Microbiología-Predictiva Parte11 PDF

11/19/2010
1
Microbiologa Predictiva
Desarrollo & Aplicabilidad de Modelos
de Inactivacin y Crecimiento
Microbianos
Maria G. Corradini, Ph.D.
Profesor Asociado e Investigador
Universidad Argentina de la Empresa
Introduccin
Microbiologa Predictiva - Definicin
Ciencia cuantitativa que permite evaluar objetivamente
el efecto del procesamiento, distribucin y
almacenamiento en la calidad e inocuidad
microbiolgica de los alimentos
McMeekin et al., 1993
Necesidad de describir las respuestas microbianas al
ambiente mediante el uso de modelos matemticos
McKellar y Xu, 2003
Guayaquil - 2010 Microbiologa Predictiva Curso Pre-Congreso
Microbiologa Predictiva -Definicin
Ciencia que se basa en la premisa que el crecimiento,
supervivencia e inactivacin microbianas pueden ser
cuantificadas y expresadas con ecuaciones matemticas
y que bajo un especfico grupo de condiciones
ambientales el comportamiento microbiano puede ser
predicho
Fratamico et al., 2005
11/19/2010
2
MODELOS O ECUACIONES MATEMATICAS
CUANTIFICAR
DESCRIBIR
PREDECIR
Microbiologia Predictiva
Convertir un patrn de respuesta en un modelo
matemtico
McMeekin et al. 2004
Para que usamos Microbiologa Predictiva? Para que
modelar datos microbiolgicos?
Obtener mayor informacin a partir de datos experimentales
Establecer relaciones entre procesos fisiolgicos y crecimiento e
inactivacin
Comparar procesos o tratamientos
Analizar el efecto de un gran numero de escenarios a bajo
costo
Evaluar riesgos
Cuan adecuados son los modelos?
Cuales son las mayores limitaciones?
Datos obtenidos
Complejidad del sistema, tratamiento
Si no permiten obtener descripciones o predicciones
perfectas por qu seguimos modelando?
Guayaquil - 2010 Microbiologa Predictiva Curso Pre-Congreso Guayaquil - 2010 Microbiologa Predictiva Curso Pre-Congreso
MICROBIOLOGIA PREDICTIVA
Tratamiento
(condiciones U,X,Z )
Almacenamiento
(condiciones A,C,E)
Almacenamiento
(condiciones B,D)
Tratamiento
(condiciones V,Y )
?
?
DESCRIPCION PREDICCION
11/19/2010
3
Modelacin y prediccin
OBTENCION DE DATOS MICROBIANOS
Diseo experimental
Microbiologa vs. Matemtica
Factores/Variables relevantes
Condiciones Relevantes
Numero que permita una buena modelizacin
Mnimo vs. ptimo
Interacciones
Cuales factores deben ser incluidos en el modelo??
En matrices complejas como alimentos un gran nmero de
factores pueden afectar el comportamiento microbiano
Solo un par de ellos tienen un efecto relevante
Temperatura , pH & a
w
/HR
Solo los relevantes deben ser incluidos
La inclusin de ms factores crea una complicacin innecesaria
Bibliografa para pre-seleccin de factores
Seleccin inadecuada de los factores a ser incluidos
predicciones inadecuadas, uso limitado del modelo
Limitaciones de los modelos
El rango de operacin del modelo queda definido por los datos
utilizados para generar el modelo
Datos y modelos obtenidos utilizando un medio no pueden
utilizarse para predecir lo que ocurrira en otro
20C- 35C
Tiempo
Y
(
t
)
75% RH
Carne molida
Temperatura variable
entre 40 & 53C
NO
NO
SI
entre 22 & 33C
SI
Tiempo
entre 20 & 30C
entre 22 & 33C
En leche
Prediccin
11/19/2010
4
Limitaciones de los modelos
Tomar en cuenta la historia previa del alimento
Pueden afectar la respuesta del microorganismo a los factores
Mayor muestreo en el periodo de tiempo de mayor
cambio
Corroboracin de la fase estacionaria y del final de la fase lag
Tiempo
Y
(
t
)
Importante
Importante
Tiempo
L
o
g
1
0
S
(
t
)Importante
INACTIVACION CRECIMIENTO
INACTIVACION MICROBIANA
Inactivacin de microorganismos en alimentos
Reduccin significativa de la poblacin microbiana para
lograr un producto seguro y la prolongacin de su vida
til
Procesos Trmicos
Tecnologas Emergentes
Altas Presiones
Radiacin UV
Ultra Sonido
PFE-Campos elctricos de alta intensidad
CINETICA DE INACTIVACION
Fuente : Bermudez et al., 2009
Modelizacin Inactivacin - Paso a Paso
1. Determinacin de la inactivacin microbiana
Condiciones Constantes (temperatura, HR, etc.)
Seleccin de modelo adecuado (MODELO PRIMARIO) Bondad de Ajuste
TRADICIONAL = LOG LINEAL
2.a. Dependencia de los parmetros del modelo con la
temperatura , HR, etc.
Seleccin de modelo adecuado (MODELO SECUNDARIO) Bondad de Ajuste
Mala caracterizacin = mala prediccin
TRADICIONAL = MODELO DE ARRHENIUS
2.b. Determinacin y caracterizacin del perfil del tratamiento de
inters
Tratamiento : Temperatura, presin, concentracin de compuesto antimicrobiano, etc.
No isotrmico
Condiciones reales
3. Solucin de la ecuacin diferencial correspondiente
Integra el perfil de temperatura y la dependencia con el tiempo y la temp.
Obtencin de la curva de inactivacin condiciones reales
Tiempo
L
o
g
N
(t)/
N
0
11/19/2010
5
INACTIVACION MICROBIANA
Modelos primarios
Describen la reduccin de la poblacin microbiana a lo
largo del tiempo.
Modelos Log-Lineales (de primer orden)
Problemas con los modelos actuales
Modelos alternativos para inactivacin microbiana
Modelo de Weibull
Modelo Bifsico
Descripcin de colas pronunciadas
Curvas de supervivencia sigmoidales
Modelo Log-Lineal
Desarrollado en 1922
Asume que la inactivacin de clulas vegetativas y esporas
presenta un comportamiento lineal cuando se las grafica en
coordenadas semi-logartmicas
No contempla la aparicin de hombros o colas
55C
60C
75C
70C
65C
55C
60C
75C
70C
65C
N
(
t
)
/
N
0
L
o
g
1
0
S
(
t
)
=
L
o
g
1
0

(
N
(
t
)
/
N
0
)
Tiempo (escala arbitraria) Tiempo (escala arbitraria)
Modelo Log- Lineal
N k
dt
dN
' =
Donde S = la proporcin sobreviviente, dada por la relacin
entre N(t) nmero momentario de microorganismos al tiempo t
y N
0
el inculo inicial y k es la constante de la velocidad de
inactivacin
Por lo tanto el numero de clulas que sobreviven decrece
exponencialmente
t k
e t S
'
) (

=
S
(
t
)

=

N
(
t
)
/
N
0
Tiempo (escala arbitraria)
t k N N ' ln ln
0
=
Cuando se realiza la transformacin logartmica (base 10)
Ventajas de este modelo
Relacin lineal
Extraccin de parmetros sencilla
k= pendiente de la recta
L
o
g
1
0
S
(
t
)
=
L
o
g
(
N
(
t
)
/
N
0
)
T
1
< T
2
< T
3
< T
4
< T
5
k
k
k
k
Modelo Log- Lineal
( )
kt
N
t N
t S =
|
|
\
|
=
0
10 10
log ) ( log
Donde k = k/ln10
k
11/19/2010
6
Si (Y SOLO SI) los datos obedecen una cintica log lineal se
pude calcular D
D = tiempo de reduccin decimal
D es la recproca de la pendiente de log S(t) vs. tiempo
Medida de la resistencia trmica de un microorganismo
Tradicionalmente utilizado para comparacin
D
t
N
t N
t S = =
0
10 10
) (
log ) ( log
D
k
=
1
Tiempo
L
o
g
1
0
S
(
t
)
1 log
D
Modelo Log-Lineal
) ( log log
10 0 10
t N N
t
D
=
Al calcular el valor de D para cada Temperatura a la cual
se sigui la inactivacin , se lo puede graficar en funcin
de la temperatura y obtener el valor z
Z : el incremento de temp.
necesario para reducir D
un ciclo logartmico
TEMPERATURA
L
O
G

D
(
t
)
z
Modelo Log-Lineal
DEMASIADO FACIL PARA SER CIERTO
Que implica una cintica de primer orden? Que implica una cintica de primer orden?
1. Que un proceso isotrmico puede ser
caracterizado usando una constante nica (k) y la
condicin inicial (Y
0
).
2. Que la constante exponencial (k) no depende del
tiempo.
3. Que el/los reactivo/s no varan con el tiempo.
11/19/2010
7
Son estas suposiciones realistas?
Probablemente si, pero solo para algunos sistemas en
particular.
Probablemente existen condiciones apropiadas en en
sistemas simples pero no siempre. sistemas simples pero no siempre.
T
1
< T
2
< T
3

0 5 10 15 20
0
-2
-4
-6
-8

0 5 10 15 20
0
-2
-4
-6
-8

0 5 10 15 20
0
-2
-4
-6
-8
T
1
T
2
T
3
L
O
G
1
0
S
(
t
)
T
1
T
2
T
3
T
1
T
2
T
3
Tiempo (unidades arbitrarias)
Ejemplos de Curvas de Inactivacin
Log - Lineal Concavidad Hacia Arriba Concavidad Hacia Abajo

0 5 10 15 20
0
-2
-4
-6
-8

0 5 10 15 20
0
-2
-4
-6
-8

0 5 10 15 20
0
-2
-4
-6
-8
T
1
< T
2
< T
3
T
1
T
2
T
3
L
O
G
1
0
S
(
t
)
T
1
T
2
T
3
T
1
T
2
T
3
Sigmoidal Tipo I Sigmoidal tipo II Hombro
11/19/2010
8

0 5 10 15 20
0
-2
-4
-6
-8

0 5 10 15 20
0
-2
-4
-6
-8

0 5 10 15 20
0
-2
-4
-6
-8
T
1
< T
2
< T
3
T
1
T
2
T
3
L
O
G
1
0
S
(
t
)
T
1
T
2
T
3
T
1
T
2
T
3
Hombro de Activacin Inversin de Concavidad Cambio total de patrn
Inactivacin Microbiana No - Log Lineal
Prevalencia
2002 Prof. van Boekel realizo un relevamiento de datos de
inactivacin publicados
96 % de los casos exhibieron no linealidad
Sin embargo se sigui (y sigue) usando el modelo log lineal
para caracterizar inactivacin microbiana
Razones para conservar el modelo de 1922?
Inercia al cambio
Buen desempeo en relacin a la inactivacin
Sobre-procesamiento
Causas de la aparicin de comportamiento no-log - lineal
Causas
Previamente : Contribucin de Artefactos
Poblacin Heterogeneidad de Resistencias Trmicas

0 tc
0
1

0 tc
0
1
TIEMPO
(escala arbitraria)
S
(
t
)
SENSIBLE

0
0
SENSIBLE
MENOS SENSIBLE
RESISTENTE
t
c
(escala arbitraria)
F
R
E
C
U
E
N
C
I
A
RESISTENTE
TIEMPO
(escala arbitraria)
Una curva de inactivacin puede considerarse como Una curva de inactivacin puede considerarse como
la distribucin cumulativa de eventos de muerte la distribucin cumulativa de eventos de muerte

0
0

0
0
1

0
0
-2
-4
-6
-8
TIEMPO
(escala arbitraria)
L
O
G
1
0
S
(
t
)
S
(
t
)
F
R
E
C
U
E
N
C
I
A
t
c
(escala arbitraria)
TIEMPO
(escala arbitraria)
11/19/2010
9

0 5 10 15 20 25 30
0
-1
-2
-3
-4
-5
-6

0 5 10 15 20
0
-1
-2
-3
-4
-5
L
O
G
1
0
S
(
t
)
Tiempo (escala arbitraria) Tiempo (escala arbitraria)
Que pasa cuando pasamos una lnea por un grupo
de datos con comportamiento no lineal? Razones para usar modelos ms precisos
Equivalencia de mtodos no-isotrmicos
Sobre-procesamiento
Costo
Calidad
Formacin de productos nocivos
Sub-procesamiento
Seguridad
Adecuada seleccin de microorganismos indicadores
Patgenos emergentes
Modelos alternativos para inactivacin
microbiana
Justificacin para la utilizacin de modelos alternativos
Mejor descripcin durante la inactivacin trmica por mtodos
convencionales
Adecuada caracterizacin de inactivacin usando tecnologas
emergentes
Modelos ms populares
Modelo de Weibull
Modelo Bifsico
Descripcin de colas pronunciadas
Curvas de supervivencia sigmoidales
Caracterizacin de Hombros de Activacin
Modelo de Weibull
Basado en la funcin de distribucin de Weibull
Primeramente propuesto por Rosin-Rammler
2 parmetros en vez de uno
b= parmetro escalar
n= parmetro de forma (shape parameter)
Aplicabilidad a curvas log-lineales y no log-lineales
( )
n
t b
N
t N
t S = =
0
10 10
log ) ( log
11/19/2010
10
b est relacionado a la velocidad de inactivacin
Modelo de Weibull Parmetro b
L
O
G
1
0
S
(
t
)
b
1
b
2
b
3
b
1
< b
2
< b
3
n = cte = 0.75
Modelo de Weibull
Modelo de Weibull Parmetro n
Si n= 1 lineal
La probabilidad de muerte es independiente del tiempo
Si n < 1 concavidad hacia abajo
Las clulas que van quedando ofrecen mas resistencia
Si n > 1 concavidad hacia arriba
Las clulas que van quedando se van volviendo ms susceptibles al calor

0 5 10 15 20
0
-2
-4
-6
-8

0 5 10 15 20
0
-2
-4
-6
-8

0 5 10 15 20
0
-2
-4
-6
-8
T
1
T
2
T
3
L
O
G
1
0
S
(
t
)
n=1 n<1 n>1
T
1
T
2
T
3
T
1
T
2
T
3

0 2.5 5 7.5 10 12.5 15
0
-1
-2
-3
-4
-5
-6

0 2 4 6 8 10
0
-1
-2
-3
-4
-5
-6
TIEMPO (min)
L
O
G
1
0
S
(
t
)
Esporas de B. sporothermodurans Esporas de C. botulinum
119C
121C
123C
125C
105C
109C
113C
117C
119C
121C
TIEMPO (min)
Datos Originales de Anderson et al. (1998) & Periago et al. (2004)
Inactivacin Isotrmica: Esporas Inactivacin Isotrmica: Esporas
Ajuste con el Modelo de Weibull
Inactivacin Isotrmica: Inactivacin Isotrmica: E.coli E.coli
Ajuste con el Modelo de Weibull

0 100 200 300 400 500 600 700
0
-1
-2
-3
-4
-5
-6
-7

0 20 40 60 80
0
-1
-2
-3
-4
-5
-6
-7
TIEMPO (min)
L
O
G
1
0
S
(
t
)
TIEMPO (min)
56.6C
58.6C
49.8C
52C
54C
55C
54.6C
Datos Originales de Valdramidis et al. (2004) Datos Originales de Valdramidis et al. (2004)
11/19/2010
11
Modelo Bifsico Modelo Bifsico
Divide a la curva de inactivacion en dos secciones
L
o
g
1
0
S
(
t
)
( ) ( ) ( )t T k t S T t t Si
1 10 1
log =
( ) ( ) ( ) ( ) [ ] T t t T k t S T t t Si
1 2 10 1
log = >
0 20 40 60 80 100
-12
-10
-8
-6
-4
-2
0

0 20 40 60 80
-12
-10
-8
-6
-4
-2
0

0 1 2 3 4 5 6
-12
-10
-8
-6
-4
-2
0
0 2 4 6 8 10 12 14
-12
-10
-8
-6
-4
-2
0

0 10 20 30 40
-12
-10
-8
-6
-4
-2
0
Modelo Bifsico Modelo Bifsico- - Salmonella typhimurium Salmonella typhimurium
Tiempo (min)
L
o
g
1
0
S
(
t
)
55C 56C 57C
58C 59C 60C
L
o
g
1
0
S
(
t
)
t1 = 49 min
k1 = 0.15 min-1
k2 = 0.071 min-1
t1 = 24 min
k1 = 0.31 min-1
k2 = 0.09 min-1
t1 = 13 min
k1 = 0.61 min-1
k2 = 0.18 min-1
t1 = 5 min
k1 = 1.3 min-1
k2 = 0.29 min-1
t1 = 2.4 min
k1 = 2.4 min-1
k2 = 0.61 min-1
t1 = 1.5 min
k1 = 4.4 min-1
k2 = 1.06 min-1

0 20 40 60 80 100
-12
-10
-8
-6
-4
-2
0

0 5 10 15 20 25
-12
-10
-8
-6
-4
-2
0
Datos Originales : Humpheson et al. (1998)
Descripcin de colas pronunciadas Descripcin de colas pronunciadas
Bajo tecnologas emergentes la posibilidad de encontrar
conteos residuales es factible
Modelos antes mencionados implican que cuando
t , log
10
S(t) -
no pueden describir adecuadamente un residuo
Modelo emprico
t k
t k
t S
+
=
2
1
10
) ( log
2 parmetros : k
1
& k
2
El valor asinttico residual
es k
1
(T)
t k
t k
t S
+
=
2
1
10
) ( log
L
O
G

1
0
S
(
t
)
k
1
> k
2
> k
3
k2 = cte = 0.25
Modelo Emprico
con Residuo
k
1
k
2
k
3
11/19/2010
12
L
o
g
1
0
S
(
t
)

Tiempo (min)
Pichia awry
Datos Originales : Humpheson et al. (1998)
Temp & CO
2
Curvas de Inactivacion con Hombros
Curvas de inactivacin que comienzan con un hombro y
cuya continuacin es una lnea recta
donde t
c
marca la longitud del hombro
y k es (aproximadamente) la
pendiente de la parte lineal
Diferencia con el modelo de Weibull
} 10 1 { log log
] [ '
10 10
c
t t k
S

+ =
Modelo Hombro
L
o
g
1
0
S
(
t
)

t
c1
< t
c2
< t
c3
Curvas de Inactivacion Sigmoidales
Caracterizacin de curvas de inactivacin sigmoidales que
exhiben hombros y terminan con un residuo considerable
Modelo Gompertz
donde A, B y C son coeficientes
que dependen de la condicin
prevalente (por ej. temperatura)
[ ] { } { } C t B A t S = exp exp ) ( log
10
Modelo de Gompertz
L
o
g
1
0
S
(
t
)

C< C < C
Curvas de Curvas de Inactivacin Inactivacin Sigmoidales Sigmoidales
L
o
g
1
0
S
(
t
)

Temp & CO
2
Tiempo (min)
Lactobacillus plantarum
11/19/2010
13
Curvas de Inactivacin Sigmoidales
Modelo Logstico
donde a, k y t
c
son
coeficientes que dependen
de la condicin prevalente
(por ej. temperatura)
)] ( exp[ 1 ) * exp( 1
) ( log
10
t t k
a
t k
a
t S
c c
+
+
=
L
o
g
1
0
S
(
t
)

Modelo Logistic
Doble Weibull (Van Boekel, 2009)
4 parmetros
Corradini et al.s model
4 parmetros
logS(t) = k
1
t
m
1
k
2
t
m
2
m
1
< m
2
m 1
( )
t b
t
t
at
t S
m
c
+
(
(
|
|
\
|
=
exp
log
Modelo Activacion
Datos Originales de Sapru et al. (1993)
Esporas de Bacillus stearothermophylus
Tiempo (min) Tiempo (min)
11/19/2010
14
Modelos y Parmetros
Modelo Numero de
parmetros
Parmetros Conversin a Modelo
Dinmico
Log-Lineal 1 k
Weibull 2 b, n
Bifsico 3 t
c
, k
1
,k
2
Colas 2 k
1
,k
2
Hombros 2 k, t
c
Gompertz 3 A, B, C
Logstico 3 a, k, t
c

Modelos Secundarios
Describen respuestas de los parmetros del modelo primario a
cambios en las condiciones ambientales
Velocidad de la reaccin de deterioro (k)
Temperatura
Modelo Secundario Tradicional
Modelo de Arrhenius
Alternativas
Modelo Log Logstico
2.a. Dependencia de los parmetros del modelo con la
temperatura , HR, etc.
Seleccin de modelo adecuado (MODELO SECUNDARIO) Bondad de Ajuste
Mala caracterizacin = mala prediccin
TRADICIONAL = MODELO DE ARRHENIUS
Inactivacin Microbiana Efecto de las Condiciones
Dependencia de la Inactivacin con la Temperatura
Curvas TDT (Thermal Death Time)
Normalmente obtenidas con 3 o 4 valores de D solamente
Imprecisin en la estimacin de parmetros
Predicciones inadecuadas
Dificultad para establecer la presencia de comportamientos no-
lineales
Tiempo
L
o
g
1
0
S
(
t
)
1 log
D
Temperatura
L
O
G

D
(
t
)
z
Curva o Grafico TDT
Modelo de Arrhenius
Derivacin emprica
Relaciona k con la temperatura absoluta
A: factor pre-exponencial o factor de frecuencia
La dimensin de A debe ser la misma que la de k
Dependencia de los Parmetros/Coeficientes de los
Modelos con la Temperatura
11/19/2010
15
Energa de activacin
Barrera energtica que las molculas deben cruzar para
reaccionar
Dependencia de los Parmetros de los Modelos con
la Temperatura
Re-parametrizacin
Introducir una temperatura de referencia
Dependencia de los Parmetros de los Modelos con
la Temperatura
E
A
= energa de activacin
Unidades: cal/mol
Medida de la sensibilidad a la temperatura
R= Constate universal de los gases= 1.987 cal/mole K
T = Temperatura absoluta (K)
T R
E
A
e k k
=
0
T R
E
k k
A
=
0
ln ln
Modelo de Arrhenius
Modelo de Arrhenius
Temperatura (C)
k
Temperatura (C)
10 15 20 25 30
k 0.2 0.4 1.2 2.5 4.5
Dependencia de k
11/19/2010
16
Linearizacin
Conversin de la
temperatura
Transformacin de
los valores de k
1/T (C)
L
n
(
k
)
10C
15C
25C
20C
30C
R
E
A
T R
E
k k
A
=
0
ln ln
Dependencia de k con la Temperatura
Problemas
Cual es la relacin entre la
Constante Universal de los Gases y:
la degradacin enzimtica de pectinas o hidrlisis de almidn?
el crecimiento microbiano?
la viscosidad de un concentrado de jugo de naranjas?
A que equivale un mol en E
A
(kJ/mol) de:
Concentrado de Jugo de Naranjas?
Esporas Bacterianas?
Un mol de esporas equivale aproximadamente a
200,000 toneladas!!!!
R
E
A
R
E
A
Preguntas Adicionales
Por que log k? Por que log k?
Realmente k (cuando puede ser definida) cambia Realmente k (cuando puede ser definida) cambia
varios ordenes de magnitud en el rango de temperatura varios ordenes de magnitud en el rango de temperatura
pertinente? pertinente?
1/T (C)
L
n
(
k
)
10C
15C
25C
20C
30C
R
E
A
Inactivacin Microbiana = Procesos Complejos

Que E
A
sea independiente de la temperatura implica que:
Exista una reaccin limitante que controla el proceso
(Prueba??)
O
Todos los sub-procesos estn coordinados de tal manera que
siempre haya una sola energa de activacin (Evidencia??)
11/19/2010
17
Ecuacin de Arrhenius Conversin de Temperatura
ln
k(T
1
)
k(T
2
)
|
\

|

|
=
E
A
R
1
T
1
1
T
2
|
\

|

|
k(T) = k
0
e
E
A
R
1
T
1
T
0
|
\

|

|
Problemas
Conversiones de Temperatura Conversiones de Temperatura
5-40C 0.0036-0.0032 (crecimiento microbiano)
30-65C 0.0033-0.0030 (crecimiento e inactivacin
microbiana; actividad e inactivacin de enzimas)
80-120C 0.0028-0.0025 (activacin e inactivacin de
esporas)
MISMA CINETICA A BAJAS Y ALTAS MISMA CINETICA A BAJAS Y ALTAS
TEMPERATURAS TEMPERATURAS
Es cierto en reacciones bioqumicas catalizadas por una
enzima que puede ser inactivada?
Es cierto para esporas bacterianas que pueden
activarse y luego ser inactivadas?
Problemas con el modelo clsico Problemas con el modelo clsico

0 5 10 15 20
40
60
80
100
120
140
|
|
\
|
=
|
|
\
|
2 1 2
1
1 1
ln
T T R
E
k
k
A
|
|
\
|
=
2 1
1 1
0
T T R
E
A
e k k
o
Tiempo
T
e
m
p
e
r
a
t
u
r
a
A
B
C
k
A
= k
B
= k
C
Velocidad de reaccin solo depende de la
temperatura
11/19/2010
18
Procesos Complejos Procesos Complejos
Que E
A
sea independiente de la temperatura implica que:
Exista una reaccin limitante que controla el proceso
(Prueba??)
O
Todos los sub-procesos estn coordinados de tal manera que
siempre haya una sola energa de activacin (Evidencia??)
Modelo Log Lineal Modelo Log Lineal
z
T T
D
D
ref
ref
=
|
|
\
|
log
Ecuacin de Ecuacin de Arrhenius Arrhenius
|
|
\
|
=
|
|
\
|
0 0
1 1
ln
T T R
E
k
k
a
.qu pasa en este caso? .qu pasa en este caso?
http://www.cstl.nist.gov/div838/kinetics2001/agenda/f_session/f24/f24.htm Guayaquil - 2010 Microbiologa Predictiva Curso Pre-Congreso
No todas las reacciones siguen el modelo de
Arrhenius
11/19/2010
19
Prediccin del Modelo
Un ejemplo adicional del problema
Modelo de Arrhenius - Resumen
Ventaja:
Linearizacin
Desventaja:
No demasiado flexible
Conversin de Temperatura
Significado
1/Temperature
L
n
(
k
)
PETROU et al. (2002)
Chemistry Ed: Research & Practice in Europe,3 :87-97
( )
(
=
T R
E
k k
A
exp log
0
Modelos Alternativos - Dependencia de la
Temperatura
Modelo de la potencia (Belehradek, 1935)
k = velocidad de reaccin
T
0
= Temperatura cuando k =0
b & c son constantes (diferentes para cada organismo)
Casos especiales
Si c =1, la dependencia de la temperatura es lineal
Si c = 2, el modelo se lo llama raz cuadrada.
( )
c
T T b k
0
=
k
n=2
n=1.5
n=1
11/19/2010
20
Modelos Alternativos - Dependencia de la
Temperatura
Modelo Log Logstico
Parmetros mas intuitivos
C: velocidad de cambio
T
c
: temperatura crtica a la cual
el cambio se vuelve prevalente
( ) [ ] { }
c
T T c Log T k + = exp 1 ) (
Temperatura
k
(
T
)
c
1
c
2
c
3
Tc
1
Tc
2 Tc
3
T
c3
> T
c2
> T
c1
c
3
< c
2
< c
1
Seleccin de modelos
Los datos deben determinar la seleccin del modelo
Analizar los datos sin pre-concepciones
Los modelos pueden NO ser nicos
Varios modelos proveen un ajuste adecuado
Como los evaluamos?
Grficamente
Medidas de Bondad de Ajuste
R
2
o R
2
ajustado (limitado a modelos lineales)
RMSE
Residuos
Criterio de informacin de AKAIKE (AIC)
Validacin
A partir de un grupo de datos que no se haya usado para generar el
modelo
Bondad de Ajuste
R
2
R
2
ajustado
RMSE
Residuos
= =
n
i
i
er
tot
er
y y
SS
SS
SS
R
1
2
2
) (
1 1
( )
e
t
Tot
err
adj
dt
df
SS
SS
p n
n
R R =

= 1
1
1
1 1
2 2
( )
n
r r
RMSE
observados ajustados

=
2
i i i
y y r =
Seleccin de modelos
Bondad de ajuste
Simplicidad
> numero de parmetros en un modelos, el ajuste mejora
> incertidumbre en la estimacin de parmetros
Propagacin de errores
Principio de Parsimonia
Comparacin de modelos
= numero de parmetros, estructura
Criterio de Akaike
Residuo de suma de cuadrados
Agrega una penalidad por el nmero de parmetros
11/19/2010
21
Inactivacin bajo condiciones no
estacionarias)
Procesamiento no-isotrmico, no-isobrico, inactivacin con
concentraciones variables de agentes antimicrobianos
Modelizacin Inactivacin Paso a Paso
1. Inactivacion Isotrmica
L
o
g
1
0
[
N
(
t
)
/
N
0
]
tiempo
T
1
< T
2
< T
3
< T
4
Temperatura
b1,n1;
b2,n2;
b3,n3;
b4,n4
b
(
T
)
tiempo T
e
m
p
e
r
a
t
u
r
a
CURVA DE INACTIVACION BAJO CONDICIONES DINAMICAS
2.a. Perfil No Isotrmico
2.b. Dependencia de la Temp.
3. Solucin
( )
( ) [ ] ( ) [ ]
( )
( ) [ ]
( ) [ ]
( ) [ ] t T n
t T n
t T b
t S
t T n t T b
dt
t S d
1
log log
)
`
=
La velocidad instantnea de reaccin
corresponde a la velocidad isotrmica a la
temperatura momentnea en ese tiempo en
particular para ese estado del sistema

