Machine Translated by Google

Revista Internacional de Microbiología Alimentaria 94 (2004) 137 – 159

www.elsevier.com/locate/ijfoodmicro

Modelado predictivo de la fase de latencia microbiana: una revisión

IAM Swinnen, K. Bernaerts, EJJ Dens, AH Geeraerd, JF Van Impe*

BioTeC—Tecnología y control de bioprocesos, Katholieke Universiteit Leuven, W. de Croylaan 46, B-3001 Heverlee, Bélgica

Recibido el 22 de abril de 2003; recibido en forma revisada el 15 de enero de 2004; aceptado el 15 de enero de 2004

Resumen

Este documento resume las tendencias recientes en el modelado predictivo de fenómenos de retraso microbiano. La fase de latencia se aborda tanto
desde un punto de vista cualitativo como cuantitativo. En primer lugar, se presenta una definición de retardo y un análisis de las técnicas de medición
predominantes para la determinación del tiempo de retardo. Además, en base a los resultados experimentales presentados en la literatura, se discuten los
factores que influyen en la fase de latencia. Se evalúan críticamente los principales enfoques de modelado relacionados con la estimación de la fase de
retardo. En microbiología predictiva, se utiliza un enfoque de modelado de dos pasos. Los modelos primarios describen la evolución del número de microbios
con el tiempo y se pueden subdividir en modelos deterministas y estocásticos. Modelos deterministas primarios, por ejemplo, Baranyi y Roberts [Int. J. Food
Microbiol. 23 (1994) 277], Hills y Wright [J. teor. Biol. 168 (1994) 31] y McKellar [Int. J. Food Microbiol. 36 (1997) 179], describen la evolución de los
microorganismos, utilizando un solo conjunto (determinista) de parámetros del modelo. En modelos estocásticos, por ejemplo, Buchanan et al. [Microbiol de
los Alimentos. 14 (1997) 313], Baranyi [J. teor. Biol. 192 (1998) 403] y McKellar [J. aplicación Microbiol. 90 (2001) 407], los parámetros del modelo son
variables distribuidas o aleatorias.
Los modelos secundarios describen la relación entre los parámetros del modelo primario y los factores que influyen (p. ej., las condiciones ambientales).
Esta encuesta se centra principalmente en la influencia de la temperatura y el historial de cultivo en la fase de retraso durante el crecimiento de bacterias.

D 2004 Elsevier BV Todos los derechos reservados.

Palabras llave: Fase de latencia; La temperatura; Historia de la cultura; Microbiología predictiva; Modelado

1. Introducción Predictive Modeling in Foods, septiembre de 2000, Lovaina, y las

Dado que la inocuidad de los alimentos es una preocupación
creciente en la sociedad moderna, la disciplina científica de la
microbiología predictiva de los alimentos gana cada vez más interés
en todo el mundo (ver, por ejemplo, el número especial del International
Journal of Food Microbiology, Volumen 73, Números 2 y 3, 2002,
como resultado de la Tercera Conferencia Internacional sobre
actas de la Cuarta Conferencia Internacional sobre Predictive Modeling
in Foods, junio de 2003, Quimper, publicadas en Van Impe et al.,
2003). El concepto de este campo de investigación es que un
conocimiento detallado del comportamiento (crecimiento, supervivencia,
inactivación) de los microorganismos en los productos alimenticios,
condensado en modelos matemáticos, permite una evaluación objetiva
de la seguridad microbiológica y la calidad de los alimentos (ver, por
ejemplo, McMeekin et al., 1997; Ross, 1999).

* Autor correspondiente. Tel.: +32-16-321466; fax: +32-16-322991.

Dirección de correo electrónico: jan.vanimpe@cit.kuleuven.ac.be Un fenómeno inherente a la cinética microbiana es el retraso, que
(JF Van Impe). normalmente se observa como una respuesta retardada

0168-1605/$ - ver portada D 2004 Elsevier BV Todos los derechos reservados. doi:10.1016/
j.ijfoodmicro.2004.01.006
Machine Translated by Google
138 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
Fig. 1. Curva típica de crecimiento microbiano para células inoculadas de hENV1i
a hENV2i, en condiciones de temperatura constante con indicación del logaritmo
natural de la densidad de población inicial n0 y la densidad de población máxima
nmax, la tasa de crecimiento específica máxima lmax y el parámetro de retardo k .
de la población microbiana a un cambio (repentino) en el medio
ambiente. Puede ocurrir una fase de retraso tanto en el proceso
de crecimiento como en el de inactivación. En el caso de las
condiciones de crecimiento, la fase de latencia es un período de
ajuste durante el cual las células bacterianas se modifican para
aprovechar el nuevo entorno e iniciar un crecimiento exponencial
(Buchanan y Klawitter, 1991). Debido a que el crecimiento de
patógenos es inaceptable en un producto alimenticio, existe la
necesidad de predecir el tiempo de retraso con precisión
(McMeekin et al., 1997), lo que hoy en día no siempre es posible
(McKellar, 1997).
Esto implica que se necesita una mayor comprensión de la fase
de latencia y sus factores (fisiológicos) que la afectan (McDonald
y Sun, 1999). Especialmente cuando el propósito de los modelos
es predictivo en lugar de descriptivo, como es el caso de la
microbiología predictiva, es importante incorporar conocimiento
fisiológico al modelo para que sea más válido en términos
generales. En el caso de condiciones de inactivación, la
respuesta retardada (o retraso) se observa como un hombro en
la curva logarítmica de inactivación (ver, por ejemplo, Geeraerd
et al., 2000). Este artículo solo discutirá el retraso durante los
procesos de crecimiento, sin tener en cuenta el retraso debido
al daño subletal (Bre´and et al., 1997, 1999).
Comúnmente, la fase transitoria que sigue a la inoculación de
un medio de laboratorio (o la contaminación de un producto
alimenticio) en condiciones ambientales constantes se
caracteriza como la fase de retraso inicial (Fig. 1).
Sin embargo, las variaciones ambientales (repentinas) durante
el crecimiento también puede dar como resultado un retraso
en el crecimiento o un retraso intermedio (Fig. 2). Aparte del
cambio medio y el efecto de dilución, el mecanismo subyacente
del retraso inicial y el retraso intermedio puede considerarse
esencialmente el mismo, porque en ambos casos las células
experimentan una transición de un entorno a otro.
Hasta ahora, los microbiólogos de alimentos generalmente
usan un enfoque de modelado de dos pasos. Los modelos
primarios describen la evolución del número de microbios con
el tiempo. Las funciones sigmoideas continuas como la ecuación
de Gompertz modificada (Zwietering et al., 1990) o el modelo
de Baranyi y Roberts (1994) se pueden utilizar para obtener dos
parámetros cinéticos, a saber, la tasa de crecimiento específica
(l) y la duración de la fase de retraso ( k), a partir de curvas de
crecimiento bacteriano. Posteriormente, se derivan modelos
secundarios que relacionan estos dos parámetros de crecimiento
con factores influyentes como la temperatura.
En muchas circunstancias, este enfoque produce información
confiable sobre el valor de lmax, pero a menudo se obtienen
estimaciones deficientes para el tiempo de retraso (McKellar,
1997). Las posibles explicaciones son la alta variabilidad del
parámetro de retraso y el hecho de que existen varios factores
que influyen en la fase de retraso (enumerados en la Sección
3), que no se tienen en cuenta todos. Además, en la actualidad,
la mayoría de las técnicas de modelado disponibles se centran
únicamente en la fase de retraso inicial (de la población), en la
que la inoculación se realizó con células (en su mayoría
estacionarias) cultivadas en condiciones óptimas, y solo tienen
en cuenta la influencia del entorno real.
Fig. 2. Curva de crecimiento microbiano influenciada por, por ejemplo, un cambio
de temperatura en el instante de tiempo de la línea vertical: indicación de la fase
de retraso inicial e intermedia.
Machine Translated by Google

IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 139

y un "estado fisiológico" vagamente definido de las células (Baranyi

y Roberts, 1994) en la fase de latencia.

Este artículo está organizado de la siguiente manera. Primero,

la definición de tiempo de retraso y las técnicas de medición
prevalecientes se dan en la Sección 2. La Sección 3 presenta una
discusión de los diferentes factores que influyen en el tiempo de
retraso. A continuación, la Sección 4 analiza críticamente los
enfoques de modelado actualmente disponibles en el dominio de
la microbiología predictiva para describir los fenómenos de retraso.
Debido a que en la microbiología predictiva se utiliza a menudo
un enfoque de modelado de dos pasos, como se describe
anteriormente, para construir modelos, el análisis también se
subdividirá en dos secciones. Finalmente, se extraerán algunas
conclusiones de esta revisión en la Sección 5.
Fig. 3. Comparación entre la forma convencional de derivar el tiempo de
retardo (línea continua) y el procedimiento propuesto por Buchanan y
Cygnarowicz (1990) utilizando la tercera derivada (línea discontinua).
2. Cuantificación del tiempo de retraso

2.1. Definición de retraso
Buchanan y Solberg (1972) usaron el tiempo para que la
densidad de población inicial se duplicara como una definición de
la fase de retraso. Pirt (1975) definió el retraso del crecimiento
como un período de transición durante el cual la tasa específica
de crecimiento aumenta hasta el valor máximo característico del
ambiente de cultivo. Dada la típica curva de crecimiento de tipo
sigmoidal (es decir, el logaritmo (natural) de la densidad celular
en función del tiempo) observada en un entorno constante (ver
Fig. 1), la duración de la fase de retraso k se puede cuantificar
como el tiempo obtenido extrapolando la tangente en la parte
exponencial de la curva de crecimiento, de regreso al nivel del
inóculo. Esta definición es la más difundida en la actualidad; sin
embargo, no siempre es aplicable a condiciones ambientales
variables en el tiempo, donde la fase de retraso y la fase de
crecimiento exponencial pueden ser menos distintas. Buchanan y
Cygnarowicz (1990) propusieron una definición alternativa para
calcular el tiempo de retraso en el crecimiento bacteriano como el
momento en el que el cambio de la tasa de crecimiento específico
es máximo (aceleración máxima de la tasa de crecimiento): este
es el primer instante en el que la tercera derivada del logaritmo
naperiano del número de organismos con respecto al tiempo es
cero. Como la diferencia entre ambos tiempos de retraso
resultantes suele ser mínima para una curva de crecimiento
sigmoidal clásica, como se ilustra en la Fig. 3, Zwietering et al.
(1992) recomendaron que la definición convencional debería ser
utilizado para calcular el tiempo de retraso, ya que esto facilita la
comparación con los valores de la literatura.
2.2. Medición del tiempo de retraso
Evidentemente, el desarrollo de un modelo requiere la
generación de datos experimentales. El método utilizado para
generar y registrar datos es imperativo para la aplicación práctica
y el éxito de un modelo (Walker y Jones, 1993). Por lo tanto, en
esta sección, los métodos que se han utilizado para medir el
tiempo de retraso se analizan con más detalle.
2.2.1. Tiempo de retraso de la
población Se utilizan comúnmente dos métodos para
monitorear el crecimiento de una población bacteriana. El método
de medición estándar es el conteo viable total. Sin embargo, este
es un método muy laborioso y bastante caro. Además, para
estimaciones precisas de los parámetros de crecimiento, el
número de observaciones (conteos) realizados por curva de
crecimiento y la calidad (es decir, la incertidumbre en los puntos
de datos experimentales) de esos conteos son muy importantes
(Bratchell et al., 1989; Poschet et al. Alabama.
2004). Se recomienda recopilar un mínimo de 10 puntos de datos
(Walker y Jones, 1993).
Además, Baty y Delignette-Muller (2004) compararon el ajuste
de tres modelos en conjuntos de datos con solo unos pocos y un
gran número de puntos de datos. Indicaron que la imprecisión en
las estimaciones de los parámetros
Machine Translated by Google
140 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
está claramente correlacionada con la cantidad de datos.
Además , Poschet et al. (2004) han indicado que no solo la
cantidad de datos, sino también el posicionamiento de estos datos
en el tiempo tiene una influencia sustancial en la incertidumbre de
los parámetros del modelo. En base a sus resultados, se puede
deducir que, para el modelo de Baranyi y Roberts (1994), la
incertidumbre sobre los parámetros del modelo se reducirá
mediante un muestreo intenso durante las zonas de transición
entre la fase rezagada y la fase exponencial y entre la fase
exponencial y la fase estacionaria.
Un segundo método se basa en mediciones de absorbancia
o densidad óptica (DO). Aunque las técnicas de DO son rápidas,
económicas y relativamente fáciles de automatizar, existen
muchos inconvenientes inherentes a estas técnicas. El principal
problema es el rango limitado de validez ya que el umbral de
detección normalmente corresponde a una concentración
bacteriana en el rango de 106 – 107 bacterias/ml (Begot et al.,
1996).
Situando esta concentración en una curva de crecimiento, se
puede deducir que se alcanza la fase de crecimiento exponencial
tardío y, en consecuencia, podrían obtenerse estimaciones
erróneas de la fase de retraso debido a otros factores que influyen
en el final del crecimiento. Sin embargo, también es posible
cuantificar los parámetros de crecimiento cuando el tamaño del
inóculo está por debajo del umbral de detección. En este caso,
se debe conocer el recuento inicial de células y una ecuación de
calibración. Bre´and et al. (1997), por ejemplo, los tiempos de
retraso estimados desde el punto de intersección entre la línea
recta extrapolada con una pendiente igual a la tasa de crecimiento
estimada (basada en mediciones detectables de OD) en un punto
de crecimiento visible y la línea horizontal en el registro de la
conteo inicial de células. Cualquiera que sea el método utilizado,
en general, parece que los parámetros de crecimiento estimados
a partir de OD y conteos viables son desiguales. Hudson y Mott
(1994), por ejemplo, ajustaron la ecuación de Gompertz modificada
(Zwietering et al., 1990) a los datos de crecimiento de
Pseudomonas fragi (tanto como recuentos viables como
mediciones de OD, comenzando con un tamaño de inóculo por
encima del límite de detección) y obtuvieron sistemáticamente
Estimaciones de tiempo de retraso más bajas a partir de datos
OD que a partir de datos de conteo viables. Esta discrepancia
entre los tiempos de retraso medidos por la DO y el recuento
viable se explica por un aumento en la longitud celular durante la
fase de retraso. Como alternativa a la medición de toda la curva
de crecimiento de la turbidez, otros autores propusieron el uso
del tiempo de detección observado,
es decir, el tiempo que tarda una población celular en alcanzar
un nivel detectable de turbidez. Baranyi y Pin (1999), por ejemplo,
propusieron un nuevo método numérico, es decir, un protocolo
de análisis de varianza, para estimar la fase de latencia mediante
tiempos de detección de cultivos diluidos en serie. Sin embargo,
no se presentaron datos experimentales para comparar los
valores de los parámetros obtenidos con los valores obtenidos
con recuentos viables.
Sin embargo, la variabilidad de las estimaciones de los
parámetros de crecimiento (especialmente las estimaciones del
tiempo de retraso) no solo se debe a la técnica utilizada para
controlar el crecimiento bacteriano, sino también al modelo
utilizado para ajustar los datos de crecimiento (Dalgaard y
Koutsoumanis, 2001; Baty et al. ., 2002). Se han realizado
comparaciones entre los tiempos de retraso estimados a partir de
la densidad óptica y los datos de conteo viables por diferentes
modelos. Agustín et al. (1999) compararon varios métodos y
concluyeron que para el modelo Logístico con retardo, una
combinación de algunos conteos viables y datos de absorbancia
dieron como resultado la estimación más precisa del tiempo de
retardo. Por el contrario, Dalgaard y Koutsoumanis (2001)
demostraron que la tasa de crecimiento específica máxima y, por
lo tanto, el tiempo de retraso se podían estimar con precisión y
con una precisión razonable a partir de las curvas de crecimiento
de la absorbancia utilizando el modelo de Richards (ver, por
ejemplo, Zwietering et al. ., 1990). Además, la exactitud y precisión
de estos valores correspondieron a los valores estimados a partir
de los tiempos de detección de absorbancia de cultivos diluidos
en serie (probando el método propuesto por Baranyi y Pin, 1999).
Sin embargo, una desventaja es que se necesitan algunas
mediciones de conteo viable adicionales para determinar la fase
de retraso a partir de los datos de absorbancia. Bati et al. (2002)
también compararon las estimaciones del tiempo de retraso
obtenidas ajustando diferentes modelos (Baranyi y Roberts, 1994;
Hills y Wright, 1994 y un modelo exponencial con retraso) a
diferentes tipos de datos (OD y datos de conteo viable).
Concluyeron que, en general, la elección del modelo ajustado
para estimar el tiempo de retraso parece ser crucial, mientras que
la técnica utilizada para monitorear el crecimiento bacteriano
parece ser menos influyente. Sin embargo, las comparaciones
individuales a veces revelaron discrepancias entre las estimaciones
de tiempo de retraso en la OD y los datos de recuento viables. En
contraste con Hudson y Mott (1994), no se observó un sesgo
sistemático en estas estimaciones del tiempo de retraso. Además,
observaron durante aproximadamente la mitad de sus experimentos
un aumento en la DO durante la fase de latencia, mientras que
los recuentos viables permanecieron constantes. Este
Machine Translated by Google

IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 141

El fenómeno no se debe a un aumento en el número de células, sino

a un aumento en el volumen celular medio o a un aumento en la

refracción celular media. Este comportamiento de crecimiento

observado se explica por una importante sensibilidad de la población
a las condiciones de crecimiento y precrecimiento. Si este fenómeno
no se tiene en cuenta durante la fase de modelado, puede conducir a
una subestimación del tiempo de retraso basado en las mediciones de
OD.
En general, se puede concluir que la determinación del tiempo de
retraso de las mediciones de DO está influenciada por la técnica de
medición de DO, el modelo utilizado para ajustar los datos, el
microorganismo y el medio de incubación, las condiciones ambientales,
etc. Por lo tanto, para cada método , se debe realizar una calibración
y validación entre los recuentos viables y las mediciones de DO.

Fig. 4. Método geométrico para determinar el retraso celular medio

2.2.2. Tiempo de retraso de células
individuales La medición del tiempo de retraso de células
individuales requiere técnicas para aislar células individuales. Además,
para estudiar la distribución de los tiempos de retraso de las celdas
individuales, se necesita una gran cantidad de mediciones repetidas.
Por lo tanto, no se puede utilizar el método tradicional de recuentos
viables que requiere mucha mano de obra.
McKellar y Knight (2000) utilizaron diluciones dobles en serie del
inóculo para obtener células individuales. Calcularon las estimaciones
del tiempo de retraso medio de las células individuales para las
poblaciones de Listeria monocytogenes por medio del método de
tiempo de detección utilizando mediciones de Bioscreen. El tiempo de
detección td para un instrumento turbidimétrico se puede definir como
el tiempo requerido para un aumento medible inicial en la densidad
óptica. Las gráficas de td obtenidas de diluciones en serie del inóculo
original contra la densidad celular inicial [ln(ufc/ml)] producen líneas
rectas (ver Fig. 4), y lmax se puede calcular a partir de la pendiente
usando la ecuación:
lmáx ¼ 1=pendiente
El tiempo de retardo individual medio s se calcula posteriormente
por la diferencia entre los valores td predichos estimados por el
modelo de McKellar (1997) (ver también la Sección 4.1.1) usando
lmax y los valores td observados . Esto se ilustra en la Fig. 4 por la
diferencia entre la línea continua y la punteada. Una desventaja del
enfoque propuesto es que es necesario conocer la densidad celular
inicial de cada dilución en serie (repetición).
individual H y el estado fisiológico inicial medio del inóculo p0,
usando datos de tiempo de detección del Bioscreen (según McKellar
y Knight, 2000).
sembrando una placa de microtitulación inoculada duplicada. Wu et
al. (2000) compararon el método Bioscreen de McKellar y Knight
(2000) con microscopía para la determinación de los tiempos de
retraso de células individuales.
La diferencia entre los tiempos de retraso obtenidos de los datos de
microscopía y los tiempos de retraso calculados a partir de los datos
de td es que el primero observa cuándo la célula se divide
efectivamente por primera vez (tLAG) y el segundo observa cuándo la
biomasa celular comienza a crecer, es decir, aumenta de volumen.
(s). Ambos valores de rezago estaban relacionados por la ecuación:
tLAG ¼ s + DT
siendo tLAG el tiempo de retardo medio de las células individuales, s
el tiempo de adaptación y DT el tiempo de duplicación. Por lo tanto,
se esperaría que los tiempos de retraso obtenidos de los datos de OD
sean más pequeños que los tiempos de retraso obtenidos de los datos
de microcopia. No obstante, los resultados de Wu et al. (2000)
contrastan con este razonamiento lógico. La razón de esta diferencia
es desconocida. Una posible explicación podría ser que hayan usado
muy pocas réplicas para sacar conclusiones precisas. Además, se
puede cuestionar la precisión de ambos métodos de medición y la
comparación de sus resultados. Por ejemplo, el enfoque de microscopía
directa también podría generar fácilmente estimaciones de s restando
una estimación del tiempo de duplicación (p. ej., derivada de sub

Estos valores iniciales de densidad celular se pueden aproximar

Machine Translated by Google
142 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
tiempos de división consecutivos) desde el tiempo hasta la
primera división (tLAG), aunque los autores afirman lo contrario.
Por lo tanto, se puede criticar que el método Bioscreen carece
de precisión para determinar el tiempo de retraso individual.
Sin embargo, François et al. (2003b) también han mostrado la
posibilidad de calcular el tiempo de retardo de células individuales
utilizando un lector de microplacas. Previamente se desarrolló un
protocolo para aislar células individuales con un alto rendimiento
(80%) (Francois et al., 2003a). Midieron mediante medidas de DO
y una curva de calibración la parte superior de la curva de
crecimiento clásica. Haciendo una extrapolación lineal de la fase
exponencial, la fase de retraso individual se puede calcular a
partir de la parte lineal de la fase exponencial y la línea horizontal
del nivel de inóculo. Se puede notar que esta técnica de
extrapolación es idéntica al método de Bre´and et al. (1997) para
calcular el tiempo de retraso de la población. El nivel de inóculo
se basa en la suposición de que se obtiene una sola célula por
pocillo en las últimas filas de una placa de microtitulación. Las
hipótesis que rigen este supuesto se incorporaron en un modelo
de simulación (Standaert et al., 2003). Otra técnica que se ha
utilizado para obtener células individuales es la citometría de flujo
(Smelt et al., 2002). Olía et al. (2002) calcularon el tiempo de
retraso de una celda individual por medio de la siguiente ecuación:
k = td [(número de generaciones)*(tiempo de generación)].
Metris et al. (2003) se centró en medir la distribución de los
tiempos de latencia individuales por medio de un Bioscreen y
observaron que la fuente de variabilidad de los tiempos de
detección es cercana a la variabilidad de los tiempos de latencia
individuales, si el número inicial de células es bajo.
Cabe señalar que la medición de los tiempos de retraso de
las células individuales y su distribución es extremadamente
relevante en el caso de un tamaño de inóculo bajo, como se
explicará más adelante. Además, estas medidas son muy
importantes en el desarrollo de modelos estocásticos. Por lo
tanto, se necesita un mayor desarrollo de técnicas o procedimientos
de medición precisos.
3. Factores que influyen en la duración del tiempo de retraso
En un experimento de crecimiento típico, las bacterias se
cultivan primero en un entorno de precultivo hENV1i para obtener
una cantidad adecuada de células para la inoculación en el
entorno real bajo estudio hENV2i. en el más
caso general de retraso intermedio, en un momento determinado
durante el experimento de crecimiento, tiene lugar un cambio en
las condiciones ambientales. hENV1i luego designa las
condiciones ambientales previas al turno mientras que hENV2i
designa las condiciones ambientales posteriores al turno (reales).
También en una situación práctica, la microflora contaminante
puede experimentar una fase de retraso cuando las condiciones
ambientales son dinámicas, por ejemplo, en el momento de la
contaminación, al agregar componentes antimicrobianos, o
cuando ocurre un cambio, por ejemplo, en las condiciones de
temperatura. Los factores que influyen en la duración del tiempo
de retraso son las (cambios en) las condiciones ambientales, la
identidad y el fenotipo de la bacteria (Buchanan y Cygnar owicz,
1990), la etapa de crecimiento o la historia fisiológica de las
células (McMeekin et al., 1993) y, en caso de un tamaño de
inóculo pequeño y condiciones estrictas, el tamaño del inóculo en
el momento del cambio ambiental (p. ej., Augustin et al., 2000a).
El efecto del tamaño del inóculo solo se ha reconocido más
recientemente y puede interpretarse como la probabilidad de
tener una célula en una población pequeña con un tiempo de
retraso corto.
3.1. Condiciones ambientales
Es comúnmente conocido que el retraso depende de las
condiciones ambientales reales hENV2i. Se ha observado por
Buchanan y Klawitter (1992), por ejemplo, que la duración de la
fase de retraso para Escherichia coli O157:H7 aumenta con la
disminución de las temperaturas de incubación. Además, varios
autores informan sobre el efecto razonable de las condiciones
previas al cultivo hENV1i en la duración del retraso posterior (ver,
por ejemplo, Ng et al., 1962; Shaw, 1967; Dufrenne et al., 1997).
Además de ambos entornos, el lag también se ve afectado por la
magnitud (DENV) y la tasa de cambio entre el entorno pasado y
el presente (DENV/Dt) (McMeekin et al., 2002). Hudson (1993),
por ejemplo, examinó la influencia de cuatro temperaturas de
incubación previas en los tiempos de retraso de Aero monas
hydrophila, que volvieron a crecer a las mismas cuatro
temperaturas de incubación (16 combinaciones). Él concluye que
ocurrieron transiciones mínimas cuando la temperatura de
preincubación coincide con la temperatura de incubación real. Se
observan fases de latencia más cortas a medida que aumentan
las temperaturas de crecimiento y aparecen fases de latencia más
largas cuando las células de preincubación alta
Machine Translated by Google
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
Las temperaturas se trasladan a bajas temperaturas.
Whiting y Bagi (2002) han obtenido observaciones análogas para L.
monocytogenes.
Zwietering et al. (1994) evaluaron el efecto de los cambios de temperatura
para Lactobacillus plantarum.
Concluyen que un cambio de temperatura (tanto dentro de la fase de
retraso como dentro de la fase exponencial) da como resultado una fase
de retraso adicional. Bernaerts et al. (2002) observaron que los grandes
cambios de temperatura alteran el crecimiento exponencial de E. coli
K12. Un gran cambio de temperatura de 17,5 jC a 32,5 jC resultó en
una fase de retraso intermedia, mientras que un pequeño cambio de
temperatura de 22,5 jC a 27,5 jC asegura un ajuste inmediato a las
nuevas condiciones.
Varios otros autores obtuvieron resultados análogos que estudiaron la
influencia de los cambios y fluctuaciones de temperatura en la fase de
latencia (Fu et al., 1991; Casadei et al., 1995; Rajkowski y Marmer,
1995; Membre´ et al., 1999) . Estas observaciones son consistentes con
el concepto del rango fisiológico normal (ver, por ejemplo, Ng et al.,
1962; Ingraham y Marr, 1996). Este rango se define como la parte lineal
del diagrama de Arrhenius (ln lmax [1/h] frente a 1/T [1/K]). Ng et al.
(1962) observaron que los cambios de temperatura (positivos o
negativos) dentro de esta región de temperatura no provocan una fase
de retraso. Sin embargo, los cambios repentinos de temperatura que
comienzan con una temperatura por debajo de este rango hasta una
temperatura dentro del rango, o viceversa, dan como resultado un
período de adaptación. Shaw (1967) obtuvo resultados similares para
levaduras mesófilas y psicrófilas.
Además de la temperatura, otras condiciones ambientales también
influyen en la duración de la fase de latencia.
Cheroutre-Vialette y Lebert (2002) observaron una fase de retraso para
L. monocytogenes, cuando se somete a un cambio abrupto de pH y
actividad del agua durante el crecimiento, cualquiera que sea la
temperatura de crecimiento. En general, se supone que los cambios
ambientales más pequeños producirán fases de adaptación más cortas.
3.2. Etapa de crecimiento de las células.
Mc Meekin et al. (2002) distinguen las células que contaminan un
alimento en función de su competencia fisiológica: las que se están
dividiendo activamente, las que muestran una fase de retraso fisiológico,
las que están dañadas y requieren reparación antes de resolver el
retraso y las que están muertas. pescadilla y
143
Bagi (2002) ha examinado las duraciones de la fase de retraso para las
células de L. monocytogenes cultivadas en diferentes estados fisiológicos
y transferidas a diferentes temperaturas: las células en crecimiento
exponencial tienen las fases de retraso más cortas, la fase estacionaria
y las duraciones de retraso de las células hambrientas son más largas,
las células congeladas Las fases de retraso son ligeramente más largas
y las células desecadas muestran las fases de retraso más largas. De
manera equivalente, Agustín et al. (2000b) y Mellefont et al. (2000)
concluyeron para L. mono cytogenes y E. coli, respectivamente, que las
células en crecimiento activo se ajustan más rápidamente a los cambios
en comparación con las células durante la fase de retraso o estacionaria.
3.3. Tamaño del inóculo
El efecto del tamaño del inóculo en la fase de latencia ha sido
estudiado por Augustin et al. (2000a) quienes usaron L. monocytogenes
creciendo en un medio pobre bajo condiciones subóptimas. Llegaron a
la conclusión de que el tiempo de retraso se prolonga cuando el inóculo
está gravemente estresado por la inanición y el tamaño del inóculo es
muy pequeño. Este efecto del tamaño del inóculo puede explicarse por
un aumento en la variabilidad del tiempo de retraso de las células
individuales cuando las células son dañadas por el estrés. Un resultado
similar fue obtenido por Robinson et al. (2001). Pascual et al. (2001) y
McKellar et al. (2002a) también mostraron para L. monocytogenes que
el efecto del tamaño del inóculo es más pronunciado cerca de la interfase
crecimiento/no crecimiento, porque no todas las células se adaptan a
condiciones adversas.
Muchos autores estudiaron el efecto de los factores de estrés, es decir,
el pH, la temperatura, etc., sobre la distribución de los tiempos de retraso
de las células individuales (Me´tris et al., 2002; Smelt et al., 2002;
Francois et al., 2003b) . Observaron que cuando aumentan los factores
de estrés, el tiempo medio de retraso es mayor y la distribución se
vuelve más amplia (aumentando la variabilidad).
4. Enfoques de modelado existentes
Debido a que hay tantos factores que influyen en el comportamiento
de retraso, es muy difícil obtener predicciones precisas de la fase de
retraso.
Una importante hipótesis general de trabajo, formulada por
Robinson et al. (1998), establece que el retraso está determinado por
dos cantidades (hipotéticas), a saber, (i) la cantidad de trabajo que una
celda tiene que realizar para
Machine Translated by Google

