T.A., Olley, J.N., Ross, T., Ratkowsky, D.A. (1992). Predictive Microbiology: Theory and

Application. John Wilwy and Sons Inc. New York. Pág. 340.

http://sites.google.com/site/enalcahe/microbiologia-predictivahttp://sites.google.com/site/enalcahe/microbiologia-predictivahttp://sites.google.com/site/enalcahe/microbiologia-predictiva


11/11

McMeekin, T.A., Ross, T. (2002). Predictive microbiology: providing a knowledge-based framework

for change management. International Journal of Food Microbiology, 78: 133 – 153.

Monod, J. (1949). The growth of bacterial cultures. Annual Review Microbiology, 3: 371 – 394.

Ross, T., McMeekin, T.A. (1994). Predictive Microbiology: Review Paper. International Journal ofFood Microbiology, 23: 241 – 264.

Schlessinger, D., Schaechter, M., Eisenstein, B.I. (1994). Capítulo 3: Biología de los agentes

infecciosos. En: Microbiología: Mecanismos de las enfermedades infecciosas – enfoque

mediante la resolución de problemas. Schaechter, M., Medoff, G., Eisenstein, B.I., Guerra, H.

(editores). Editorial Médica Panamericana. 2 edición. Buenos Aires, Argentina. Páginas 70 –

72.

Schmidt, S.K. (1992). Models for studying the population ecology of microorganisms in natural

systems. In: Modelling the Metabolic and Physiologic Activities of Microorganisms, Wiley, New

York, NY. Pages 31 – 59.

Stewart, J. (2002). Cálculo, Trascendentes Tempranas. 4 edición. Tr. de Andrés Sestier. Ed.

Thomson. México. Pág. 1151.

Whiting, R.C., Buchanan, R.L. (1993). A classification of models for predictive microbiology. Food

Microbiology, 10, 175-177.

Willett, H.P. (1997). Capítulo 5: Fisiología del crecimiento bacteriano. En: Zinsser Microbiología.

Joklik, W.K., Willett, H.P., Amos, D.B., Wilfert, C.M. (editores). Editorial Médica Panamericana.

20 edición. Buenos Aires, Argentina. Páginas 91 – 93.

Willocx, F., Mercier, M., Hendrichx, M., Tobback, P. (1993). Modelling the influence of temperature

and carbon dioxide upon the growth of Pseudomonas fluorescens. Food Microbiology, 10: 159

– 173.

Zwietering, M.H., De Wit, J.C., Cuppers, H.G.A.M., Van’T Riet, K. (1994). Modelling of bacterial

growth with shifts in temperature. Applied and Environmental Microbiology, 60: 204 – 213.

Zwietering, M.H., Rombouts, F.M., van’t Riet, K. (1992). Comparison of definitions of the lag phaseand exponential phase in bacterial growth. Journal of Applied Bacteriology, 72: 139 – 145.

Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas...

Documents

Transcript of Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas...