Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ingeniería en Alimentos
Inocuidad Alimentaria
Proyecto # 2
Integrantes:
Kerlly Arcentales
Kevin Cortez
Kristhel Rodríguez
Maria Jose Rodriguez
Joellyn Valencia
MICROBIOLOGIA PREDICTIVA
La microbiologia predictiva puede considerarse como una rama cientifica de los alimentos,
un campo de la microbiologia destinado a evaluar cuantitativamente el comportamiento
microbiano en entornos alimenticios para derivar modelos matematicos adecuados
(Rodriguez y Valero, 2016).
El modelo matemático estima la respuesta del sistema representado o proceso basado en los valores
de las variables de entrada. La siguiente función matemática genérica se puede utilizar para explicar
la estructura básica:
Tipos de modelos
Los modelos primarios son modelos matemáticos que describen el cambio o evolución del
número de bacterias (UFC) en función del tiempo. Se evalúa el menor número de
parámetros posibles para describir su cinética de crecimiento de manera que se logra una
mejor exactitud. Los modelos secundarios se enfocan en predecir la cinética de la población
en base a los parámetros y factores que afecten al producto como temperatura, pH,
actividad de agua, condiciones atmosféricas y entre otras. Los modelos terciarios son
software o paquete de sistemas que utilizan que utilizan modelos primarios y secundarios lo
que le permite generar gráficos, curvas, predicciones y comparaciones permitiendo un
manejo más fluido, didáctico y sin mucha preparación previa (Gonzales, 2018).
También existen los modelos probabilísticos que son los que detengan la presencia de
microorganismo como un gran riesgo para la salud del consumidor, como es el caso de
Clostridium y otros productores de toxinas. Los modelos cinéticos por otro lado describen el
crecimiento microbiano en base a factores que lo afecten (Gonzales, 2018).
Modelos
-Modelo de Gompertz
(−B∗(t−M ))
N (t )=N 0 +C∗e−e
-Modelo Logístico
D
N (t )= ( B− M∗t )
1+ e
-Modelo Logístico Modificado
D−C
N (t )=C+
1+e
( ( ))
B∗ln
t
M
-Modelo de Weibull
D−C
N (t )=C+
e (−B∗t )
M
Donde:
N es el # de microorganismos en el tiempo
No > 0 es el número de microorganismo al inicio
C: logaritmo de la diferencia de la población inicial y final en fase estacionaria
B: pendiente de la curva y crecimiento
M: tiempo donde se da mayor crecimiento
Esto se puede identificar en el alimento como la leche y los productos lácteos donde
generalmente la leche es rica en nutrientes y aportan proteínas, micronutrientes, vitaminas y
grasas que contienen energía de alta calidad, por lo que es un ambiente propicio para el
desarrollo de microorganismos ya que puede contaminarse fácilmente por los
microorganismos transmitidos por los alimentos, incluso heces de animales, suelo, aire,
agua y personas. En un estudio del crecimiento de Saccharomyces boulardii en leche fresca
mediante modelos cinéticos sigmoidales, indicando que los modelos no lineales se adecuan
más la curva de crecimiento de la mencionada bacteria, que un modelo de regresión lineal,
ya que, puede determinar las fases de crecimiento de los microorganismos aplicados en
numerosos estudios y necesarios para el desarrollo de maquinarias. Por ello, al producir los
derivados lácteos puede acarrear toda esa contaminación, o durante el procesamiento de
estos derivados llegan a contaminarse directa o cruzada, por lo que en plantas de
procesamiento se han identificado los trabajadores y las superficies como vehículos de
Staphylococcus aureus, mientras que patógenos como Listeria monocytogenes podrían
diseminarse en toda la planta de procesamiento (Owusu et al., 2020; Lozada et al., 2021).