144 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159

adaptarse a su nuevo entorno, y (ii) el ritmo al que puede realizar ese número con el tiempo, se discuten. La Sección 4.2 se centra en
trabajo, y ello de la siguiente forma: enfoques de modelado secundario, relacionando el parámetro de
retraso k con factores ambientales como el precultivo y la temperatura
real.
hlagi hratei1ÿ4hworki ð1Þ
4.1. Modelos primarios

En esta hipótesis, el retraso puede identificarse con el parámetro

de retraso k, como se describe en la Sección 2. La tasa puede Los modelos primarios se pueden subdividir en modelos

identificarse con la tasa de crecimiento específica máxima lmax de deterministas y estocásticos. La mayoría de los modelos primarios,

los organismos dictada por las condiciones ambientales actuales. En desarrollados hasta ahora, son modelos de población deterministas.

ese caso, el trabajo que deben realizar las células al cambiar de un En estos modelos, la evolución del número total de células de una

entorno a otro viene dado por el producto k lmax. A menudo se ha población se describe mediante un único conjunto (determinista) de

observado que el tiempo de retraso es inversamente proporcional a parámetros del modelo, por ejemplo, N0, k, lmax, Nmax (ver, por

la tasa máxima de crecimiento específico (p. ej., Smith, 1985; ejemplo, Fig. 1). En la literatura, se ha sugerido que conectar el

McMeekin et al., 1993; Baranyi y Roberts, 1994). Sin embargo, la comportamiento de las células individuales con el de toda la población

validez general de esta relación no se ha explorado por completo y, es el siguiente paso en el desarrollo de un enfoque más mecanicista

por lo tanto, debe usarse con precaución (Delignette-Muller, 1998). para la microbiología predictiva de los alimentos (Baranyi, 1997). Esto
conduce a técnicas de modelado estocástico o probabilístico, en las
que los parámetros del modelo son variables aleatorias distribuidas

En los modelos discutidos a continuación, Eq. (1) aparecerá varias sobre la población total. Esto significa que los parámetros del modelo

veces con diferentes expresiones para el factor hworki. Estas son parte de una determinada distribución aleatoria, que puede
representar la variabilidad biológica entre las células individuales. Por
expresiones se resumen en la Tabla 1.
medio de modelos matemáticos estocásticos apropiados, la

Esta sección se subdivide en dos partes. En la Sección 4.1, información obtenida sobre la distribución de retraso celular por medio

modelos primarios, que describen la evolución de la célula de, por ejemplo, mediciones de Bioscreen (consulte la Sección 2.2),
se puede utilizar para mejorar las predicciones sobre la supervivencia
Tabla 1 y el tiempo de retraso de la población. Dichos modelos estocásticos
Resumen de los modelos discutidos en la Sección 4.1: (parte superior) nivel de se vuelven más útiles cuando el tamaño del inóculo es pequeño y el
población y (parte inferior) nivel de celda única retraso de las células individuales es muy variable dentro de esta
Modelo k lmax = estado fisiológico Condiciones pequeña población (consulte la Sección 3.3).

Nivel de población
Baranyi y ln(1+(1/Q0)) = ln(a0) = h0
En la Sección 4.1.1, se analizan los modelos de población
Roberto
deterministas, mientras que en la Sección 4.1.2 se evalúan los
(1994)
Colinas y ln(1+(lmáx/kn)) = ln(s*) = ln(1 + s) s(0) = 0
enfoques estocásticos.
Wright Todos los modelos de crecimiento primario discutidos en este
(1994) documento consideran que durante la fase de crecimiento exponencial,
Mc Kellar en(N0/G0) = w0
todas las células crecen a una tasa constante igual a lmax.
(1997)
No se incluyen otros modelos, por ejemplo, la ecuación de Gompertz

Nivel de celda única

modificada. La curva de Gompertz tiene una curvatura definida
Baranyi ln(1 + lmaxs) (1998) = ln a(N0) N0!l alrededor del punto de inflexión de la curva de crecimiento sigmoidal
que provoca estimaciones demasiado altas de la tasa de crecimiento
Mc Kellar ln( pi(0)) pi(0) yo = 1,2,...,N(0)
específica máxima y el tiempo de retraso (Baranyi et al., 1993).
(2001)
Además, la función de Gompertz se basa en consideraciones
Se supone que el producto del tiempo de retardo k y la tasa de crecimiento
ecológicas en lugar de microbiológicas.
específica máxima lmax es constante para diferentes tasas de crecimiento, siempre
que el estado fisiológico de las células en el momento de la inoculación sea idéntico.
Por lo tanto, el estado fisiológico de las células también puede definirse por el Recientemente, Baty y Delignette-Muller (2004) observaron que
producto k lmax. los modelos de fase retardada basados en
Machine Translated by Google

IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 145

las hiptesis biolgicas actuales pueden en realidad ser

matemticamente equivalentes. Cabe señalar que compararon
solo las soluciones explícitas del modelo
ecuaciones sin incluir la función de inhibición.
Sin embargo, para estudiar los fenómenos de retardo causados por cambios
en el entorno, es importante utilizar dinámicas
ecuaciones modelo. Además, en contraste con sus
trabajo de investigación, esta contribución se centra en la
comportamiento dinámico de los modelos y discute críticamente
las ventajas y desventajas de los diferentes modelos en la
descripción de los fenómenos de retraso bajo
condiciones dinámicas (por ejemplo, la inducción de un intermedio
fase de latencia).

Fig. 5. Simulación del modelo de Baranyi y Roberts (1994). los

4.1.1. Modelos de población deterministas
4.1.1.1. Baranyi y Roberts (1994): una población
modelo de crecimiento Un determinismo comúnmente aceptado
modelo de crecimiento es el modelo de Baranyi y Roberts
la evolución del número de células (ln N) está representada por la línea continua,
mientras que la evolución de la función de ajuste a está representada por
la línea discontinua.
La función de ajuste a(t) fue derivada por Bar anyi y Roberts

(1994): (1994) de la siguiente manera. Ellos

asumió que el crecimiento está controlado por un

dN sustancia, P(t), que es vital para asegurar el crecimiento en el

Qtt NðtÞ
¼
lmáx ½1 NðtÞ ð2Þ nuevo ambiente. Entonces se supuso que el
dt 1 þ QðtÞ Nmáx
la dependencia del crecimiento de este producto sigue la
Cinética de Michaelis-Menten:

dQ
¼ lmax QðtÞ dt ð3Þ PðtÞ ¼
PðtÞ=Kp en QtÞ
eso ¼
Kp þ PðtÞ 1 þ PðtÞ=Kp 1 þ QðtÞ

donde N es la densidad celular (ufc/ml), lmax el

siendo Kp la llamada constante de semisaturación. Está
tasa máxima de crecimiento específico (1/h), Nmax la densidad
supone que Kp permanece constante, incluso si el real
celular máxima (ufc/ml) y Q una medida de la
el entorno cambia durante el crecimiento y, por lo tanto, la función
estado fisiológico de las células. La primera mano derecha
de ajuste a(t) depende de la relación
factor lateral de la ecuación. (2), es decir, Q(t)/(1 + Q(t)), es el
P(t)/Kp. Esta cantidad se puede utilizar para caracterizar
función de ajuste a(t). Esta función habilita la
el estado fisiológico de las células Q(t). De acuerdo a
transición de la fase de retardo a la exponencial
Baranyi y Roberts, la función de ajuste a(t) puede
fase de crecimiento, describiendo la disminución gradual
considerarse como una cantidad de tipo capacidad que expresa
efecto del entorno anterior incrustado en Q(0),
la proporción de la tasa de crecimiento específico potencial
representando el estado fisiológico inicial de las células
lmax (que está determinado por el entorno real)
en la inoculación. Cuando Q(0) comienza en un valor muy bajo,
que en realidad es alcanzado por las células.
y luego crece exponencialmente de acuerdo con la Ec. (3),
En este modelo, la relación entre el parámetro de retraso k y
a(t) evoluciona desde un valor pequeño hacia uno (ver Fig.
la tasa de crecimiento específica lmax (Ec. (1)) puede
5). Cuando a(t) llega a uno, ya no tiene influencia sobre
escribirse como (véase también la Tabla 1)
la evolución del número de células con el tiempo, y la
las células crecen exponencialmente, según el máximo 1
k lmáx ¼ ln 1 th ¼ lndäð0ÞÞJh0 ð4Þ
tasa de crecimiento específica lmax (aproximadamente). El tercero Qð0Þ
factor permite la transición de exponencial a
la fase estacionaria, inhibiendo el crecimiento cuando N(t) con Q(0) una medida del estado fisiológico inicial
se aproxima a Nmáx. de las células y h(t) una transformación estadísticamente estable
Machine Translated by Google
146 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
ción de Q(t) y a(t). Por lo tanto, en el modelo de Baranyi y Roberts,
el hworki está definido por h0, que se supone que depende solo de
la historia (estado fisiológico) de las células, a su vez definida por
las condiciones previas al cultivo hENV1i y la etapa de crecimiento
de las celdas. De la ecuación. (4), también se puede ver que la
duración de la fase de retraso está determinada por el estado
fisiológico inicial de las células Q(0), que es función de hENV1i y la
etapa de crecimiento de las células, así como la tasa de crecimiento
específica máxima lmáx (hENV2i). En este razonamiento, el producto
k lmax debe ser constante para diferentes curvas de crecimiento,
siempre que el estado fisiológico de las células en el momento de la
inoculación sea idéntico (es decir, el procedimiento de subcultivo
esté cuidadosamente estandarizado) (Baranyi y Roberts, 1994).
Mientras que Baranyi y Roberts (1994) intentaron introducir
algún significado mecanicista en su modelo, a saber, el parámetro
Q(0) que se define como el estado fisiológico inicial de las células,
correlacionado con la concentración de cierta sustancia crítica P(t )
que es vital para asegurar el crecimiento, el modelo sigue siendo
empírico ya que no indica cuál podría ser la sustancia crítica.
Además, una vez iniciado el crecimiento, el estado fisiológico de las
células Q(t) crece exponencialmente y sin límites. En consecuencia,
dado que el factor a(t), una vez que alcanza el valor uno, no puede
volver a disminuir a un valor más bajo, este modelo no puede
describir correctamente ninguna fase de retardo intermedio. Además,
el parámetro Q(0) sólo puede determinarse a posteriori, es decir,
mediante un procedimiento de ajuste.
Además, Alavi et al. (1999) observaron que este parámetro no
siempre permanece constante para una historia previa a la
inoculación constante y temperaturas de incubación cambiantes.
Estudiaron el crecimiento de L. monocytogenes en un producto
alimenticio, a saber, leche entera esterilizada, a temperaturas
constantes que oscilaban entre 4 °C y 35 °C con un inóculo cultivado
a 35 °C mediante recuentos viables. Se observó que el parámetro
de estado fisiológico inicial a(0) disminuyó (o disminuyó Q(0), es
decir, aumentó el trabajo a realizar, con temperaturas de incubación
decrecientes, es decir, mayores cambios negativos de temperatura.
Mellefont y Ross (2003) obtuvieron resultados similares , quienes
estudiaron el efecto de los cambios de temperatura en la duración
de la fase de latencia mediante mediciones de densidad óptica.
Estos autores utilizaron el concepto de tiempo de retraso relativo (es
decir, la relación de
tiempo de retraso dividido por el tiempo de generación) para
expresar la cantidad de trabajo que deben realizar las células (es
decir, ln(1 + 1/ Q(0))). En contraste con los cambios de temperatura
negativos, observaron que el tiempo de retraso relativo se mantuvo
más o menos constante con el aumento de los cambios de
temperatura positivos. A partir de estos resultados, se puede deducir,
por lo tanto, que solo para cambios de temperatura positivos, es
válida la suposición de Baranyi y Roberts (1994), a saber, que el
parámetro Q(0) es constante para condiciones de preincubación
constantes. Cabe señalar que Mellefont y Ross (2003) utilizaron la
ecuación de Gom pertz modificada con un factor de corrección para
la tasa de crecimiento para determinar la duración de la fase de
retraso. Persiste incertidumbre con respecto a la estimación de la
fase de retraso, especialmente porque aplican el modelo a datos de
fase exponencial tardía.
4.1.1.2. Hills y Wright (1994): un modelo de número de masa. Hills
y Wright (1994) distinguen, en su modelo cinético celular estructurado,
entre el crecimiento de la biomasa celular M y el aumento del número
de células viables N. Estas dos cantidades están relacionadas a
través de la biomasa total por célula s*, que es la suma de la biomasa
mínima por célula smin (la biomasa mínima por debajo de la cual las
células ya no son viables) y el exceso de biomasa por célula s:
M ¼ Ns* ¼ Nðsmin þ sÞ ð5Þ
s incluye las cantidades aumentadas de ADN, ARN, componentes
estructurales y masa citoplásmica que se encuentran en células de
crecimiento rápido en comparación con sus valores en células en su
estado mínimo viable. Al definir la biomasa mínima por celda como
la unidad de biomasa, Hills y Wright reescriben la igualdad (5) como:
M ¼ Ns* ¼ Nð1 þ sÞ ð6Þ
Debido a que la biomasa crece exponencialmente en un
crecimiento balanceado, y dado que, para los experimentos de
incremento nutricional, no se observa retraso en la biomasa, Hills y
Wright asumen en cualquier momento,
dM
1ÿ4 lmax MðtÞ ð7Þ
dt
Por el contrario, el aumento en el número de células N puede
exhibir un comportamiento de retraso, que parece ser sincrónico.
Machine Translated by Google
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
lizado con el exceso de biomasa por célula s. Por ello, proponen:
dN
¼ kn sðtÞ NðtÞ
dt
con kn proporcional a la constante de velocidad relacionada
con la síntesis de ADN por célula. Las constantes de velocidad
lmax y kn , en general, dependerán de los factores ambientales.
El modelo viene dado por las Ecs. (6), (7) y (8).
La evolución del exceso de biomasa s con el tiempo se puede
deducir de estas ecuaciones:
ds
¼ ðlmax knsÞð1 þ sÞ dt
El comportamiento del modelo se representa en la Fig. 6,
para el caso de inoculación con células en fase estacionaria
(s(0) = 0).
Observación cercana del modelo Mass-Number de Hills y
Wright (1994) (Ecs. (6), (7) y (8)) y el modelo de Baranyi y
Roberts (1994) (Ecs. (2) y (3) ) revela que ambos conceptos del
modelo son equivalentes.
En ambos modelos, las fases de retraso se describen mediante
una función creciente, respectivamente s(t) y a(t). Ambos
valores aumentan a un valor constante [1 para a(t), lmax/kn
para s(t)] y, una vez que se alcanza este valor constante, la
población exhibe un crecimiento exponencial a la tasa lmax.
Esto queda claro a partir de la comparación de las Figs. 5 y 6.
La ventaja del modelo de Hills y Wright (1994) es que el valor
adquirido de s(t) todavía puede
Fig. 6. Simulación del modelo de número de masa de Hills y Wright
(1994). La evolución del número de células (ln N) está representada por
la línea continua, la evolución de la biomasa (ln M) por la línea de puntos
y la evolución del exceso de biomasa por célula (s) por la línea discontinua.
147
cambia al cambiar las condiciones ambientales, porque un
cambio en la tasa de crecimiento específica máxima lmax da
como resultado un valor diferente para lmax/kn. Esto implica
que el modelo de Hills y Wright (1994) tiene el potencial de
ð8Þ
describir fases de retraso intermedias adicionales en condiciones
ambientales cambiantes, mientras que el modelo de Baranyi y
Roberts (1994) no lo tiene.
Para el modelo de Hills y Wright (1994), la relación entre la
duración de la fase de retraso y la tasa de crecimiento específica
también se puede escribir en la forma de Eq. (1) (ver también
Tabla 1):
k lmax ¼ ln½1 þ ðlmax=knÞ ð9Þ
En esta relación, la duración de la fase de retraso k solo
dependerá del entorno real hENV2i, porque kn y lmax son
funciones de hENV2i. Como solo se incluye hENV2i en esta
relación, el modelo será inadecuado para predecir el tiempo de
retraso. La comparación de esta formulación con la formulación
de kSlmax para el modelo de Baranyi y Roberts (1994) (ver
Tabla 1), revela la conexión entre los parámetros del modelo
Q0, lmax y kn. Nótese que esta relación (9) sólo puede
derivarse matemáticamente para s(0) = 0, es decir, inoculación
con cultivo en fase estacionaria. En otros casos (s(0)>0) se
observarán fases de latencia más cortas. Una desventaja de
este modelo es que se afirma que el parámetro kn es
proporcional a la constante de velocidad para la síntesis de
ADN por célula, pero en realidad sigue siendo un parámetro
empírico.
En situaciones en las que hay una fase de retraso
prolongada seguida de un crecimiento rápido, la suposición del
modelo de que la tasa de crecimiento específico de la biomasa
es constante en cualquier momento en condiciones ambientales
constantes (como se expresa en la Ec. (7)) ya no es válida.
Por lo tanto, Hills y Mackey (1995) ampliaron el modelo de Hills
y Wright (1994) para describir el comportamiento de retraso
tanto en la biomasa como en el número de células viables. En
su modelo de tres compartimentos, se supone que la tasa de
crecimiento de la biomasa depende de la concentración de
cierto factor de crecimiento esencial E (podría ser un grupo de
enzimas) en la población. A su vez, se supone que este factor
de crecimiento esencial crece a una tasa de crecimiento
específica constante en cualquier momento.
La Fig. 7 muestra simulaciones con el modelo de Hills y
Wright (1994) al aplicar un cambio brusco de temperatura. En
el caso de un cambio de temperatura positivo,
Machine Translated by Google
148 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
Fig. 7. Simulación de un cambio de temperatura positivo (figura superior)
y negativo (figura inferior) con el modelo de Hills y Wright (1994).
La evolución del número de células (ln N) está representada por la línea
continua, la evolución de la biomasa (ln M) por la línea discontinua y la
evolución del exceso de biomasa por célula (s) por la línea discontinua.
la evolución de ln N(t) exhibirá una respuesta retardada (lag).
Después de un cambio de temperatura negativo, la tasa de
crecimiento de ln N(t) disminuirá gradualmente (de forma
ligeramente convexa) hasta la nueva tasa de crecimiento
específica máxima lmax(T2). Esta predicción del modelo está en
contradicción con los datos presentados en la literatura (Ng et
al., 1962; Shaw, 1967). Este problema permanece para el modelo
de Hills y Mackey (1995).
4.1.1.3. McKellar (1997): modelo de población heterogénea
(HPM). El modelo de población heterogénea (estructurada)
supone que el inóculo se distribuye entre dos compartimentos,
es decir, una subpoblación que no crece (NG) y una que crece
(G). Por lo tanto, en el momento
cero, la densidad celular total N(t = 0) es igual a la suma de NG(t
= 0) y G(t = 0). Se supone además que no es posible la transición
de uno a otro compartimento. Por lo tanto, el compartimento que
no crece permanece constante durante el transcurso del
experimento, mientras que se supuso que las células en
crecimiento crecían de acuerdo con la función de crecimiento
logístico (ecuación (10)).
DNG
0 ð10Þ
dt
dG GdtÞ
¼ lmáx 1 GdtÞ
dt Nmáx
En la Fig. 8, se ilustra el comportamiento de este modelo y
se puede derivar geométricamente que
N0
k lmáx ¼ lnN0 lnG0 ¼ ln jw0
G0
de donde se deriva que la proporción de la población celular
inicial capaz de crecer es una medida del estado fisiológico inicial
de las células, representado por el parámetro w0, definiendo así
el trabajo a realizar (Ec. (1)) (ver también Tabla 1). La desventaja
de este modelo es, aparte de sus características no realistas [p.
ej., no hay transición del compartimiento NG al G (ver también
McKellar (2001), discutido en la Sección 4)], que no es capaz de
describir
Fig. 8. Simulación del modelo de población heterogénea (McKellar,
1997). La densidad celular total en N está representada por la línea
continua, la población creciente y no creciente en G y NG están
representadas por la línea discontinua y punteada, respectivamente.
Machine Translated by Google
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
fenómenos de retardo intermedio. El comportamiento de retraso se
fija con las condiciones iniciales N0 y G0, y no se puede modificar
durante el curso de una simulación, por ejemplo, para simular el
crecimiento microbiano en condiciones ambientales cambiantes.
4.1.2. Modelos estocásticos de población
Todos los modelos mencionados anteriormente son deterministas,
lo que significa que no están involucradas propiedades aleatorias.
En años más recientes, se puede observar una evolución hacia
enfoques de modelado estocástico, teniendo en cuenta la variabilidad
entre las celdas individuales.
Ross (1993) fue el primero en plantear la hipótesis de la influencia de
esta variabilidad en el tiempo de retraso de toda la población.
4.1.2.1. Buchanan et al. (1997): un modelo lineal trifásico. El modelo
lineal de tres fases describe una curva de crecimiento clásica en tres
partes: la fase de retraso y la fase estacionaria donde la tasa de
crecimiento específica es cero (l = 0), y la fase exponencial donde el
logaritmo de la población bacteriana aumenta linealmente con el
tiempo. (l = constante). Este modelo parece determinista pero la base
fisiológica del modelo, tal como lo proponen Buchanan et al. (1997),
incorpora aspectos estocásticos. Como base fisiológica de su modelo,
asumen que cada célula individual tiene un cierto tiempo de retraso
tLAGi y un cierto tiempo de generación tmi . Además, la duración de
la fase de latencia de una sola célula se subdivide en dos partes, a
saber, el período de ajuste si y el período metabólico tmi .
Durante el primer período si, las células se adaptan a su nuevo
entorno. El segundo período tmi es el tiempo necesario para que la
célula genere suficiente energía y sintetice los materiales biológicos
necesarios para la replicación celular.
tLAGi ¼ si þ tmi ði ¼ 1; 2; ... ; Naciones Unidas ð11Þ
Buchanan et al. (1997) establecieron que el tiempo de adaptación
si dependerá tanto de (i) el estado metabólico de la célula en relación
con su nuevo entorno, siendo este una función de la historia cultural
de la célula, como de (ii) la tasa metabólica general de la célula. , es
decir, tasas de transcripción y traducción de nuevos genes. Buchanan
et al. (1997) proponen, al igual que Ross (1993), que el período de
transición suave comúnmente observado desde el retraso hasta el
crecimiento exponencial de una población refleja la
149
variación biológica entre los valores de si y tmi asociados con las
células individuales de la población bacteriana. Argumentan que si las
varianzas de si y tmi son grandes, la transición de la fase de rezago a
la exponencial para toda la población será suave, mientras que para
varianzas muy pequeñas, la transición será abrupta. La curva de
crecimiento de la población muestra en ambos casos una fase de
retraso que coincide con el parámetro de fase de retraso k definido
geométricamente en la Fig. 1. Suponiendo que las varianzas asociadas
con si y tmi son muy pequeñas, se obtiene el modelo lineal de tres
fases.
El modelo se puede ajustar como una función empírica.
Sin embargo, de esta forma, el modelo pierde su carácter estocástico
y su significado biológico. Wu et al. (2000) propusieron medir las
distribuciones de si y tLAGi con un Bioscreen y microscopía directa,
respectivamente.
Como se mencionó en la Sección 2.2, se pueden hacer algunas
críticas con respecto a sus métodos y resultados.
Cabe señalar que, si bien su idea sobre la interpretación biológica
de la fase de latencia de una sola célula es consistente, se ha
cometido una interpretación errónea al transferir esta idea a la curva
de crecimiento de la población. La simulación del proceso de división
a partir de una sola célula (con variaciones insignificantes en si y tmi )
produce, al graficar el logaritmo del número de células en función del
tiempo, una curva de crecimiento con una fase de retraso igual a si,
es decir, el tiempo de adaptación , y no a tLAGi como indican
Buchanan et al. (1997). El parámetro geométrico comúnmente usado
k refleja el tiempo de adaptación si. Comparado con el modelo de
Baranyi y Roberts (1994) y, en mayor medida, con el modelo de
Gompertz (Garthright, 1991), el modelo lineal proporciona valores de
duración de la fase de retraso (población) más cortos.
4.1.2.2. Baranyi (1998): un modelo estocástico. Bar anyi (1998)
informa sobre la relación entre los tiempos de retraso si de la célula
individual y el tiempo de retraso k de la población. Esta relación
matemática se puede derivar de la siguiente manera. La población
total N(t) se subdivide en N0 subpoblaciones generadas por cada
célula individual del cultivo inicial (que consta de N0 células). Por
ejemplo, una población N(t) con una densidad celular inicial de 103
ufc/ml, es decir, N(0) = 103 puede subdividirse en 103 subpoblaciones.
, luego
