Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
Palabras llave: Fase de latencia; La temperatura; Historia de la cultura; Microbiología predictiva; Modelado
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
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 139
2.1. Definición de retraso utilizado para calcular el tiempo de retraso, ya que esto facilita la
comparación con los valores de la literatura.
Buchanan y Solberg (1972) usaron el tiempo para que la
densidad de población inicial se duplicara como una definición de 2.2. Medición del tiempo de retraso
la fase de retraso. Pirt (1975) definió el retraso del crecimiento
como un período de transición durante el cual la tasa específica Evidentemente, el desarrollo de un modelo requiere la
de crecimiento aumenta hasta el valor máximo característico del generación de datos experimentales. El método utilizado para
ambiente de cultivo. Dada la típica curva de crecimiento de tipo generar y registrar datos es imperativo para la aplicación práctica
sigmoidal (es decir, el logaritmo (natural) de la densidad celular y el éxito de un modelo (Walker y Jones, 1993). Por lo tanto, en
en función del tiempo) observada en un entorno constante (ver esta sección, los métodos que se han utilizado para medir el
Fig. 1), la duración de la fase de retraso k se puede cuantificar tiempo de retraso se analizan con más detalle.
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 2.2.1. Tiempo de retraso de la
embargo, no siempre es aplicable a condiciones ambientales población Se utilizan comúnmente dos métodos para
variables en el tiempo, donde la fase de retraso y la fase de monitorear el crecimiento de una población bacteriana. El método
crecimiento exponencial pueden ser menos distintas. Buchanan y de medición estándar es el conteo viable total. Sin embargo, este
Cygnarowicz (1990) propusieron una definición alternativa para es un método muy laborioso y bastante caro. Además, para
calcular el tiempo de retraso en el crecimiento bacteriano como el estimaciones precisas de los parámetros de crecimiento, el
momento en el que el cambio de la tasa de crecimiento específico número de observaciones (conteos) realizados por curva de
es máximo (aceleración máxima de la tasa de crecimiento): este crecimiento y la calidad (es decir, la incertidumbre en los puntos
es el primer instante en el que la tercera derivada del logaritmo de datos experimentales) de esos conteos son muy importantes
naperiano del número de organismos con respecto al tiempo es (Bratchell et al., 1989; Poschet et al. Alabama.
cero. Como la diferencia entre ambos tiempos de retraso 2004). Se recomienda recopilar un mínimo de 10 puntos de datos
resultantes suele ser mínima para una curva de crecimiento (Walker y Jones, 1993).
sigmoidal clásica, como se ilustra en la Fig. 3, Zwietering et al. Además, Baty y Delignette-Muller (2004) compararon el ajuste
(1992) recomendaron que la definición convencional debería ser 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. es decir, el tiempo que tarda una población celular en alcanzar
Además , Poschet et al. (2004) han indicado que no solo la un nivel detectable de turbidez. Baranyi y Pin (1999), por ejemplo,
cantidad de datos, sino también el posicionamiento de estos datos propusieron un nuevo método numérico, es decir, un protocolo
en el tiempo tiene una influencia sustancial en la incertidumbre de de análisis de varianza, para estimar la fase de latencia mediante
los parámetros del modelo. En base a sus resultados, se puede tiempos de detección de cultivos diluidos en serie. Sin embargo,
deducir que, para el modelo de Baranyi y Roberts (1994), la no se presentaron datos experimentales para comparar los
incertidumbre sobre los parámetros del modelo se reducirá valores de los parámetros obtenidos con los valores obtenidos
mediante un muestreo intenso durante las zonas de transición con recuentos viables.
