ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL

Facultad de Ingeniería en Mecánica y Ciencias de la Producción

Ingeniería en Alimentos

Inocuidad Alimentaria

Proyecto # 2

Aplicaciones en la Inocuidad Alimentaria: Microbiología Predictiva

Integrantes:

 Kerlly Arcentales
 Kevin Cortez
 Kristhel Rodríguez
 Maria Jose Rodriguez
 Joellyn Valencia

Profesor: Diana Coello Msc.

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:

La variable Y es la respuesta o variable dependiente; X1, X2 y X3 son variables explicativas o

independientes; y b1, b2 y b3 son la regresión coeficientes, que se obtienen de un método de
regresión basado en el observado conjunto de datos (Rodriguez y Valero, 2016).

Uno de los modelos no lineales más comunes es el modelo de decrecimiento o crecimiento

exponenciales, que presenta el coeficiente de regresión en la potencia. En estos casos, se deben
aplicar métodos de regresión no lineal para estimar correctamente los parámetros de regresión
(Rodriguez y Valero, 2016).

Tipos de modelos

Los modelos predictivos un no tiene un esquema completo apoyado por la comunidad

científica, pero Whiting y Buchanan proponen un esquema que cuenta con modelos
primarios, secundarios y terciarios (Lopes, 2018).

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

Previo a la utilización de los modelos de crecimiento microbiano se debe realizar una

conversión de las unidades formadoras de colonias a una escala logarítmica (Rodríguez y
Chambi, 2019).

Entre los modelos primarios más utilizados tenemos:

-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

ANALISIS DE LA MICROBIOLOGIA PREDICTIVA EN LA CONTRIBUCION A LA

INOCUIDAD ALIMENTARIA

La seguridad alimentaria microbiológico es importante para el sector alimentario donde

empresas, industrias alimentaria, autoridades alimentarias e institutos de investigación
alimentaria se enfrascan en hacer grandes investigaciones en modelos microbianos
predictivos que permitan conocer o predecir el crecimiento o muerte de microorganismos
mediante modelos matemáticos y estadísticos, cuando estos microorganismos se ven
sometidos a factores como pH, temperatura, actividad de agua, entre otros (Isshiki et al.,
2017; Haberbeck et al., 2018)

El modelado microbiano predictivo ha reforzado su posición como una de las herramientas

más prometedoras para respaldar las decisiones microbiológicas de seguridad alimentaria,
ayudando a comprender el comportamiento microbiano en los sistemas alimentarios en
función de diferentes factores ambientales, llegando a ser una herramienta primordial para
evaluar la exposición microbiana dentro de una evaluación cuantitativa del riesgo
microbiano(Isshiki et al., 2017).

Una herramienta para mejorar la seguridad y la calidad de los alimentos

Según Rodríguez y Valero (2016), hay varias aplicaciones para la microbiología predictiva:
Análisis de peligros y puntos críticos de control (HACCP): Análisis preliminar de
peligros, identificación y establecimiento de puntos críticos de control, medidas correctivas y
evaluación de la interacción de variables.
Evaluación de riesgos y gestión de riesgos: estimación de la dinámica de la población
microbiana a lo largo de la cadena alimentaria, evaluación de la exposición a un patógeno
específico y diseño de estrategias de gestión con base científica para garantizar la
seguridad alimentaria.
Estudios de vida útil: predicción del crecimiento de microorganismos patógenos o de
deterioro en los alimentos
Innovación y desarrollo de un nuevo producto: evaluación del impacto del deterioro
microbiano en un producto alimenticio, efecto del procesamiento en la calidad y seguridad
de los alimentos, una herramienta para mejorar la seguridad y la calidad de los alimentos. Y
evaluación del efecto de otros factores adicionales a lo largo de la cadena alimentaria.
Medidas higiénicas e integración de temperatura: evaluación de las consecuencias de la
aplicación de la cadena de frío sobre el deterioro microbiano y optimización de procesos de
inactivación térmica y no térmica
Educación: educación del personal científico y no científico e implementación y
capacitación de sistemas de decisión basados en computación.
Diseño experimental: estimación del número de muestras a preparar y definición de
intervalos dentro de cada factor a analizar.
Otras aplicaciones actuales de la microbiología predictiva en un contexto industrial
son
de ancho, pero se pueden resumir en tres grupos:
• Desarrollo de nuevos productos: Desarrollo de formulaciones de productos alternativos
por la evaluación basada en la evaluación del crecimiento de deterioro y microorganismos
patógenos ; esto proporciona la definición de condiciones de almacenamiento más seguras,
por lo tanto aumentando la vida útil
• Apoyo operativo: apoyo a las decisiones de seguridad alimentaria que deben tomarse al
implementar o ejecutar una operación de fabricación de alimentos; también, ambientación
de puntos críticos de control (PCC) en HACCP, evaluando el impacto de las desviaciones
del proceso sobre la seguridad microbiológica y la calidad de los productos alimenticios
• Asistencia ante incidentes: estimación del impacto en la seguridad del consumidor o la
calidad del producto en caso de problemas con productos en el mercado.

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).

Sin embargo, en productos cárnicos, la microbiología predictiva se basa en modelar el

posible crecimiento de patógenos entre el procesamiento final de las secciones de carne y
su compra, también en la etapa de cocción se utiliza en el modelamiento de la inactivación
bacteriana debido al calentamiento, si no se evalua el consumo de carne cruda. Estas
situaciones dependen principalmente de la temperatura durante el almacenamiento en frio
sin congelación (>=4 Celsius), el abuso de temperatura durante el almacenamiento o
tiempos de transporte, utilizando modelos de Gompertz para considerar el crecimiento que
ocurre durante el enfriamiento del canal. Para temperatura de venta al por menor (> 0
grados Celsius) la combinación de modelos primarios Baranyi y Roberts con un modelo
secundario, considera la concentración bacteriana se mantiene estable a temperaturas por
debajo de 0 grados (Tesson et al., 2020).

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).

También se puede ver el uso de la microbiología predictiva en alimentos crudos como

vegetales y frutas, que es de gran importancia para poder prevenir las ETA, ya que brindan
una predicción respecto al crecimiento microbiano en ellos, al ser alimentos susceptibles a
contaminación ya que no se procesan o tienen un procesamiento mínimo. En actuales
investigaciones se determinó que los patógenos más relacionados por el consumo de
alimentos crudos como las verduras de hojas verdes, se tiene a la Escherichia coli, Listeria
monocytogenesse y a Salmonella enterica que pueden contaminar el alimento desde su
producción primaria por diferentes factores como lo son: El suelo donde se siembran, la
calidad y estado del agua que se utiliza para el riego, así como también por la presencia de
insectos y otros animales ( Koseki, 2016). Como ejemplo tenemos una investigación en
donde utilizaron los modelos matemáticos Gompertz y Logísticos, con el fin de poder
determinar la curva de crecimiento microbiano que presenta Saccharomyces Boulardii en el
alimento Tunta (Rodríguez y Chambi, 2019).

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.

Rodriguez, M. & Chambi,A. (2019). Determinación de la curva de crecimiento microbiano

Saccharomyces Boulardii en tunta variedades chaska y negra. Fides et Ratio- Revista
de Difusión cultural y cientifica de la Universidad La Salle en Bolivia, 18, 201-214.
Tesson, V., Federighi, M., Cummins, E., Mota, J. de O., Guillou, S. & Boué, G. (2020). A
systematic review of beef meat quantitative microbial risk assessment models.
International Journal of Environmental Research and Public Health, 17, 13-28.