El crecimiento de una sola célula a unamediante
subpoblación
una función
se describe
bifásica
Machine Translated by Google
150 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
que consta de una fase de retraso si (parte constante) y una fase
de crecimiento exponencial (parte lineal). Para el logaritmo
neperiano de la densidad de celdas y1(t), resultante de una celda
individual, esto da como resultado:
con
y1ðtÞ ¼ y1ð0Þ þ maxðlmaxi ðt siÞ; 0th
y1ð0Þ ¼ lnð1Þ ¼ 0
De manera similar, para una población inicial de células N0 ,
las curvas de crecimiento pueden describirse mediante la función
lineal bifásica
yN0 ðtÞ ¼ lnðN0Þ þ maxðlmaxðt kÞ; 0th
Dado que la población bacteriana total (ecuación (13)) se
define como la suma de las subpoblaciones que se originan en
cada célula individual (ecuación (12)), y para t>max(si), Baranyi
deriva el retraso de la población en la ecuación. (13) como
N0
y lmax
X trabajo (1) (ver también Tabla 1).
1 i¼1
k¼
en lmax N0
Definiendo ai = exp[ lmaxsi] (i = 1,2,...,N0) con ai variables
distribuidas idénticamente con su media aritmética convergente al
valor límite a cuando N0 aumenta, se sigue de la ecuación. (14)
que
k lmax lnðaÞ
límite N0!l
Para más detalles sobre estas derivaciones, se hace referencia
al artículo de Baranyi (1998).
Nótese la semejanza de la Ec. (15) con la ecuación general.
(1), y más particularmente también con la ecuación. (4), en el que
se utilizó a(t) para cuantificar la idoneidad de la población a un
nuevo entorno en el momento de la inoculación.
De manera similar, ai cuantifica la idoneidad de una celda individual.
La idoneidad de la población es entonces igual a la media aritmética
de la idoneidad de las celdas individuales para cualquier número
de celda N0. Dado que a es una transformación del estado
fisiológico del inóculo Q(0) (Baranyi y Roberts, 1994), esta relación
puede denominarse teorema del estado fisiológico (Baranyi y Pin,
1999). Además, suponiendo que los tiempos de retraso individuales
si siguen la exponencial
distribución con valor medio s, Baranyi (1998) obtiene
1
un ¼
1º lmaxs
Sustituyendo este resultado de nuevo en la Ec. (15) produce
ð12Þ
una relación entre el retraso de la población k y el tiempo de retraso
individual medio s (para N0! l):
k lmáx ¼ lnð1 þ lmáxsÞ
Baranyi (1998) proporcionó con esta ecuación una demostración
ð13Þ matemática detallada para sustentar la hipótesis de que el rezago
poblacional k converge a un valor menor que la media de los
rezagos individuales s. Esta es una consecuencia directa de una
distribución de tiempos de retraso: las células que tienen el tiempo
de retraso más corto afectarán más el tiempo de retraso observado
de la población porque comenzarán a crecer antes que las otras
células y, por lo tanto, dominarán la población (Ross, 1993) .
Nuevamente podemos notar aquí la semejanza con la hipótesis de
ð14Þ
Sin embargo, una desventaja de este modelo es que una serie
de suposiciones, por ejemplo, acerca de las distribuciones de los
tiempos de retardo individuales y los tiempos de generación (ambos
se supone que son exponenciales) y las interpretaciones
mecanicistas no se han verificado experimentalmente. Por tanto, el
modelo de Baranyi (1998) es totalmente empírico. Más tarde,
McKellar y Knight (2000) investigaron la influencia del tipo de
distribución en los tiempos de retraso de las celdas individuales.
ð15Þ
Sus simulaciones, así como los datos experimentales (ver también
Wu et al., 2000) sugieren una distribución normal a la inversa del
supuesto de una exponencial de este modelo.
Más recientemente, Metris et al. (2003) sugirió una distribución
Gamma para adaptarse a la variabilidad de los tiempos de retraso
individuales. Critican el bajo número de réplicas que ha utilizado
Wu et al. (2000) para determinar la distribución.
4.1.2.3. McKellar (2001): modelo continuo-discreto-continuo
(CDC). En el modelo de población heterogénea determinista de
McKellar (1997) (consulte la Sección 4.1.1), el comportamiento de
dos tipos de células (en crecimiento y sin crecimiento) se modeló
de forma independiente y no fue posible ninguna transición entre
los dos tipos de células. Sin embargo, esto no es realista. Ahí
Machine Translated by Google
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
adelante, McKellar y Knight (2000) han ampliado
este modelo a un modelo discreto-continuo en el que
permiten una transición del no crecimiento al
el compartimento de crecimiento. Este modelo combina un
paso discreto de adaptación, como una propiedad del individuo
células, con el modelo Logístico continuo para el crecimiento
bacteriano. La adaptación o el tiempo de retraso de un solo
se extrae de una celda truncada (solo valores positivos)
distribución normal con retraso medio de células individuales
tiempo s y variabilidad (SDs). Cuando una célula tiene
terminado su fase de retraso, el paso discreto hace que el
cambio celular de lo que no crece a lo que crece
compartimento, donde las células comienzan a crecer siguiendo una
relación Logística (como en la Ec. (10)). Este
El proceso se ejecuta simultáneamente para todas las celdas del
población inicial y, como resultado, una población
se obtiene la curva de crecimiento, a partir de la cual se puede
derivar el tiempo de retraso de la población.
Una limitación del modelo continuo discreto es
que el modelo no es dinámico en el rezago poblacional,
porque los eventos discretos se definieron como distribuciones
del tiempo de retardo individual s. Esto significa que el
los valores de H deben asignarse en t = 0 y no pueden
varió después del inicio de la simulación. Por lo tanto,
McKellar (2001) avanzó este modelo al agregar un
etapa de adaptación continua, previa a la etapa discreta,
para formar un modelo CDC. Este modelo consta de tres
compartimentos: no creciente (NG) y creciente (G)
células, y una matriz de valores para los estados fisiológicos iniciales
de células individuales ( pi). Como explicación mecanicista de pi(0),
adoptan la medida en que
qué genes de fase estacionaria se expresan y
sugieren que la adaptación puede considerarse como una reducción
dependiente del tiempo en la concentración de los productos génicos
de la fase estacionaria durante la adaptación a un nuevo
entorno de crecimiento:
ppp
¼ lmáx dt
Inicialmente, las celdas se asignan al compartimiento NG y dado
que las celdas aún tienen que adaptarse, hay
no hay células en el compartimento G. Tras la inoculación
(t = t0), los valores positivos para los estados fisiológicos de las
células individuales se asignan utilizando una normal truncada
distribución con media celular individual fisiológica
estado p0 y desviación estándar (SDp0). cuando por un
determinada celda, pi(t) se convierte en cero, el paso discreto
151
hace que la célula se desplace del compartimento de no crecimiento
al compartimento de crecimiento a partir del cual
encendido, se inicia el crecimiento logístico. Una trama cualitativa de
el modelo CDC se da en la Fig. 9. Las líneas punteadas discontinuas
representan cuatro valores pi que se han
elegido al azar de la normal antes mencionada
distribución.
La ventaja de este enfoque continuo-discreto-continuo es que el
modelo también es dinámico en
el retraso de la población, ya que lmax puede cambiar en función
de las condiciones ambientales durante la fase de latencia.
Sin embargo, dado que no se indica qué
se entiende por producto génico de fase estacionaria, el modelo es
todavía en gran medida empírica. McKellar (2001) indicó que,
matemáticamente, el valor pi(0) y el valor h0 en la ecuación.
(4) para el modelo de Baranyi y Roberts (1994) son
idéntico para el crecimiento de una sola celda (N (0) = 1),
mientras que los mecanismos subyacentes asumidos por el
modelos (producción de una sustancia crítica versus
reducción de productos génicos de fase estacionaria) son bastante
diferente. Además, pi y su distribución necesitan
ser conocido por la predicción.
Recientemente, McKellar et al. (2002a,b) caracterizado
el estado fisiológico medio de las células individuales p0 por
mediante mediciones de Bioscreen con genes de L. monocyto y
determinaron la influencia de la limitación del crecimiento
pH. El método Bioscreen se describe en la Sección 2.2.
Dado que, en condiciones ambientales constantes, el fol
ð16Þ
Fig. 9. Simulación del modelo continuo – discreto – continuo
(McKellar, 2001): ln( G + NG) (densidad celular total) (*); ln NG (sin
crecimiento) (j); en G (creciente) ( ); pi (estados fisiológicos iniciales para
cuatro celdas individuales elegidas al azar) (-.).
Machine Translated by Google
152 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
La relación de bajada entre s y p0 se puede calcular a partir de la
ecuación. (dieciséis)
ð17Þ
p0 ¼ s lmáx;
el valor de p0 se puede derivar geométricamente de la
Fig. 4 para que sea la diferencia entre las dos líneas
en la intersección x (ver McKellar et al., 2002b).
McKellar et al. (2002b) observaron que el parámetro p0
del estado fisiológico a nivel celular individual no se vio
afectado por el pH de crecimiento, incluso a valores de pH
que están cerca del límite de crecimiento. Mientras tanto, se
encontró que el parámetro h0 del estado fisiológico de la
población (véase la ecuación (4)) variaba cuando las células
se cultivaban en condiciones que limitaban el crecimiento
(véanse las referencias en McKellar et al., 2002b). McKellar
et al. (2002a) demostraron que el cambio en h0 (y por lo
tanto en el tiempo de retraso según la relación (4)) a un
valor de pH más bajo se debe al hecho de que, cerca del
límite de crecimiento, la variabilidad del estado fisiológico
individual SDp0 es mayor , y menos células son capaces de
iniciar el crecimiento. Por lo tanto, proponen un nuevo
parámetro adicional r0 como la proporción del inóculo capaz
de crecer bajo un conjunto específico de condiciones
ambientales. Particularmente cerca del límite de crecimiento/
no crecimiento, r0 disminuye significativamente. El nuevo
parámetro r0 parece ser distinto del parámetro de estado
fisiológico más tradicional ( p0).
A partir de estos resultados, se destaca claramente la
ventaja de la técnica estocástica basada en celdas
individuales (tanto a nivel experimental como de modelado).
Al definir el estado fisiológico inicial a nivel celular ( pi(0)),
surge la razón de un tiempo de retraso cambiante al
cambiar los valores de pH. Sin embargo, el parámetro de
estado fisiológico individual medio p0 es independiente de
los efectos de las condiciones ambientales (hENV2i), dada
una prehistoria específica (hENV1i).
4.2. Modelos secundarios
Los modelos secundarios describen la dependencia de
los parámetros del modelo primario de los factores ambientales.
En el pasado, los modelos secundarios para el tiempo de
retraso solo incorporaban el efecto del entorno de
incubación (hENV2i). En la actualidad, surgen cada vez
más modelos que incluyen otros factores relevantes, como
las condiciones de preincubación hENV1i. Esta evolución
se describe en las siguientes secciones.
4.2.1. Duración de la fase de latencia en función de hENV2i
La fase de retraso se ha tenido en cuenta en los
modelos secundarios de diferentes formas. Se han
publicado muchas revisiones y discusiones
interesantes, aunque parciales, sobre la aplicabilidad
de estos modelos (Adair et al., 1989; Ratkowsky et
al., 1991; Ross y McMeekin, 1994; Skinner et al.,
1994; Whiting, 1995).
Si la relación (1) se cumple, con (i) el tiempo de retraso
definido por k, (ii) la tasa por la tasa máxima de crecimiento
específico en el nuevo entorno y (iii) el trabajo solo depende
de las condiciones previas a la inoculación, el de La
dependencia del tiempo de retraso de las condiciones
ambientales para condiciones de precultivo idénticas puede
derivarse de la dependencia de la tasa de crecimiento
específica máxima de las condiciones ambientales. Este
concepto se utiliza dentro de los tipos de modelos de valores
cardinales (p. ej., Rosso et al., 1995; Le Marc et al., 2002).
Otros autores también aplicaron esta relación para cambiar
los modelos de tasa de crecimiento existentes, como las
relaciones de tipo Beÿlehra´dek o de raíz cuadrada (ver, por
ejemplo, Adair et al., 1989; Zwie tering et al., 1991; Devlieghere
et al., 2000). ) y el modelo lineal de Arrhenius (Davey, 1991),
en modelos de tiempo de retardo. Adair et al. (1989) modelaron
el inverso de los datos de tiempo de retraso con un modelo
de tipo raíz cuadrada. Sin embargo, esta no fue una
transformación apropiada, porque después de transformar las
predicciones del modelo a tiempos de retraso, se obtuvieron
grandes errores de predicción. Por lo tanto, sería mejor usar
la inversa de la ecuación de la tasa de crecimiento para
ajustar los datos del tiempo de retraso. Más aún, para limitar
la influencia de grandes errores de medición y aumentar la
estabilidad numérica, se utiliza una transformación logarítmica
en los datos experimentales y en las ecuaciones del modelo
(Adair et al., 1989; Zwietering et al., 1991). Por ejemplo, para
el modelo de raíz cuadrada de Ratkowsky et al. (1982), se
puede obtener la siguiente ecuación de tiempo de retardo:
1
lnðkÞ ¼ ln
" ðbðT TminÞÞ2 #
h 1/2)esy la
donde b es un parámetro de regresión (jC1Tmin
temperatura mínima conceptual para el crecimiento
(jC).
Como se señaló anteriormente al comienzo de
la Sección 4, Delignette-Muller (1998) ha subrayado
que la validez general de la relación (1) no ha sido
Machine Translated by Google
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
completamente explorado y que debe usarse con precaución.
Otros autores desarrollaron modelos secundarios
independientemente para el tiempo de generación y el tiempo
de retraso, por ejemplo, enfoques polinómicos (por ejemplo,
Gibson et al., 1988; Buchanan y Phillips, 1990; Zaika et al.,
1998) y enfoques de redes neuronales artificiales de baja
complejidad. (Geeraerd et al., 1998; García-Gimeno et al., 2002).
Se han publicado relaciones entre el tiempo de retardo k y la
temperatura, pH, NaNO2, NaCl, etc.
Sin embargo, la influencia combinada de todos estos factores
ambientales en la duración de la fase de latencia es demasiado
compleja y no puede interpretarse como efectos aditivos.
Robinson et al. (1998) enfatizaron, por lo tanto, que los efectos
del pH, la temperatura, etc., sobre el tiempo de retraso deben
investigarse por separado.
Zwietering et al. (1991) seleccionaron una ecuación
hiperbólica como el mejor modelo para describir la dependencia
de k con la temperatura:
pags
lnðkÞ ¼ 18Þ
Tq
donde q es la temperatura a la que el tiempo de retraso es infinito
y p es una medida de la disminución del tiempo de retraso
cuando aumenta la temperatura. Para explicar la variabilidad
observada entre experimentos de crecimiento replicados, Nicolaÿ¨
y Van Impe (1996) sustituyeron el parámetro determinista p en
la ecuación. (18) por un parámetro estocástico pV para
representar la variabilidad del estado fisiológico del inóculo.
Todas las relaciones discutidas anteriormente solo definen la
influencia de las condiciones ambientales reales hENV2i, por
ejemplo, temperatura, pH, en el tiempo de retraso, y no
consideran la historia de las células.
4.2.2. Duración de la fase de retraso como función de hENV1i y
hENV2i Como se mencionó en la Sección 3, las condiciones
previas al crecimiento también determinan la fase de retraso.
Los esfuerzos de modelado se han publicado en, por ejemplo,
Zwietering et al. (1994), Agustín et al. (2000b) y Whiting y Bagi
(2002).
Whiting y Bagi (2002) investigaron la influencia de la amplitud
de un cambio de temperatura en la duración de la fase de retraso
de las células en diferentes etapas de crecimiento. Incorporaron
los tiempos de retraso como función
153
de la temperatura de preincubación y de incubación en una
ecuación de regresión (polinomio). Los modelos de Zwietering et
al. (1994) y Agustín et al. (2000b) son hasta cierto punto
similares. Como ejemplo, el modelo de Augustin et al. (2000b)
se explica. Agustín et al. (2000b) incorporaron la influencia de la
temperatura previa a la inoculación y la duración previa a la
inoculación (etapa de crecimiento de las células) dentro de un
modelo secundario. El estudio se realizó para el nuevo
crecimiento de L. monocytogenes a baja temperatura. Las curvas
de crecimiento se ajustaron utilizando el modelo de crecimiento
logístico con retraso. Su configuración experimental se explica
en la Fig. 10(a y b). Después de una preincubación a temperatura
Ti durante un tiempo ti, las células se cultivan en las condiciones
reales a temperatura constante T (jC). Dependiendo de la
duración de la preincubación ti, estas células se encuentran en
fase de latencia, fase exponencial o fase estacionaria. De esta
forma, se puede investigar el efecto de ti sobre la duración del
tiempo de retraso en las condiciones reales. Debido a que la
tasa de crecimiento no está influenciada por las condiciones
previas a la incubación, desarrollaron su modelo para la
dependencia del producto kSlmax del tiempo y la temperatura
previos a la incubación. Desde un valor relativamente alto (largo
tiempo de latencia para las células que se inoculan desde la fase
de latencia), el producto kSlmax disminuye durante la fase de
latencia del crecimiento del inóculo hasta un valor de
aproximadamente 0 (es decir, sin fase de latencia para las
células inoculadas desde la fase de latencia ). la fase de
crecimiento exponencial). Durante la fase de crecimiento
exponencial del inóculo, el producto se mantiene en este valor
mínimo y aumenta gradualmente durante la fase estacionaria
(Fig. 10c). Se observó una evolución similar de kSlmax con la
duración de la preincubación para diferentes temperaturas de
preincubación (Fig. 10d). Una mayor temperatura de preincubación
Ti da como resultado una mayor tasa de crecimiento específica
máxima lmaxi y, en consecuencia, las células alcanzarán las
diferentes fases de crecimiento más rápidamente.
Estas observaciones son explicadas por Augustin et al.
(2000b) suponiendo que el crecimiento (aumento del número de
células) está controlado por un factor que debe alcanzar una
concentración crítica antes de que se produzca la división celular
y se supone que este factor está correlacionado con la biomasa
celular. Esta hipótesis fue sugerida por primera vez por Hills y
Wright (1994). Se supone que la biomasa aumenta
exponencialmente durante la fase de latencia con una tasa igual
a lmax. El crecimiento es entonces
Machine Translated by Google