entre la fase rezagada y la fase exponencial y entre la fase
exponencial y la fase estacionaria. Sin embargo, la variabilidad de las estimaciones de los
parámetros de crecimiento (especialmente las estimaciones del
Un segundo método se basa en mediciones de absorbancia tiempo de retraso) no solo se debe a la técnica utilizada para
o densidad óptica (DO). Aunque las técnicas de DO son rápidas, controlar el crecimiento bacteriano, sino también al modelo
económicas y relativamente fáciles de automatizar, existen utilizado para ajustar los datos de crecimiento (Dalgaard y
muchos inconvenientes inherentes a estas técnicas. El principal Koutsoumanis, 2001; Baty et al. ., 2002). Se han realizado
problema es el rango limitado de validez ya que el umbral de comparaciones entre los tiempos de retraso estimados a partir de
detección normalmente corresponde a una concentración la densidad óptica y los datos de conteo viables por diferentes
bacteriana en el rango de 106 – 107 bacterias/ml (Begot et al., modelos. Agustín et al. (1999) compararon varios métodos y
1996). concluyeron que para el modelo Logístico con retardo, una
Situando esta concentración en una curva de crecimiento, se combinación de algunos conteos viables y datos de absorbancia
puede deducir que se alcanza la fase de crecimiento exponencial dieron como resultado la estimación más precisa del tiempo de
tardío y, en consecuencia, podrían obtenerse estimaciones retardo. Por el contrario, Dalgaard y Koutsoumanis (2001)
erróneas de la fase de retraso debido a otros factores que influyen demostraron que la tasa de crecimiento específica máxima y, por
en el final del crecimiento. Sin embargo, también es posible lo tanto, el tiempo de retraso se podían estimar con precisión y
cuantificar los parámetros de crecimiento cuando el tamaño del con una precisión razonable a partir de las curvas de crecimiento
inóculo está por debajo del umbral de detección. En este caso, de la absorbancia utilizando el modelo de Richards (ver, por
se debe conocer el recuento inicial de células y una ecuación de ejemplo, Zwietering et al. ., 1990). Además, la exactitud y precisión
calibración. Bre´and et al. (1997), por ejemplo, los tiempos de de estos valores correspondieron a los valores estimados a partir
retraso estimados desde el punto de intersección entre la línea de los tiempos de detección de absorbancia de cultivos diluidos
recta extrapolada con una pendiente igual a la tasa de crecimiento en serie (probando el método propuesto por Baranyi y Pin, 1999).
estimada (basada en mediciones detectables de OD) en un punto Sin embargo, una desventaja es que se necesitan algunas
de crecimiento visible y la línea horizontal en el registro de la mediciones de conteo viable adicionales para determinar la fase
conteo inicial de células. Cualquiera que sea el método utilizado, de retraso a partir de los datos de absorbancia. Bati et al. (2002)
en general, parece que los parámetros de crecimiento estimados también compararon las estimaciones del tiempo de retraso
a partir de OD y conteos viables son desiguales. Hudson y Mott obtenidas ajustando diferentes modelos (Baranyi y Roberts, 1994;
(1994), por ejemplo, ajustaron la ecuación de Gompertz modificada Hills y Wright, 1994 y un modelo exponencial con retraso) a
(Zwietering et al., 1990) a los datos de crecimiento de diferentes tipos de datos (OD y datos de conteo viable).
Pseudomonas fragi (tanto como recuentos viables como Concluyeron que, en general, la elección del modelo ajustado
mediciones de OD, comenzando con un tamaño de inóculo por para estimar el tiempo de retraso parece ser crucial, mientras que
encima del límite de detección) y obtuvieron sistemáticamente la técnica utilizada para monitorear el crecimiento bacteriano
Estimaciones de tiempo de retraso más bajas a partir de datos parece ser menos influyente. Sin embargo, las comparaciones
OD que a partir de datos de conteo viables. Esta discrepancia individuales a veces revelaron discrepancias entre las estimaciones
entre los tiempos de retraso medidos por la DO y el recuento de tiempo de retraso en la OD y los datos de recuento viables. En
viable se explica por un aumento en la longitud celular durante la contraste con Hudson y Mott (1994), no se observó un sesgo
fase de retraso. Como alternativa a la medición de toda la curva sistemático en estas estimaciones del tiempo de retraso. Además,
de crecimiento de la turbidez, otros autores propusieron el uso observaron durante aproximadamente la mitad de sus experimentos
del tiempo de detección observado, 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
142 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
tiempos de división consecutivos) desde el tiempo hasta la caso general de retraso intermedio, en un momento determinado
primera división (tLAG), aunque los autores afirman lo contrario. durante el experimento de crecimiento, tiene lugar un cambio en
Por lo tanto, se puede criticar que el método Bioscreen carece las condiciones ambientales. hENV1i luego designa las
de precisión para determinar el tiempo de retraso individual. condiciones ambientales previas al turno mientras que hENV2i
Sin embargo, François et al. (2003b) también han mostrado la designa las condiciones ambientales posteriores al turno (reales).
posibilidad de calcular el tiempo de retardo de células individuales También en una situación práctica, la microflora contaminante
utilizando un lector de microplacas. Previamente se desarrolló un puede experimentar una fase de retraso cuando las condiciones
protocolo para aislar células individuales con un alto rendimiento ambientales son dinámicas, por ejemplo, en el momento de la
(80%) (Francois et al., 2003a). Midieron mediante medidas de DO contaminación, al agregar componentes antimicrobianos, o
y una curva de calibración la parte superior de la curva de cuando ocurre un cambio, por ejemplo, en las condiciones de
crecimiento clásica. Haciendo una extrapolación lineal de la fase temperatura. Los factores que influyen en la duración del tiempo
exponencial, la fase de retraso individual se puede calcular a de retraso son las (cambios en) las condiciones ambientales, la
partir de la parte lineal de la fase exponencial y la línea horizontal identidad y el fenotipo de la bacteria (Buchanan y Cygnar owicz,
del nivel de inóculo. Se puede notar que esta técnica de 1990), la etapa de crecimiento o la historia fisiológica de las
extrapolación es idéntica al método de Bre´and et al. (1997) para células (McMeekin et al., 1993) y, en caso de un tamaño de
calcular el tiempo de retraso de la población. El nivel de inóculo inóculo pequeño y condiciones estrictas, el tamaño del inóculo en
se basa en la suposición de que se obtiene una sola célula por el momento del cambio ambiental (p. ej., Augustin et al., 2000a).
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 El efecto del tamaño del inóculo solo se ha reconocido más
utilizado para obtener células individuales es la citometría de flujo recientemente y puede interpretarse como la probabilidad de
(Smelt et al., 2002). Olía et al. (2002) calcularon el tiempo de tener una célula en una población pequeña con un tiempo de
retraso de una celda individual por medio de la siguiente ecuación: retraso corto.
k = td [(número de generaciones)*(tiempo de generación)].
3.1. Condiciones ambientales
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 143
Las temperaturas se trasladan a bajas temperaturas. Bagi (2002) ha examinado las duraciones de la fase de retraso para las
Whiting y Bagi (2002) han obtenido observaciones análogas para L. células de L. monocytogenes cultivadas en diferentes estados fisiológicos
monocytogenes. y transferidas a diferentes temperaturas: las células en crecimiento
Zwietering et al. (1994) evaluaron el efecto de los cambios de temperatura exponencial tienen las fases de retraso más cortas, la fase estacionaria
para Lactobacillus plantarum. y las duraciones de retraso de las células hambrientas son más largas,
Concluyen que un cambio de temperatura (tanto dentro de la fase de las células congeladas Las fases de retraso son ligeramente más largas
retraso como dentro de la fase exponencial) da como resultado una fase y las células desecadas muestran las fases de retraso más largas. De
de retraso adicional. Bernaerts et al. (2002) observaron que los grandes manera equivalente, Agustín et al. (2000b) y Mellefont et al. (2000)
cambios de temperatura alteran el crecimiento exponencial de E. coli concluyeron para L. mono cytogenes y E. coli, respectivamente, que las
K12. Un gran cambio de temperatura de 17,5 jC a 32,5 jC resultó en células en crecimiento activo se ajustan más rápidamente a los cambios
una fase de retraso intermedia, mientras que un pequeño cambio de en comparación con las células durante la fase de retraso o estacionaria.
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 3.3. Tamaño del inóculo
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
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
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 145
dQ
¼ lmax QðtÞ dt ð3Þ PðtÞ ¼
PðtÞ=Kp en QtÞ
eso ¼
Kp þ PðtÞ 1 þ PðtÞ=Kp 1 þ QðtÞ
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, tiempo de retraso dividido por el tiempo de generación) para
el hworki está definido por h0, que se supone que depende solo de expresar la cantidad de trabajo que deben realizar las células (es
la historia (estado fisiológico) de las células, a su vez definida por decir, ln(1 + 1/ Q(0))). En contraste con los cambios de temperatura
las condiciones previas al cultivo hENV1i y la etapa de crecimiento negativos, observaron que el tiempo de retraso relativo se mantuvo
de las celdas. De la ecuación. (4), también se puede ver que la más o menos constante con el aumento de los cambios de
duración de la fase de retraso está determinada por el estado temperatura positivos. A partir de estos resultados, se puede deducir,
fisiológico inicial de las células Q(0), que es función de hENV1i y la por lo tanto, que solo para cambios de temperatura positivos, es
etapa de crecimiento de las células, así como la tasa de crecimiento válida la suposición de Baranyi y Roberts (1994), a saber, que el
específica máxima lmáx (hENV2i). En este razonamiento, el producto parámetro Q(0) es constante para condiciones de preincubación
k lmax debe ser constante para diferentes curvas de crecimiento, constantes. Cabe señalar que Mellefont y Ross (2003) utilizaron la
siempre que el estado fisiológico de las células en el momento de la ecuación de Gom pertz modificada con un factor de corrección para
inoculación sea idéntico (es decir, el procedimiento de subcultivo la tasa de crecimiento para determinar la duración de la fase de
esté cuidadosamente estandarizado) (Baranyi y Roberts, 1994). retraso. Persiste incertidumbre con respecto a la estimación de la
fase de retraso, especialmente porque aplican el modelo a datos de
fase exponencial tardía.
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 147
lizado con el exceso de biomasa por célula s. Por ello, proponen: 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
dN que el modelo de Hills y Wright (1994) tiene el potencial de
¼ kn sðtÞ NðtÞ ð8Þ
dt describir fases de retraso intermedias adicionales en condiciones
ambientales cambiantes, mientras que el modelo de Baranyi y
con kn proporcional a la constante de velocidad relacionada Roberts (1994) no lo tiene.
con la síntesis de ADN por célula. Las constantes de velocidad
lmax y kn , en general, dependerán de los factores ambientales. Para el modelo de Hills y Wright (1994), la relación entre la
El modelo viene dado por las Ecs. (6), (7) y (8). duración de la fase de retraso y la tasa de crecimiento específica
La evolución del exceso de biomasa s con el tiempo se puede también se puede escribir en la forma de Eq. (1) (ver también
deducir de estas ecuaciones: Tabla 1):
ds
k lmax ¼ ln½1 þ ðlmax=knÞ ð9Þ
¼ ðlmax knsÞð1 þ sÞ dt
148 IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159
DNG
0 ð10Þ
dt
dG GdtÞ
¼ lmáx 1 GdtÞ
dt Nmáx
N0
k lmáx ¼ lnN0 lnG0 ¼ ln jw0
G0
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 149
fenómenos de retardo intermedio. El comportamiento de retraso se variación biológica entre los valores de si y tmi asociados con las
fija con las condiciones iniciales N0 y G0, y no se puede modificar células individuales de la población bacteriana. Argumentan que si las
durante el curso de una simulación, por ejemplo, para simular el varianzas de si y tmi son grandes, la transición de la fase de rezago a
crecimiento microbiano en condiciones ambientales cambiantes. 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
4.1.2. Modelos estocásticos de población retraso que coincide con el parámetro de fase de retraso k definido
Todos los modelos mencionados anteriormente son deterministas, geométricamente en la Fig. 1. Suponiendo que las varianzas asociadas
lo que significa que no están involucradas propiedades aleatorias. con si y tmi son muy pequeñas, se obtiene el modelo lineal de tres
En años más recientes, se puede observar una evolución hacia fases.
enfoques de modelado estocástico, teniendo en cuenta la variabilidad
entre las celdas individuales. El modelo se puede ajustar como una función empírica.
Ross (1993) fue el primero en plantear la hipótesis de la influencia de Sin embargo, de esta forma, el modelo pierde su carácter estocástico
esta variabilidad en el tiempo de retraso de toda la población. y su significado biológico. Wu et al. (2000) propusieron medir las
distribuciones de si y tLAGi con un Bioscreen y microscopía directa,
respectivamente.
4.1.2.1. Buchanan et al. (1997): un modelo lineal trifásico. El modelo Como se mencionó en la Sección 2.2, se pueden hacer algunas
lineal de tres fases describe una curva de crecimiento clásica en tres críticas con respecto a sus métodos y resultados.