0
0
t*
Velocidad
momentaria
TIEMPO
L
o
g
1
0
[
N
(
t
)
\
N
0
]
Curva de Inactivacin
Isotrmica
Log
10
[N(t*)/N
0
]
Log10 S(t) a T3
T4
L
O
G
1
0
S
(
t
)
T
E
M
P
E
R
A
T
U
R
A
CURVA DE
INACTIVACION
ISOTERMICA
Curva de
Calentamiento
TIEMPO
Sin inactivacion (T1)
Log10 S(t) a T2
Log10 S(t) a T4
Log10 S(t) a T5
Log10 S(t) a T6
Log10 S(t) a T7
Log10 S(t) a T8
T1
T2
T8
T5
T7
T6
T3
Construccin
de la curva de
inactivacin
observada bajo
condiciones
dinmicas
11/19/2010
22
Inactivacin Dinmica Modelo de Weibull
) (
10
) ( ) ( log
T n
t T b t S =
) (
1
10 *
) (
) ( log
T n
T b
t S
t
|
|
\
|
=
( )
1 ) ( 10
) (
) ( log

=
=
T n
const T
t T n T b
dt
T S d
Inactivacin Dinmica Modelo de Weibull
(Rate equation)
( )
( ) [ ] ( ) [ ]
( )
( ) [ ]
( ) [ ]
( ) [ ] t T n
t T n
t T b
t S
t T n t T b
dt
t S d
1
log log
)
`
=

0
0
Dt
1

0
0
Dt
1
Dt
2
Ecuacin Diferencial a Ecuacin a Diferencia
L
o
g
1
0
S
(
t
)
TIEMPO (escala arbitraria)
Dt
2
DLog
10
S(t
2
)
DLog
10
S(t
1
)
DLog
10
S(t
2
)
DLog
10
S(t
1
)
Ecuacin Diferencial a Ecuacin a Diferencia
( )
( ) [ ] ( ) [ ]
( )
( ) [ ]
( ) [ ]
( ) [ ] t T n
t T n
t T b
t S
t T n t T b
dt
t S d
1
log log
)
`
=
11/19/2010
23
UMass Inactivacin Programas de Excel

0 20 40 60 80 100
0
-1
-2
-3
-4
-5
-6

0 10 20 30
-4
-3
-2
-1
0

0 5 10 15 20 25 30
60
80
100
120
140
Inactivacin No-Isotrmica
PERFILES DE TEMPERATURA
CURVAS DE INACTIVACION
E.coli
B. sporothermodurans
Tiempo (min)
L
o
g
1
0
S
(
t
)
T
e
m
p
e
r
a
t
u
r
a

(
C
)
Tiempo (min)

0 25 50 75 100
25
35
45
55
65
E. coli
L
o
g
1
0
S
(
t
)
T
e
m
p
e
r
a
t
u
r
a

(
C
)
11/19/2010
24

0 5 10 15 20 25 30
0
-2
-4
-6
-8
Inactivacin No-Isotrmica- Simulaciones

0 5 10 15 20 25 30
20
40
60
80
100
120
140

0 5 10 15 20 25 30
0
-2
-4
-6
-8
TIEMPO (min)
PERFILES HIPOTETICOS DE TEMPERATURA
CURVAS DE INACTIVACION NO ISOTERMICA
L
O
G
1
0
S
(
t
)
T
E
M
P
E
R
A
T
U
R
A

(
C
)
Clostridium
botulinum
Bacillus
sporothermodurans
Clostridium
botulinum
Bacillus
sporothermodurans
TIEMPO (min)

0 5 10 15 20 25 30
0
20
40
60
80
100
120
140
Modelos Combinados
Posibilidad de predecir el efecto de dos factores
simultneamente
Aw & Temperatura
Temperatura & Presin
Temperatura & Agentes Antimicrobianos
..
Importancia para procesos con tecnologas emergentes
Para un proceso combinado de a
w
-Temperatura
donde b(t) y n(t) estn determinados por la historia de a
w
Temperature
Su determinacin requiere conocer siguientes relaciones
b(a
w
(T(t)) , n(T(a
w
(t)) o n(a
w
(T(t))
La dificultad no radica en la resolucin de la ecuacin
diferencia sino en establecer las relaciones de los
parmetros con la Temperatura y la a
w
Inactivacin Dinmica Modelo Bifsico
( ) ( ) [ ] ( ) [ ] ( ) [ ] ( ) [ ] [ ] t T k t T k t T t t T k t S If
dt
t S d
2 1 1 1 10
10
, , log
) ( log
=
( ) T t t If
1
( ) ( )t T k t S
1 10
log =
( ) T t t If
1
>
( ) ( ) ( ) ( ) ( ) [ ] T t t T k T t T k t S
1 2 1 1 10
log =
NDSolve[{Y[T]= =If Y-k
1
[T(t)]*t
1
[T[t], -k
1
[T[t]], -k
2
[T[t]], Y[0] = =0},Y[t],{t,0,tCycle}]
11/19/2010
25
Dependencia de los parmetros con la Temperatura
Modelo Bifsico Modelo Bifsico- - Salmonella Salmonella typhimurium typhimurium

50 55 60 65
0
1
2
3
4
5

50 55 60 65
0
0.25
0.5
0.75
1
1.25

50 55 60 65
0
10
20
30
40
50
60
Temperatura (C)
k
2
(
T
)
(
m
i
n
-1
)
Temperatura (C) Temperatura (C)
t
1
(
T
)
(
m
i
n
)
k
1
(
T
)
(
m
i
n
-1
)
Modelo Bifsico: UMass Programa de Excel
http://www-unix.oit.umass.edu/~aew2000/
Biphasic/Biphasic.html