La utilización de modelos predictivos se da para que los operadores de alimentos verifiquen
si los niveles microbianos en los quesos pueden exceder los criterios microbiológicos
establecidos y para evaluar el impacto de las medidas de control y las consecuencias de los
eventos de contaminación cruzada durante la producción, distribución y vida útil. Estos
modelos pueden ayudar en el desarrollo de planes de análisis de peligros de control
(HACCP) en la mejora de los objetivos de seguridad alimentaria y en las evaluaciones
cuantitativas de riesgo microbiano (QMRA). En un estudio de la elaboración de queso al
consumo mediante modelos predictivos donde los modelos que se ajustan para la
evaluación del queso son los modelos primarios y secundarios buscando estimar los
cambios en los niveles de patógenos a lo largo del tiempo basándose en datos cinéticos
observados y cuantificar el efecto de factores extrínsecos o intrínsecos de los alimentos
sobre la supervivencia de los patógenos, parámetros cinéticos de crecimiento y tasas de
crecimiento. Los modelos primarios logísticos y de Baranyi son los aplicados para ajustar
los datos de crecimiento microbiano a lo largo de la producción de quesos y junto al modelo
de Gompertz describir la cinética de crecimiento durante el almacenamiento de quesos. Con
respecto a los modelos secundarios basándose en modelos de Rathowsky, hiperbólico,
exponencial y línea; se aplica para las curvas de crecimiento durante el almacenamiento del
queso y los tiempos de retraso relacionados con las temperaturas de almacenamiento
(Possas et al., 2021).
Los modelos predictivos tienen una gran importancia en el campo de los cereales como en
el caso del maíz, ya que la contaminación de este alimento por aflatoxinas es un problema a
nivel mundial. Los microorganismos principales causantes de las aflatoxinas en el maíz son
Aspergillus flavus y Aspergillus parasiticus ( Battilani et al., 2017).
Los modelos predictivos de crecimiento en cultivos ayudaran a predecir las condiciones que
representan un riesgo muy alto para la producción de estas toxinas. Estos modelos de
crecimiento se basan en tomar en consideración aquellos factores que afectan o pueden
llegar a alterar la fisiología y desarrollo del sembrío. Como etapa de gran importancia
tenemos a la floración debido a que cualquier inconveniente que resulte en esta etapa
afectara de forma directa el rendimiento, además de ser la etapa en donde se puede
presentar la interacción con hongos y por consiguiente la producción de micotoxinas
( Battilani et al., 2017).
Se han desarrollado tanto modelos lineales como modelos no lineales para la simulación
fenología del maíz. Los modelos lineales tiene una visión más simple en comparación con
los modelos no lineales, sin embargo la relación lineal que se establece en estos modelos
respecto a la temperatura y el desarrollo no es muy precisa, por esa razón se suelen utilizar
modelos no lineales que son más confiables al predecir ( Battilani et al., 2017).
Existe el modelo WE, el cual tiene la simulación del cultivo en base al efecto no lineal de
factores ambientales, los cuales serán reflejados por medio de funciones de respuestas que
se basara en valores pertenecientes a un intervalo entre 0 y 1. En este modelo la tasa de
temperatura estará representada por una función beta en donde los 3 coeficientes que
posee serán muy significativos a nivel biológico ya que serán los indicadores de la
temperatura mínima de desarrollo, la temperatura máxima de desarrollo y la temperatura
optima de desarrollo ( Battilani et al., 2017).
Un producto de la industria alimentaria que necesita mucho cuidado son las aceitunas
negras, este producto tiene una complejidad puesto a que está sometida a cambio de
parámetros durante su procesamiento, tales como las perturbaciones de pH, esto debido a
los microrganismos que actúan durante su fermentación, para esto se tipifica los
microorganismos que estarían dentro de este proceso, determinar cuáles son beneficiosos y
que no, esto ayudará a crear una red neural, la cual se utiliza como un proceso predictivo, el
más usado es el modelo Back propagation, y según Álvarez (2016) en un estudio que
realizó con este proceso de red neural, dentro de este producto se encuentran
microorganismos como Candida saitoana, Debaryomyces hansenii y por último una
denominada Pichia membranifaciens,, las cuales favorecen a la fermentación que requiere
para que su vida útil aumente, y a su vez se descartó bacterias dañinas como la Salmonella
sp, lo que demuestra que este producto puede ser comercializado pues se a determinado
una seguridad e inocuidad junto con calidad sensorial.