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 Cabe señalar que, si bien su idea sobre la interpretación biológica
logaritmo de la población bacteriana aumenta linealmente con el de la fase de latencia de una sola célula es consistente, se ha
tiempo. (l = constante). Este modelo parece determinista pero la base cometido una interpretación errónea al transferir esta idea a la curva
fisiológica del modelo, tal como lo proponen Buchanan et al. (1997), de crecimiento de la población. La simulación del proceso de división
incorpora aspectos estocásticos. Como base fisiológica de su modelo, a partir de una sola célula (con variaciones insignificantes en si y tmi )
asumen que cada célula individual tiene un cierto tiempo de retraso produce, al graficar el logaritmo del número de células en función del
tLAGi y un cierto tiempo de generación tmi . Además, la duración de tiempo, una curva de crecimiento con una fase de retraso igual a si,
la fase de latencia de una sola célula se subdivide en dos partes, a es decir, el tiempo de adaptación , y no a tLAGi como indican
saber, el período de ajuste si y el período metabólico tmi . 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
Durante el primer período si, las células se adaptan a su nuevo duración de la fase de retraso (población) más cortos.
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 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
Buchanan et al. (1997) establecieron que el tiempo de adaptación individual y el tiempo de retraso k de la población. Esta relación
si dependerá tanto de (i) el estado metabólico de la célula en relación matemática se puede derivar de la siguiente manera. La población
con su nuevo entorno, siendo este una función de la historia cultural total N(t) se subdivide en N0 subpoblaciones generadas por cada
de la célula, como de (ii) la tasa metabólica general de la célula. , es célula individual del cultivo inicial (que consta de N0 células). Por
decir, tasas de transcripción y traducción de nuevos genes. Buchanan ejemplo, una población N(t) con una densidad celular inicial de 103
et al. (1997) proponen, al igual que Ross (1993), que el período de ufc/ml, es decir, N(0) = 103 puede subdividirse en 103 subpoblaciones.
transición suave comúnmente observado desde el retraso hasta el , luego
El crecimiento de una sola célula a unamediante
subpoblación
una función
se describe
bifásica
crecimiento exponencial de una población refleja la
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 distribución con valor medio s, Baranyi (1998) obtiene
de crecimiento exponencial (parte lineal). Para el logaritmo
neperiano de la densidad de celdas y1(t), resultante de una celda
1
individual, esto da como resultado: un ¼
1º lmaxs
con
y1ðtÞ ¼ y1ð0Þ þ maxðlmaxi ðt siÞ; 0th
Sustituyendo este resultado de nuevo en la Ec. (15) produce
y1ð0Þ ¼ lnð1Þ ¼ 0 ð12Þ
una relación entre el retraso de la población k y el tiempo de retraso
individual medio s (para N0! l):
De manera similar, para una población inicial de células N0 ,
las curvas de crecimiento pueden describirse mediante la función k lmáx ¼ lnð1 þ lmáxsÞ
lineal bifásica
Baranyi (1998) proporcionó con esta ecuación una demostración
yN0 ðtÞ ¼ lnðN0Þ þ maxðlmaxðt kÞ; 0th ð13Þ matemática detallada para sustentar la hipótesis de que el rezago
poblacional k converge a un valor menor que la media de los
Dado que la población bacteriana total (ecuación (13)) se rezagos individuales s. Esta es una consecuencia directa de una
define como la suma de las subpoblaciones que se originan en distribución de tiempos de retraso: las células que tienen el tiempo
cada célula individual (ecuación (12)), y para t>max(si), Baranyi de retraso más corto afectarán más el tiempo de retraso observado
deriva el retraso de la población en la ecuación. (13) como de la población porque comenzarán a crecer antes que las otras
células y, por lo tanto, dominarán la población (Ross, 1993) .
N0 Nuevamente podemos notar aquí la semejanza con la hipótesis de
y lmax
X trabajo (1) (ver también Tabla 1).
1 i¼1
k¼ ð14Þ
en lmax N0 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
Definiendo ai = exp[ lmaxsi] (i = 1,2,...,N0) con ai variables
se supone que son exponenciales) y las interpretaciones
distribuidas idénticamente con su media aritmética convergente al
mecanicistas no se han verificado experimentalmente. Por tanto, el
valor límite a cuando N0 aumenta, se sigue de la ecuación. (14)
modelo de Baranyi (1998) es totalmente empírico. Más tarde,
que
McKellar y Knight (2000) investigaron la influencia del tipo de
distribución en los tiempos de retraso de las celdas individuales.
k lmax lnðaÞ ð15Þ
límite N0!l Sus simulaciones, así como los datos experimentales (ver también
Wu et al., 2000) sugieren una distribución normal a la inversa del
Para más detalles sobre estas derivaciones, se hace referencia supuesto de una exponencial de este modelo.
al artículo de Baranyi (1998).