0 5 10 15 20
20
30
40
50
60
70

0 5 10 15 20
-10
-8
-6
-4
-2
0
Simulaciones bajo calentamiento no isotrmico Simulaciones bajo calentamiento no isotrmico
Perfiles Hipotticos de
Temperatura
Curvas de Inactivacin
Tiempo (min)
T
e
m
p
e
r
a
t
u
r
a

(
C
)
Tiempo (min)
L
o
g
1
0
S
(
t
)

0 2.5 5 7.5 10 12.5 15
20
30
40
50
60
70

0 2.5 5 7.5 10 12.5 15
-10
-8
-6
-4
-2
0

0 2.5 5 7.5 10 12.5 15
20
30
40
50
60
70

0 2.5 5 7.5 10 12.5 15
-10
-8
-6
-4
-2
0
Perfiles Hipotticos de Temperatura
Curvas de Inactivacin
Tiempo (min)
T
e
m
p
e
r
a
t
u
r
a

(
C
)
Tiempo (min)
L
o
g
1
0
S
(
t
)
11/19/2010
26
Utilizacin de programas informticos para
la caracterizacin y prediccin de
inactivacin microbiana
GInaFit
GInaFit
UMass Inactivacin 5 Curvas Simultneas
11/19/2010
27
UMass UMass - - Demostracin en Demostracin en Mathematica Mathematica
T
e
m
p
e
r
a
t
u
r
a

(
C
)
Tiempo (min)
L
o
g
1
0
S
(
t
)
T
i
e
m
p
o

E
q
u
i
v
a
l
e
n
t
e

(
m
i
n
)
UMass UMass - - Perfil de Temperatura Perfil de Temperatura
UMass UMass - -Curva de Inactivacin Curva de Inactivacin
11/19/2010
28
Letalidad de un proceso
Valor F
0
Tiempo equivalente a una temperatura de referencia T
ref
que provee la misma inactivacin que el proceso
observado
La relacin entre F
0
y la reduccin decimal esta dada por :
( )
dt F
t
z
T t T
ref

=
0
0
10

= =
t
z
T t T
ref ref
dt
D D
F
t S
ref
0
) (
0
10
1
) ( log
Clculo de Tiempo Equivalente
-10
-8
-6
-4
-2
0
Curva de
Inactivacin Real
Curva de Inactivacin
Isotrmica
Tiempo Equivalente
@ T=T
ref
t
proceso
(min) t
proceso
(min) t
isotrmico
(min)
Tiempo Prctico de
Muerte Trmica
L
O
G
1
0
S
(
t
)
t

is
o
t
e
r
m
ic
a

(
m
i
n
)
t
p1
t
i1 t
p1
t
p2
t
i2 t
p2
t
p3 t
i3
t
p3
t
i1
t
i2
t
i3
UMass UMass - - Tiempo Equivalente Tiempo Equivalente
Modelos probabilsticos de inactivacin
microbiana
11/19/2010
29
Modelos Determinsticos vs. Modelos
Probabilsticos
Modelos Determinsticos
Como resultado proveen valores numricos exactos
La misma entrada siempre provee el mismo resultado
Modelos Probabilsticos
Tambin referido a estocstico
Proveen un resultado que contempla la variabilidad de un
sistema y de sus componentes
La misma entrada provee diferentes resultados
Modelos Probabilsticos
Los procesos a nivel molecular y celular determinan el
destino de un microorganismo o espora y por lo
tanto determinan el destino de una poblacin
En la mayora de los casos desconocemos como
debido a dos razones principales:
a. Variabilidad entre las clulas o esporas debido a
diferencias genticas
b. Las condiciones locales dentro del alimento y las
historias individuales de cada clula.
Modelos Probabilisticos
Objetivos:
Modelar el destino de una pequea cantidad de clulas
Desarrollar un modelo que permita evaluar condiciones
estticas y dinmicas
Inactivacin de Clulas Vegetativas
11/19/2010
30
En el modelo discreto, si solo se observa muerte, la probabilidad
de supervivencia de una clula individual puede expresarse
como:
Mientras que el modelo continuo
Donde N(t) es el no. de clulas viables despus de un tiempo t,
N
0
el inoculo inicial, s una variable de integracin , P
m
(s) es
equivalente a P
m
(t) en el modelo discreto.
P(n) = [1 P
m
(t)t]
i=1
n
N(t) = N
0
exp P
m
(s)ds
0
t
|
\