Otro ejemplo de que la industria alimentaria siempre debe de tener presente los diferentes
métodos de microbiología predictiva es la parte de las bebidas isotónicas, en el estudio
realizado por Ramos (2014) pone a prueba una con sabor a mandarina para determinar la
posibilidad de que exista el crecimiento del hongo Fusarium oxysporum, para esto se
somete la muestra del producto a diferentes condiciones de temperatura junto con el inoculo
con determinadas cantidades de esporas, las cuales rondan entre 100 y 101 esporas/100
mL de bebida isotónica. El estudio determino que incluso a pequeñas dosis de este
microorganismo la bebida se deteriora echando a perder la calidad e inocuidad del
producto, por lo que es necesario crear un modelo logístico de microbiología predictiva a
juego con la temperatura e inocuidad para asegurar el bien del producto.
BIBLIOGRAFIA
Álvarez, D., Modesti, M., Martínez Riachi, S., & Lamarque, A. (2016). Caracterización
Microbiológica y Modelado del Proceso de Fermentación en la Producción de
Aceitunas Negras Naturales. Instituto de Ciencia y Tecnología de los Alimentos. 2-4.
Battilani, P., Rossi, V., Giorni, P., Pietri, A., Gualla, A., Fels-Klerx, H.J. Van der, Booij, C.J.H,
Moretti, A., Logrieco, A., Miglietta, F., Toscano, P., Miraglia, M., Santis, B. De & Brera, C.
(2017). Modelling, predicting and mapping the emergence of aflatoxins in cereals in the EU
due to climate change. EFSA Supporting Publications, 9, 27-35.
González, A. (2018). La microbiología predictiva en la industria cárnica. Universidad de la
laguna, 5-9.
Haberbeck, L.U., Plaza-Rodríguez, C., Desvignes, V., Dalgaard, P., Sanaa, M., Guillier, L.,
Nauta, M. & Filter, M. (2018). Harmonized terms, concepts and metadata for
microbiological risk assessment models: The basis for knowledge integration and
exchange. Microbial Risk Analysis, 10, 3-12.
Rodriguez, F. & Valero, A. (2016). SpringerBriefs in Food , Health , and Nutrition Series.
Quinta Edicion. Cordoba, Spain: Springer.
Isshiki, K., Tsumura, S. & Watanabe, T. (2017). Gas chromatographic determination of
propionic acid in bread and cake. Journal - Association of Official Analytical Chemists,
64, 280-281.
Koseki, S.(2016). Predictive Modeling for Estimation of Bacterial Behavior from Farm to
Table. Food Safety, 4, 33-44.
Lopes, H. (2018). Microbiología predictiva en industrias lácteas. Universidad de la laguna, 1,
8-10.
Lozada, L.S., Casa, T.G. & Bellé, C. (2021). Respuesta del perejil crespo a diferentes
densidades de población de Meloidogyne arenaria. Revista de Investigaciones
Altoandinas - Journal of High Andean Research, 23, 55-60.
Owusu, J., Akabanda, F., Agyei, D. & Jespersen, L. (2020). Microbial safety of milk
production and fermented dairy products in africa. Microorganisms, 8, 1-24.
Possas, A., Bonilla-Luque, O.M. & Valero, A. (2021). From cheese-making to consumption:
Exploring the microbial safety of cheeses through predictive microbiology models.
Foods, 10.
Ramos, F. (2014). Modelamiento del deterioro de la bebida isotónica sabor mandarina
causado por Fusarium oxysporum, usando el modelo logístico de la microbiología
predictiva. E.A.P. de Farmacia y Bioquimica., 84-103.