Nótese la semejanza de la Ec. (15) con la ecuación general. Más recientemente, Metris et al. (2003) sugirió una distribución
(1), y más particularmente también con la ecuación. (4), en el que Gamma para adaptarse a la variabilidad de los tiempos de retraso
se utilizó a(t) para cuantificar la idoneidad de la población a un individuales. Critican el bajo número de réplicas que ha utilizado
nuevo entorno en el momento de la inoculación. Wu et al. (2000) para determinar la distribución.
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 4.1.2.3. McKellar (2001): modelo continuo-discreto-continuo
de celda N0. Dado que a es una transformación del estado (CDC). En el modelo de población heterogénea determinista de
fisiológico del inóculo Q(0) (Baranyi y Roberts, 1994), esta relación McKellar (1997) (consulte la Sección 4.1.1), el comportamiento de
puede denominarse teorema del estado fisiológico (Baranyi y Pin, dos tipos de células (en crecimiento y sin crecimiento) se modeló
1999). Además, suponiendo que los tiempos de retraso individuales de forma independiente y no fue posible ninguna transición entre
si siguen la exponencial 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) 137–159 151
adelante, McKellar y Knight (2000) han ampliado hace que la célula se desplace del compartimento de no crecimiento
este modelo a un modelo discreto-continuo en el que al compartimento de crecimiento a partir del cual
permiten una transición del no crecimiento al encendido, se inicia el crecimiento logístico. Una trama cualitativa de
el compartimento de crecimiento. Este modelo combina un el modelo CDC se da en la Fig. 9. Las líneas punteadas discontinuas
paso discreto de adaptación, como una propiedad del individuo representan cuatro valores pi que se han
células, con el modelo Logístico continuo para el crecimiento elegido al azar de la normal antes mencionada
bacteriano. La adaptación o el tiempo de retraso de un solo distribución.
se extrae de una celda truncada (solo valores positivos) La ventaja de este enfoque continuo-discreto-continuo es que el
distribución normal con retraso medio de células individuales modelo también es dinámico en
tiempo s y variabilidad (SDs). Cuando una célula tiene el retraso de la población, ya que lmax puede cambiar en función
terminado su fase de retraso, el paso discreto hace que el de las condiciones ambientales durante la fase de latencia.
cambio celular de lo que no crece a lo que crece Sin embargo, dado que no se indica qué
compartimento, donde las células comienzan a crecer siguiendo una se entiende por producto génico de fase estacionaria, el modelo es
relación Logística (como en la Ec. (10)). Este todavía en gran medida empírica. McKellar (2001) indicó que,
El proceso se ejecuta simultáneamente para todas las celdas del matemáticamente, el valor pi(0) y el valor h0 en la ecuación.
población inicial y, como resultado, una población (4) para el modelo de Baranyi y Roberts (1994) son
se obtiene la curva de crecimiento, a partir de la cual se puede idéntico para el crecimiento de una sola celda (N (0) = 1),
derivar el tiempo de retraso de la población. mientras que los mecanismos subyacentes asumidos por el
Una limitación del modelo continuo discreto es modelos (producción de una sustancia crítica versus
que el modelo no es dinámico en el rezago poblacional, reducción de productos génicos de fase estacionaria) son bastante
porque los eventos discretos se definieron como distribuciones diferente. Además, pi y su distribución necesitan
del tiempo de retardo individual s. Esto significa que el ser conocido por la predicción.
los valores de H deben asignarse en t = 0 y no pueden Recientemente, McKellar et al. (2002a,b) caracterizado
varió después del inicio de la simulación. Por lo tanto, el estado fisiológico medio de las células individuales p0 por
McKellar (2001) avanzó este modelo al agregar un mediante mediciones de Bioscreen con genes de L. monocyto y
etapa de adaptación continua, previa a la etapa discreta, determinaron la influencia de la limitación del crecimiento
para formar un modelo CDC. Este modelo consta de tres pH. El método Bioscreen se describe en la Sección 2.2.
compartimentos: no creciente (NG) y creciente (G) Dado que, en condiciones ambientales constantes, el fol
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 ð16Þ
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 4.2.1. Duración de la fase de latencia en función de hENV2i
ecuación. (dieciséis) La fase de retraso se ha tenido en cuenta en los
modelos secundarios de diferentes formas. Se han
ð17Þ publicado muchas revisiones y discusiones
p0 ¼ s lmáx;
interesantes, aunque parciales, sobre la aplicabilidad
el valor de p0 se puede derivar geométricamente de la de estos modelos (Adair et al., 1989; Ratkowsky et
Fig. 4 para que sea la diferencia entre las dos líneas al., 1991; Ross y McMeekin, 1994; Skinner et al.,
en la intersección x (ver McKellar et al., 2002b). 1994; Whiting, 1995).