154 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159

Fig. 10. Gráfico superior: configuración experimental: (a) curva de crecimiento en las condiciones de preincubación: lagi y lmaxi son el tiempo de demora y la tasa de
crecimiento específica máxima durante la preincubación; ts es el tiempo de entrada en la fase estacionaria y ti es la duración de la preincubación; (b) curva de
crecimiento en las condiciones de incubación. Gráfico inferior: (c) influencia de la duración de la preincubación en el producto k lmax; (d) influencia combinada de la
duración de la preincubación y la temperatura de preincubación en el producto k lmax. Las líneas punteadas, discontinuas y sólidas representan la evolución de k
lmax con el aumento de las temperaturas de Ti , respectivamente.

retrasado durante la fase de latencia hasta que la biomasa ha alcanzado
su valor crítico. Durante el retraso y la fase estacionaria, la biomasa
celular es menor que durante el crecimiento exponencial. Por lo tanto,
el tiempo de latencia será mayor cuando la inoculación se realice a
partir de estas etapas de crecimiento. El modelo global se puede
describir de la siguiente manera.
lo que expresa el hecho de que las células todavía tienen que aumentar
su biomasa al valor crítico, antes de que puedan comenzar a dividirse.
. Para inoculación a partir de células en fase de crecimiento
exponencial (ti>ki)
k lmáx ¼ 0

. Para la inoculación en el tiempo ti, cuando las células todavía

están en la fase de retraso (ti V ki), con la temperatura previa a la
inoculación Ti, la tasa de crecimiento correspondiente lmaxi y el tiempo
de retraso ki:
. Cuando el inóculo entra en la fase estacionaria en el tiempo ts, la
biomasa disminuye y por tanto el producto kSlmax aumenta. Se ajustó
una relación de raíz cuadrada a los datos,
uffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffff

k lmáx ¼ lmáx ðki tiÞ ðti tsÞ pk lmax ¼ k

Machine Translated by Google
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
con k = f(lmaxi ), ya que la tasa a la que las células disminuirán su
biomasa depende de la tasa a la que se agota el medio ambiente
y esto depende de la tasa de crecimiento lmaxi .
En este modelo, se incorpora algún conocimiento mecanicista
por medio de una biomasa crítica que debe alcanzarse antes de
que las células puedan comenzar a dividirse.
Para una serie de conjuntos de datos experimentales, los valores
previstos para kSlmax son adecuados, mientras que para otros los
valores previstos para kSlmax exhibieron una discrepancia
significativa con respecto a los observados. Esto indica que los
mecanismos incorporados al modelo aún no están completos.
Zwietering et al. (1994) también investigaron la duración de la
fase de latencia, obtenida ajustando los datos experimentales con
el modelo de Gompertz Modificado, después de un cambio de
temperatura. Observaron, en contraste con el modelo de Augustin
et al. (2000b), una fase de retraso distinta de cero para los cambios
de temperatura aplicada a las células en la fase exponencial.
5. Conclusiones y tendencias futuras
Se han discutido los enfoques de modelado actuales para el
comportamiento de retraso. Los modelos deterministas se pueden
organizar en orden de complejidad creciente de la siguiente manera.
El modelo de población heterogénea de McKellar (1997) y el
modelo de Baranyi y Roberts (1994) ya son dinámicos, es decir,
los modelos están representados por ecuaciones diferenciales.
Ambos modelos no pueden describir fenómenos de retardo
intermedio. El modelo dinámico de Hills y Wright (1994) es capaz
de describir fases de latencia intermedias y distingue entre biomasa
y número de células. Cabe señalar que los modelos con diferentes
estructuras matemáticas pueden producir el mismo comportamiento,
por ejemplo, los modelos de Baranyi y Roberts (1994) y Hills y
Wright (1994) son equivalentes para describir la fase de latencia
en condiciones de temperatura de crecimiento constante.
Tres modelos estocásticos se discuten con más detalle. El
modelo de Buchanan et al. (1997) es un modelo lineal trifásico que
diferencia entre el crecimiento de la biomasa y el número de
células, por medio de si y tmi . McKellar (2001) amplió su modelo
(McKellar, 1997) a un modelo dinámico continuo-discreto-continuo
con características más realistas. Finalmente, Baranyi (1998)
define la relación entre el indi
155
los tiempos de retraso si de la célula individual y el tiempo de retraso k de la población.
Estos tres modelos estocásticos no pueden describir fases
intermedias de retraso.
Las deficiencias generales son que los conceptos mecanicistas
asumidos de los modelos no se validan experimentalmente.
Además, la magnitud DENV y la tasa de cambio DENV/Dt entre el
entorno pasado y el actual no se incluyen en su mayoría de forma
explícita. En contraste con esta última conclusión general, solo
están los modelos de Hills y Wright (1994) y Hills y Mackey (1995),
que pueden, por lo tanto, describir fenómenos de retardo intermedio.
Además, otros factores que influyen, como las condiciones previas
al cultivo de hENV1i y la etapa de crecimiento de las células, a
menudo se agrupan en un parámetro (de ajuste). La etapa de
crecimiento solo se incorpora explícitamente en el modelo de Hills
y Wright (1994) y Hills y Mackey (1995).
En los modelos estocásticos, el efecto de todos los factores
influyentes se puede incluir a nivel de celda. Esto tiene la ventaja
de incluir la variabilidad entre las celdas.
Además, el efecto del tamaño del inóculo se incorpora
implícitamente (especialmente con números de células pequeños).
Tenga en cuenta que, también para los enfoques de modelado
estocástico, se puede observar una tendencia hacia modelos
dinámicos (más flexibles).
Para desarrollar modelos que sean de aplicación más general,
se deben incorporar más conocimientos sobre los mecanismos
biológicos subyacentes que causan el retraso.
Un primer paso es dividir la población de células en subpoblaciones,
por ejemplo, una población en crecimiento y una población que
no crece (por ejemplo, McKellar (1997)). Estos modelos son
clasificados por los autores como modelos compartimentales.
Más adelante, los modelos estructurados hacen una división dentro
de la célula. Ejemplos son el modelo de Baranyi y Roberts (1994),
los modelos de Hills y Wright (1994), Hills y Mackey (1995) y el
modelo de McKellar (2001).
El modelado estocástico también es una mejora aunque,
como se mencionó anteriormente, los parámetros estocásticos no
contienen conocimiento mecanicista verificado.
Sin embargo, recientemente se han desarrollado técnicas
experimentales para estudiar la distribución de células individuales
en una población (ver Sección 2.2). Un ejemplo de una técnica de
clasificación de células de este tipo es la citometría de flujo (Smelt
et al., 2002). Esta técnica también puede diferenciar entre células
viables pero no cultivables (Jacobsen et al., 1997; Budde y Rasch,
2001). Para incorporar conocimientos mecanísticos más básicos
sobre los fenómenos de retardo, se puede
Machine Translated by Google
156 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
apropiado para construir modelos microbianos en términos
de células individuales. Este es el dominio del modelado
basado en el individuo (IBM) (Bernaerts et al., 2003; Dens y
Van Impe, 2003). La idea básica detrás de este enfoque es
que, si es posible especificar las reglas que gobiernan el
comportamiento de las células, entonces el comportamiento
multicelular global puede explicarse por las interacciones
entre las actividades de las células individuales y su entorno.
Las reglas que constituyen el modelo reflejan el
comportamiento (supuesto) de las células individuales, como
el consumo de nutrientes, el crecimiento de la biomasa, la
división celular, el movimiento, la diferenciación, la
comunicación, etc., y sus respuestas a las condiciones
externas (Kreft et al., 1998). ). Además, se puede tener en
cuenta la variabilidad entre las células (tanto en los
parámetros celulares como en la etapa de crecimiento).
Ambos factores son muy importantes en la descripción del
comportamiento de retraso. Se pueden incorporar
antecedentes más mecanicistas, por ejemplo, introduciendo
un conjunto de enzimas, síntesis de proteínas, síntesis de
enzimas (p. ej., Hills y Mackey, 1995), contenido de ARN/
ADN, en el modelo. Sin embargo, esto requiere mediciones
más avanzadas a nivel de célula y/o población o ambos.
Otro cuello de botella para la aplicación del enfoque de
modelado basado en el individuo es que los modelos pueden
volverse relativamente complejos y computacionalmente
tediosos. Sin embargo, el conocimiento mecanicista obtenido
puede servir como guía en la construcción de nuevos
modelos macroscópicos con más antecedentes mecanicistas
que pueden ser fácilmente utilizados.
Agradecimientos
Este trabajo fue apoyado en parte por el Instituto para la
Promoción de la Innovación por la Ciencia y la Tecnología
en Flandes (IWT), el Fondo para la Investigación Científica
de Flandes (FWO Vlaanderen) a través del proyecto
G.0213.02 y por las Becas Postdoctorales de KB y AG ,
Proyectos OT/99/24, OT/03/30 e IDO/ 00/008 y la Beca
Postdoctoral de ED del Consejo de Investigación de la
Katholieke Universiteit Leuven, y el Programa Belga sobre
Polos de Atracción Interuniversitarios y el Segundo Programa
Científico Plurianual Plan de Apoyo a una Política de
Desarrollo Sostenible, iniciado por la Oficina Federal de
Política Científica de Bélgica. La responsabilidad científica
es asumida por sus autores.
Referencias
Adair, C., Kilsby, DC, Whittall, PT, 1989. Comparación del modelo Schoolfield
(Arrhenius no lineal) y el modelo de raíz cuadrada para predecir el
crecimiento bacteriano en los alimentos. Microbiología de los Alimentos 6,
7 – 18.
Alavi, SH, Puri, VM, Knabel, SJ, Mohtar, RH, Whiting, RC, 1999. Desarrollo y
validación de un modelo de crecimiento dinámico para Listeria
monocytogenes en leche entera fluida. Revista de Protección de Alimentos
62 (2), 170 – 176.
Augustin, J.-C., Rosso, L., Carlier, V., 1999. Estimación de la tasa de
crecimiento dependiente de la temperatura y el tiempo de retraso de
Listeria monocytogenes mediante mediciones de densidad óptica. Revista
de métodos microbiológicos 38, 137 - 146.
Augustin, J.-C., Brouillaud-Delattre, A., Rosso, L., Carlier, V., 2000a. Importancia
del tamaño del inóculo en el tiempo de retraso de Listeria monocytogenes.
Microbiología aplicada y ambiental 66 (4), 1706 - 1710.
Agustín, J.-C., Rosso, L., Carlier, V., 2000b. Un modelo que describe el efecto
del historial de temperatura en el tiempo de retraso para Listeria mono
cytogenes. Revista Internacional de Microbiología Alimentaria 57,
169 – 181.
Baranyi, J., 1997. Lo simple es bueno siempre que sea suficiente. Microbiología
de los Alimentos 14, 189 – 192.
Baranyi, J., 1998. Comparación de conceptos estocásticos y deterministas de
retraso bacteriano. Revista de biología teórica 192, 403 - 408.
Baranyi, J., Pin, C., 1999. Estimación de parámetros de crecimiento bacteriano
mediante tiempos de detección. Microbiología aplicada y ambiental 65 (2),
732 – 736.
Baranyi, J., Roberts, TA, 1994. Un enfoque dinámico para predecir el
crecimiento bacteriano en los alimentos. Revista internacional de
microbiología alimentaria 23, 277 - 294.
Baranyi, J., McClure, PJ, Sutherland, JP, Roberts, TA, 1993.
Modelado de respuestas de crecimiento bacteriano. Journal of Industrial
Microbiology 12, 190 – 194.
Baty, F., Delignette-Muller, ML, 2004. Estimación del tiempo de retraso
bacteriano: ¿qué modelo, qué precisión?. Revista Internacional de
Microbiología Alimentaria 91, 261 - 277.
Baty, F., Flandrois, JP, Delignette-Muller, ML, 2002. Modelado del tiempo de
retraso de Listeria monocytogenes a partir de datos de densidad óptica y
enumeración de conteo viable. Microbiología Ambiental y Aplicada 68 (12),
5816 – 5825.
Begot, C., Desnier, I., Daudin, JD, Labadie, JC, Lebert, A., 1996.
Recomendaciones para el cálculo de parámetros de crecimiento por
medidas de densidad óptica. Revista de métodos microbiológicos 25,
225 – 232.
Bernaerts, K., Servaes, RD, Kooyman, S., Versyck, KJ, Van Impe, JF, 2002.
Diseño de entrada de temperatura óptima para la estimación de los
parámetros del modelo de raíz cuadrada: precisión de los parámetros y
restricciones de validez del modelo. Revista Internacional de Microbiología
Alimentaria 73 (2 - 3), 145 - 157.
Bernaerts, K., Dens, E., Vereecken, K., Geeraerd, A., Devlieghere, F., J., Debevere,
J., Van Impe, JF, 2003. Modelado de la dinámica microbiana en condiciones
variables en el tiempo. En: McKellar, R., Lu, X.
(Eds.), Modelado de respuestas microbianas en alimentos, CRC Press,
Boca Raton, Capítulo 7, 243 – 261.
Machine Translated by Google
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
Bratchell, N., Gibson, AM, Truman, M., Kelly, TM, Roberts, TA, 1989. Predicción
del crecimiento microbiano: las consecuencias de la cantidad de datos. Revista
Internacional de Microbiología Alimentaria 8, 47 - 58.
Bre´and, S., Fardel, G., Flandrois, JP, Rosso, L., Tomassone, R., 1997. Un modelo
que describe la relación entre el tiempo de retraso y la duración del aumento
leve de la temperatura. Revista Internacional de Microbiología Alimentaria 38,
157 - 167.
Bre´and, S., Fardel, G., Flandrois, JP, Rosso, L., Tomassone, R., 1999. Un modelo
que describe la relación entre el tiempo de retraso del rebrote y el aumento
leve de la temperatura para Listeria monocytogenes.
Revista Internacional de Microbiología Alimentaria 46, 251 - 261.
Buchanan, RL, Cygnarowicz, ML, 1990. Un enfoque matemático para definir y
calcular la duración de la fase de retraso. Microbiología de los Alimentos 7,
237 – 240.
Buchanan, RL, Klawitter, LA, 1991. Efecto del historial de temperatura en el
crecimiento de Listeria monocytogenes Scott A a temperaturas de refrigeración.
Revista Internacional de Microbiología Alimentaria 12, 235 - 246.
Buchanan, RL, Klawitter, LA, 1992. El efecto de la temperatura de incubación, el
pH inicial y el cloruro de sodio en la cinética de crecimiento de Escherichia
coli O157:H7. Microbiología de los Alimentos 9, 185 – 196.
Buchanan, RL, Phillips, JG, 1990. Modelo de superficie de respuesta para predecir
los efectos de la temperatura, el pH, el contenido de cloruro de sodio, la
concentración de nitrito de sodio y la atmósfera sobre el crecimiento de Listeria
monocytogenes. Journal of Food Protection 53, 370 – 376.
Buchanan, RL, Solberg, M., 1972. Interacción de nitrito de sodio, oxígeno y pH en
el crecimiento de Staphylococcus aureus. Revista de ciencia de los alimentos
37, 81 - 85.
Buchanan, RL, Whiting, RC, Damert, WC, 1997. Cuando es lo suficientemente
simple: una comparación de los modelos lineales de tres fases, Gompertz y
Baranyi para ajustar las curvas de crecimiento bacteriano.
Microbiología de Alimentos 14, 313 – 326.
Budde, BB, Rasch, M., 2001. Un estudio comparativo sobre el uso de citometría
de flujo y unidades formadoras de colonias para la evaluación del efecto
antibacteriano de las bacteriocinas. Revista Internacional de Microbiología
Alimentaria 63, 65 - 72.
Casadei, MA, Cole, MB, McClure, P., 1995. Influencia de las fluctuaciones de
temperatura en el crecimiento de Aeromonas hydrophila.
Cartas de microbiología médica 4, 382 - 390.
Cheroutre-Vialette, M., Lebert, A., 2002. Aplicación de redes neuronales recurrentes
para predecir el crecimiento bacteriano en condiciones dinámicas. Revista
Internacional de Microbiología Alimentaria 73, 107 - 118.
Dalgaard, P., Koutsoumanis, K., 2001. Comparación de las tasas de crecimiento
específicas máximas y los tiempos de retraso estimados a partir de datos de
conteo viable y de absorbancia por diferentes modelos matemáticos. Revista
de métodos microbiológicos 43, 183 - 196.
Davey, KR, 1991. Aplicabilidad del modelo predictivo de Davey (Arrhenius lineal)
a la fase de retraso del crecimiento microbiano. Revista de Bacteriología