|

|
Modelo Probabilistico de Inactivacion: Discreto y
Continuo
Metodologa
Si se asume una Probabilidad de Muerte (P
m
)
P
m
(t) = 0.30
A cada clula para cada estadio se le asigna un
numero aleatorio R
n
con una distribucin uniforme
(0. R
n
1.).
Si R
n
0.30, la clula muere.
Si R
n
> 0.30, la clula sobrevive y pasa al siguiente
estadio.
En cada estadio se suman el nmero de clulas
remanentes para contabilizar la poblacin
Resultados para el Modelo Discreto para un nmero
pequeo de clulas
P
m
= 0.3
P
m
= 0.5
P
m
= 0.9
Resultados para el Modelo Discreto para un nmero
pequeo de clulas bajo condiciones no isotrmicas
11/19/2010
31
Resultados del Modelo Continuo
Simulacin de
inactivacin
no- isotrmica
Perfil de
Calentamiento
Perfil de
Enfriamiento
T
1
T
2
T
3
T
1
T
2
T
3
T
1
< T
2
< T
3
Original Data from Valdramidis et al. (2006) & Juneja (2007)
Extraccin de la probabilidad a partir de datos
experimentales
Original Data from Anderson et al. (1996) & Miller et al. (2009)
Extraccin de la probabilidad a partir de datos
experimentales
11/19/2010
32
t = t
P
m
Dt
1 - P
m
Dt
t = t + Dt
viable (enumerable)
Inactiva (muerta)
activada (enumerable)
latente (enumerable)
inactiva (muerta)
t = t t = t + Dt
P
m
Dt
1 - P
a
Dt - P
m
Dt
P
a
Dt
Inactivacin de esporas viables y latentes
Activacin y Supervivencia de una Espora Latente
0 ) 0 ( = P
P(1) =P
a
(1)
P(3) =
1 P
a
2 ( ) P
m
2 ( ) [ ]
P
a
3 ( )
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]
P
a
2 ( ) 1 P
m
3 ( ) [ ]
+P
a
1 ( ) 1 P
m
2 ( ) [ ]
1 P
m
3 ( ) [ ]
( ) ( ) ( ) [ ] ( ) ( ) ( ) [ ] 2 1 1 2 1 1 1 2
m a a m a
P P P P P P + =
Modelo discreto
P(4) =
1 P
a
1 ( ) P
m
1 ( ) [ ]
1 P
a
2 ( ) P
m
2 ( ) [ ]
1 P
a
3 ( ) P
m
3 ( ) [ ]
P
a
4 ( )
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]
1 P
a
2 ( ) P
m
2 ( ) [ ]
P
a
3 ( ) 1 P
m
4 ( ) [ ]
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]
P
a
2 ( ) 1 P
m
3 ( ) [ ]
1 P
m
4 ( ) [ ]
+P
a
1 ( ) 1 P
m
2 ( ) [ ]
1 P
m
3 ( ) [ ]
1 P
m
4 ( ) [ ]
P(5) =
1 P
a
1 ( ) P
m
1 ( ) [ ]1 P
a
2 ( ) P
m
2 ( ) [ ]1 P
a
3 ( ) P
m
3 ( ) [ ]1 P
a
4 ( ) P
m
4 ( ) [ ]P
a
5 ( )
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]1 P
a
2 ( ) P
m
2 ( ) [ ]1 P
a
3 ( ) P
m
3 ( ) [ ]P
a
4 ( ) 1 P
m
5 ( ) [ ]
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]1 P
a
2 ( ) P
m
2 ( ) [ ]P
a
3 ( ) 1 P
m
4 ( ) [ ]1 P
m
5 ( ) [ ]
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]P
a
2 ( ) 1 P
m
3 ( ) [ ]1 P
m
4 ( ) [ ]1 P
m
5 ( ) [ ]
+P
a
1 ( ) 1 P
m
2 ( ) [ ]1 P
m
3 ( ) [ ]1 P
m
4 ( ) [ ]1 P
m
5 ( ) [ ]
11/19/2010
33
P(n) =
1 P
a
1 ( ) P
m
1 ( ) [ ]1 P
a
2 ( ) P
m
2 ( ) [ ]1 P
a
3 ( ) P
m
3 ( ) [ ]. 1 P
a
4 ( ) P
m
4 ( ) [ ]1 P
a
5 ( ) P
m
5 ( ) [ ].......P
a
n ( )
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]1 P
a
2 ( ) P
m
2 ( ) [ ]1 P
a
3 ( ) P
m
3 ( ) [ ]1 P
a
4 ( ) P
m
4 ( ) [ ]............P
a
n 1 ( ) 1 P
m
n ( ) [ ]
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]1 P
a
2 ( ) P
m
2 ( ) [ ]1 P
a
3 ( ) P
m
3 ( ) [ ]...................P
a
n 2 ( ) 1 P
m
n 1 ( ) [ ]1 P
m
n ( ) [ ]
.
.
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]P
a
2 ( ) 1 P
m
3 ( ) [ ]1 P
m
4 ( ) [ ]......................... 1 P
m
n 2 ( ) [ ]1 P
m
n 1 ( ) [ ]. 1 P
m
n ( ) [ ]
+P
a
1 ( ) 1 P
m
2 ( ) [ ]. 1 P
m
3 ( ) [ ]. 1 P
m
4 ( ) [ ].............. 1 P
m
n 3 ( ) [ ]1 P
m
n 2 ( ) [ ]1 P
m
n 1 ( ) [ ]1 P
m
n ( ) [ ]
P(n) =
1 P
a
1 ( ) P
m
1 ( ) [ ]1 P
a
2 ( ) P
m
2 ( ) [ ]1 P
a
3 ( ) P
m
3 ( ) [ ]. 1 P
a
4 ( ) P
m
4 ( ) [ ]1 P
a
5 ( ) P
m
5 ( ) [ ].......P
a
n ( )
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]1 P
a
2 ( ) P
m
2 ( ) [ ]1 P
a
3 ( ) P
m
3 ( ) [ ]1 P
a
4 ( ) P
m
4 ( ) [ ]............P
a
n 1 ( ) 1 P
m
n ( ) [ ]
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]1 P
a
2 ( ) P
m
2 ( ) [ ]1 P
a
3 ( ) P
m
3 ( ) [ ]...................P
a
n 2 ( ) 1 P
m
n 1 ( ) [ ]1 P
m
n ( ) [ ]
.
.
+ 1 P
a
1 ( ) P
m
1 ( ) [ ]P
a
2 ( ) 1 P
m
3 ( ) [ ]1 P
m
4 ( ) [ ].........................1 P
m
n 2 ( ) [ ]1 P
m
n 1 ( ) [ ]. 1 P
m
n ( ) [ ]
+P
a
1 ( ) 1 P
m
2 ( ) [ ]. 1 P
m
3 ( ) [ ]. 1 P
m
4 ( ) [ ].............. 1 P
m
n 3 ( ) [ ]1 P
m
n 2 ( ) [ ]1 P
m
n 1 ( ) [ ]1 P
m
n ( ) [ ]
P
m
(
t
)
P
m
(
t
)
Curvas de
Inactivacion
de Esporas
Datos Originales de Sapru et al. (1992)
P
m
(
t
)
P
m
(
t
)
Extraccin de las probabilidades a partir de datos
experimentales de B. stearothermophylus

Microbiología-Predictiva Parte11 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Microbiología-Predictiva Parte11 PDF

Cargado por

Copyright:

Formatos disponibles

11/19/2010

Guayaquil - 2010 Microbiologa Predictiva Curso Pre-Congreso

Inactivacin Microbiana = Procesos Complejos

También podría gustarte