Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas...
-
Upload
enrique-alfonso-cabeza-herrera -
Category
Documents
-
view
219 -
download
0
Transcript of 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]
-
8/19/2019 Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas microbianas
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
-
8/19/2019 Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas microbianas
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.
-
8/19/2019 Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas microbianas
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/
-
8/19/2019 Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas microbianas
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
-
8/19/2019 Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas microbianas
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)
-
8/19/2019 Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas microbianas
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
-
8/19/2019 Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas microbianas
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)
-
8/19/2019 Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas microbianas
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.
-
8/19/2019 Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas microbianas
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
-
8/19/2019 Microbiología Predictiva = modelos informáticos como herramienta para cuantificar las respuestas microbianas
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.