Aplicada 70, 253 – 257.
Delignette-Muller, ML, 1998. Relación entre el tiempo de generación y el tiempo
de retraso de la cinética de crecimiento bacteriano. Revista Internacional de
Microbiología Alimentaria 43, 97 - 104.
Dens, EJ, Van Impe, JF, 2003. Modelización aplicada a los alimentos: el caso de
los alimentos sólidos. En: Zeuthen, P., Bøgh-Sørensen, L.
157
(Eds.), Técnicas de conservación de alimentos. Publicación de Woodhead,
ISBN 1-85573-530-X, cap. 21, 475-506.
Devlieghere, F., Geeraerd, AH, Versyck, KJ, Bernaert, H., Van Impe, JF, Debevere,
J., 2000. Vida útil de productos cárnicos cocidos envasados en atmósfera
modificada: adición de lactato de sodio como cuarta vida útil factor determinante
en la validación de un modelo y producto.
Revista Internacional de Microbiología Alimentaria 58, 93 - 106.
Dufrenne, J., Delfgou, E., Ritmeester, W., Notermans, S., 1997. El efecto de las
condiciones de crecimiento previas en el tiempo de fase de latencia de algunos
microorganismos patógenos transmitidos por los alimentos. Revista
Internacional de Microbiología Alimentaria 34, 89 - 94.
Francois, K., Devlieghere, F., Standaert, AR, Geeraerd, AH, Van Impe, JF,
Debevere, J., 2003a. Modelado de la fase de retraso individual. Aislamiento
de células individuales: desarrollo de protocolos. Letras en Microbiología
Aplicada 37, 26 – 30.
Francois, K., Devlieghere, F., Standaert, AR, Geeraerd, AH, Van Impe, JF,
Debevere, J., 2003b. Modelado de la fase de retraso de células individuales:
efecto de la temperatura y el pH en la distribución de retraso de células
individuales de Listeria monocytogenes. En: Van Impe, JFM, Geeraerd, AH,
Legue´rinel, I., Mafart, P. (Eds.), Predictive Modeling in Foods-Conference
Proceedings. Universidad Católica de Lovaina/BioTeC, Bélgica, pp. 200 - 202.
ISBN 90-5682-400-7.
Fu, B., Taoukis, PS, Labuza, TP, 1991. Microbiología predictiva para monitorear
el deterioro de productos lácteos con integradores de tiempo y temperatura.
Revista de ciencia de los alimentos 56 (5), 1209 - 1215.
Garcia-Gimeno, RM, Herva´s-Martÿ´nez, C., de Silo´niz, MI, 2002.
Mejora de redes neuronales artificiales con metodología de poda y algoritmos
genéticos para su aplicación en la predicción del crecimiento microbiano en
alimentos. Revista internacional de microbiología alimentaria 72, 19 - 30.
Garthright, WE, 1991. Refinamientos en la predicción de las curvas de crecimiento
microbiano. Microbiología de los Alimentos 8, 239 – 248.
Geeraerd, AH, Herremans, CH, Cenens, C., Van Impe, JF, 1998. Aplicación de
redes neuronales artificiales como técnica de modelado modular no lineal
para describir el crecimiento bacteriano en productos alimenticios refrigerados.
International Journal of Food Microbi ology 44, 49 – 68.
Geeraerd, AH, Herremans, CH, Van Impe, JF, 2000. Requisitos del modelo
estructural para describir la inactivación microbiana durante un tratamiento
térmico suave. Revista Internacional de Microbiología Alimentaria 59, 185 -
209.
Gibson, AM, Bratchell, N., Roberts, TA, 1988. Predicción del crecimiento
microbiano: respuestas de crecimiento de las salmonelas en un medio de
laboratorio afectadas por el pH, el cloruro de sodio y la temperatura de
almacenamiento. Revista Internacional de Microbiología Alimentaria 6, 155 -
178.
Hills, BP, Mackey, BM, 1995. Modelos cinéticos multicompartimentales para
lesión, reanimación, retraso inducido y crecimiento en poblaciones de células
bacterianas. Microbiología de los Alimentos 12, 333 – 346.
Hills, BP, Wright, KM, 1994. Un nuevo modelo para el crecimiento bacteriano en
sistemas heterogéneos. Revista de Biología Teórica 168,
31 – 41.
Hudson, JA, 1993. Efecto de la temperatura de preincubación en el tiempo de
retraso de Aeromonas hydrophila. Letras en Microbiología Aplicada 16, 274 -
276.
Hudson, JA, Mott, SJ, 1994. Comparación de tiempos de retraso obtenidos
Machine Translated by Google
158 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
a partir de datos de densidad óptica y recuento viable para una cepa de
Pseu domonas fragi. Revista de Seguridad Alimentaria 14, 329 – 339.
Ingraham, JL, Marr, AG, 1996. Efecto de la temperatura, presión,
pH y estrés osmótico en el crecimiento. En: Neidhardt, FC, Curtiss
III, R., Ingraham, JL, Lin, ECC, Bajo, KB, Magasanik, B.,
Reznikoff, WS, Riley, M., Schaechter, M., Umbarger, HE
(Eds.), Escherichia coli y Salmonella: celular y molecular
Biología. ASM Press, Washington, DC, págs. 1570 - 1578.
Jacobsen, CN, Rasmussen, J., Jakobsen, M., 1997. Tinción de viabilidad y
detección por citometría de flujo de Listeria monocytogenes.
Diario de métodos microbiológicos 28 (1), 35 - 43.
Kreft, JU, Booth, G., Wimpenny, JWT, 1998. Bacsim, un simulador para el
modelado individual del crecimiento de colonias bacterianas.
Microbiología 144, 3275 – 3287.
Le Marc, Y., Huchet, V., Bourgeois, CM, Guyonnet, JP, Mafart,
P., Thuault, D., 2002. Modelado de la cinética de crecimiento de Listeria
en función de la temperatura, el pH y la concentración de ácidos orgánicos.
Revista Internacional de Microbiología Alimentaria 73, 219 - 237.
McDonald, K., Sun, D.-W., 1999. Microbiología alimentaria predictiva para
La industria cárnica: una revisión. Revista Internacional de Microbiología
Alimentaria 52, 1 – 27.
McKellar, RC, 1997. Un modelo de población heterogénea para el
análisis de la cinética de crecimiento bacteriano. Revista Internacional de
Microbiología de los Alimentos 36, 179 – 186.
McKellar, RC, 2001. Desarrollo de un continuo dinámico –
modelo discreto-continuo que describe la fase de retraso de las células
bacterianas individuales. Revista de Microbiología Aplicada 90,
407 – 413.
McKellar, RC, Knight, KP, 2000. Un modelo combinado discreto-continuo que
describe la fase de latencia de Listeria monocytogenes.
Revista Internacional de Microbiología Alimentaria 54, 171 – 180.
McKellar, RC, Lu, X., Knight, KP, 2002a. propuesta de novela
parámetro para describir la influencia del pH en la fase de latencia de
Listeria monocytogenes. International Journal of Food Microbi ology 73 (2),
127 – 135.
McKellar, RC, Lu, X., Knight, KP, 2002b. El pH de crecimiento no
afectan el parámetro del estado fisiológico inicial (p0) de Listeria
monocitogenes. Revista Internacional de Microbiología Alimentaria 73
(2), 137 – 144.
McMeekin, TA, Olley, J., Ross, T., Ratkowsky, DA, 1993. Microbiología predictiva:
teoría y aplicación. Research Studies Press, Taunton, Reino Unido. 340
págs.
McMeekin, TA, Brown, J, Cristo, K, Miles, D, Neumeyer, K.
Nichols, DS, Olley, J., Presser, K., Ratkowsky, DA, Ross,
T., Salter, M., Soontranon, S., 1997. Microbiología cuantitativa: una base
para la seguridad alimentaria. Enfermedades Infecciosas Emergentes 3 (4),
541 – 549.
McMeekin, TA, Olley, J., Ratkowsky, DA, Ross, T., 2002. Microbiología predictiva:
hacia la interfaz y más allá. Revista internacional de microbiología alimentaria
73, 395 – 407.
Mellefont, LA, Ross, T., 2003. El efecto de los cambios bruscos de temperatura
en la duración de la fase de latencia de Escherichia coli y Kleb siella oxytoca.
Revista Internacional de Microbiología Alimentaria 83,
295 – 305.
Mellefont, L., Neumeyer, K., McMeekin, TA, Ross, T., 2000.
Inducción y manipulación de tiempos de latencia bacterianos. En: Furgoneta
Impe, JFM, Bernaerts, K. (Eds.), Modelado predictivo en
Actas de la Conferencia de Alimentos. KULeuven/BioTeC, Bélgica,
páginas. 70 - 72. ISBN 90-804818-3-1.
Membre´, J.-M., Ross, T., McMeekin, T., 1999. Comportamiento de Listeria
monocytogenes bajo procesos combinados de enfriamiento. Letras
en Microbiología Aplicada 28, 216 – 220.
Metris, A., George, SM, Peck, MW, Baranyi, J., 2002. Efecto de
cloruro de sodio y el pH en la distribución de los tiempos de retraso de
células individuales de Listeria innocua. En: Duby, C., Cassar, JP
(Eds.), Actas de la Séptima Conferencia Europea Industria Alimentaria y
Estadísticas. Lille-Cit Scientifique, Villeneuve d'Asq,
Francia, págs. 61 - 66. ISBN 2-7380-1016-4.
Metris, A., George, SM, Peck, MW, Baranyi, J., 2003. Distribución de tiempos de
detección de turbidez producidos por poblaciones bacterianas generadas
por células individuales. Revista de métodos microbiológicos
55, 821 – 827.
Ng, H., Ingraham, JL, Marr, AG, 1962. Daño y desrepresión
en Escherichia coli como resultado del crecimiento a bajas temperaturas.
Revista de bacteriología 84, 331 - 339.
Nicolaÿ¨, BM, Van Impe, JF, 1996. Microbiología predictiva de alimentos:
un enfoque probabilístico. Mathematics and Computers in Simu lation 42,
287 – 292.
Pascual, C., Robinson, TP, Ocio, MJ, Aboaba, OO, Mackey,
BM, 2001. El efecto del tamaño del inóculo y la lesión subletal.
sobre la capacidad de Listeria monocytogenes para iniciar el crecimiento
en condiciones subóptimas. Letras en Microbiología Aplicada
33, 357 – 361.
Pirt, SJ, 1975. Principios del cultivo de microbios y células. Negro
Bueno, Oxford. 247 págs.
Poschet, F., Bernaerts, K., Geeraerd, AH, Scheerlink, N., Nicolaÿ¨,
JF, Van Impe, JF, 2004. Análisis de sensibilidad de microbios
distribuciones de parámetros de crecimiento con respecto a la calidad de los datos
y cantidad utilizando el análisis de Monte Carlo. Matemáticas y
Computadoras en simulación 65 (3), 231 - 243.
Rajkowski, K., Marmer, BS, 1995. Crecimiento de Escherichia coli
O157:H7 a temperaturas de incubación fluctuantes. Diario de
Protección de Alimentos 58 (12), 1307 – 1313.
Ratkowsky, DA, Olley, J., McMeekin, TA, Ball, A., 1982. Relación entre la
temperatura y la tasa de crecimiento de cultivos bacterianos. Revista de
bacteriología 149 (1), 1 - 5.
Ratkowsky, DA, Ross, T., McMeekin, TA, Olley, J., 1991. Comparación de los
modelos de tipo Arrhenius y Beÿlehra´dek para la predicción del crecimiento
bacteriano en los alimentos. Diario de Aplicado
Bacteriología 71, 452 – 459.
Robinson, TP, Ocio, MJ, Kaloti, A., Mackey, BM, 1998. El
efecto del entorno de crecimiento en la fase de latencia de Listeria
monocitogenes. Revista Internacional de Microbiología Alimentaria 44,
83 – 92.
Robinson, TP, Aboaba, OO, Kaloti, A., Ocio, MJ, Baranyi, J.,
Mackey, BM, 2001. El efecto del tamaño del inóculo en el retraso
fase de Listeria monocytogenes. Revista internacional de alimentos
Microbiología 70, 163 – 173.
Ross, T., 1993. Una filosofía para el desarrollo de modelos cinéticos.
en microbiología predictiva. Tesis doctoral. universidad de tasmania,
Australia, 215 págs.
Ross, T., 1999. Microbiología predictiva para la industria cárnica. Carne
y Livestock Australia, North Sydney. 196 págs.
Ross, T., McMeekin, TA, 1994. Microbiología predictiva: re
Machine Translated by Google
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
ver papel. Revista Internacional de Microbiología Alimentaria 23, 241 -
264.
Rosso, L., Lobry, JR, Bajard, S., Flandrois, JP, 1995. Modelo conveniente
para describir los efectos combinados de la temperatura y el pH en el
crecimiento microbiano. Microbiología Ambiental y Aplicada 61 (2), 610
– 616.
Shaw, MK, 1967. Efecto del cambio brusco de temperatura en el crecimiento
de levaduras mesófilas y psicrófilas. Revista de bacteriología 93 (4),
1332 - 1336.
Skinner, GE, Larkin, JW, Rhodehamel, EJ, 1994. Modelado matemático del
crecimiento microbiano: una revisión. Revista de Seguridad Alimentaria
14, 175 - 217.
Smelt, JPPM, Otten, GD, Bos, AP, 2002. Modelado del efecto de la lesión
subletal en la distribución de los tiempos de retraso de Lac tobacillus
plantarum. International Journal of Food Microbiology 73, 207 – 212.
Smith, MG, 1985. El tiempo de generación, el tiempo de retraso y la
temperatura mínima de crecimiento de organismos coliformes en la
carne, y las implicaciones para los códigos de práctica en los mataderos.
Revista de Higiene 94, 289 – 300.
Standaert, AR, Geeraerd, AH, Bernaerts, K., Francois, K., Dev lieghere, F.,
Debevere, J., Van Impe, JF, 2003. Obtención de células individuales:
análisis y evaluación de un protocolo experimental mediante un modelo
de simulación. En: Van Impe, JFM, Geeraerd, AH, Legue´rinel, I., Mafart,
P. (Eds.), Predictive Modeling in Foods-Conference Proceedings.
KULeuven/BioTeC, Bélgica, págs. 203 - 205. ISBN 90-5682-400-7.
Van Impe, JFM, Geeraerd, AH, Legue´rinel, I., Mafart, P. (Eds.), 2003.
Predictive Modeling in Foods-Conference Proceedings.
Universidad Católica de Lovaina/BioTeC, Bélgica. ISBN 90-5682-400-7,
347 págs.
159
Walker, SJ, Jones, JE, 1993. Protocolos para la generación de datos para el
modelado predictivo. Revista de Microbiología Industrial 12, 273 - 276.
Whiting, RC, 1995. Modelado microbiano en alimentos. Reseñas críticas en
ciencia de los alimentos y nutrición 35 (6), 467 - 494.
Whiting, RC, Bagi, LK, 2002. Modelado de la fase de retraso de Listeria
monocytogenes. Revista internacional de microbiología alimentaria 73
(2 - 3), 291 - 295.
Wu, Y., Griffiths, MW, McKellar, RC, 2000. Una comparación del método
Bioscreen y la microscopía para la determinación de los tiempos de
retraso de células individuales de Listeria monocytogenes. Letras en
Microbiología Aplicada 30, 468 – 472.
Zaika, LL, Phillips, JG, Fanelli, JS, Scullen, OJ, 1998. Modelo revisado para
el crecimiento aeróbico de Shigella flexneri para extender la validez de
las predicciones a temperaturas entre 10 y 19. International Journal of
Food Microbiology 41, 9 – 19.
Zwietering, MH, Jongenburger, I., Rombouts, FM, Van't Riet, K., 1990.
Modelado de la curva de crecimiento bacteriano. Microbiología aplicada
y ambiental 56 (6), 1875 - 1881.
Zwietering, MH, De Koos, JT, Hasenack, BE, De Wit, JC, Van't Riet, K.,
1991. Modelización del crecimiento bacteriano en función de la
temperatura. Microbiología Ambiental y Aplicada 57 (4), 1094 – 1101.
Zwietering, MH, Rombouts, FM, van't Riet, K., 1992. Comparación de las
definiciones de la fase de latencia y la fase exponencial en el crecimiento
bacteriano. Revista de bacteriología aplicada 72, 139 - 145.
Zwietering, MH, De Wit, JC, Cuppers, HGAM, van't Riet, K., 1994.
Modelización del crecimiento bacteriano con cambios de temperatura.
Microbiología aplicada y ambiental 60 (1), 204 – 213.