McKellar et al. (2002b) observaron que el parámetro p0 Si la relación (1) se cumple, con (i) el tiempo de retraso
del estado fisiológico a nivel celular individual no se vio definido por k, (ii) la tasa por la tasa máxima de crecimiento
afectado por el pH de crecimiento, incluso a valores de pH específico en el nuevo entorno y (iii) el trabajo solo depende
que están cerca del límite de crecimiento. Mientras tanto, se de las condiciones previas a la inoculación, el de La
encontró que el parámetro h0 del estado fisiológico de la dependencia del tiempo de retraso de las condiciones
población (véase la ecuación (4)) variaba cuando las células ambientales para condiciones de precultivo idénticas puede
se cultivaban en condiciones que limitaban el crecimiento derivarse de la dependencia de la tasa de crecimiento
(véanse las referencias en McKellar et al., 2002b). McKellar específica máxima de las condiciones ambientales. Este
et al. (2002a) demostraron que el cambio en h0 (y por lo concepto se utiliza dentro de los tipos de modelos de valores
tanto en el tiempo de retraso según la relación (4)) a un cardinales (p. ej., Rosso et al., 1995; Le Marc et al., 2002).
valor de pH más bajo se debe al hecho de que, cerca del Otros autores también aplicaron esta relación para cambiar
límite de crecimiento, la variabilidad del estado fisiológico los modelos de tasa de crecimiento existentes, como las
individual SDp0 es mayor , y menos células son capaces de relaciones de tipo Beÿlehra´dek o de raíz cuadrada (ver, por
iniciar el crecimiento. Por lo tanto, proponen un nuevo ejemplo, Adair et al., 1989; Zwie tering et al., 1991; Devlieghere
parámetro adicional r0 como la proporción del inóculo capaz et al., 2000). ) y el modelo lineal de Arrhenius (Davey, 1991),
de crecer bajo un conjunto específico de condiciones en modelos de tiempo de retardo. Adair et al. (1989) modelaron
ambientales. Particularmente cerca del límite de crecimiento/ el inverso de los datos de tiempo de retraso con un modelo
no crecimiento, r0 disminuye significativamente. El nuevo de tipo raíz cuadrada. Sin embargo, esta no fue una
parámetro r0 parece ser distinto del parámetro de estado transformación apropiada, porque después de transformar las
fisiológico más tradicional ( p0). predicciones del modelo a tiempos de retraso, se obtuvieron
A partir de estos resultados, se destaca claramente la grandes errores de predicción. Por lo tanto, sería mejor usar
ventaja de la técnica estocástica basada en celdas la inversa de la ecuación de la tasa de crecimiento para
individuales (tanto a nivel experimental como de modelado). ajustar los datos del tiempo de retraso. Más aún, para limitar
Al definir el estado fisiológico inicial a nivel celular ( pi(0)), la influencia de grandes errores de medición y aumentar la
surge la razón de un tiempo de retraso cambiante al estabilidad numérica, se utiliza una transformación logarítmica
cambiar los valores de pH. Sin embargo, el parámetro de en los datos experimentales y en las ecuaciones del modelo
estado fisiológico individual medio p0 es independiente de (Adair et al., 1989; Zwietering et al., 1991). Por ejemplo, para
los efectos de las condiciones ambientales (hENV2i), dada el modelo de raíz cuadrada de Ratkowsky et al. (1982), se
una prehistoria específica (hENV1i). puede obtener la siguiente ecuación de tiempo de retardo:
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 153
completamente explorado y que debe usarse con precaución. de la temperatura de preincubación y de incubación en una
ecuación de regresión (polinomio). Los modelos de Zwietering et
Otros autores desarrollaron modelos secundarios al. (1994) y Agustín et al. (2000b) son hasta cierto punto
independientemente para el tiempo de generación y el tiempo similares. Como ejemplo, el modelo de Augustin et al. (2000b)
de retraso, por ejemplo, enfoques polinómicos (por ejemplo, se explica. Agustín et al. (2000b) incorporaron la influencia de la
Gibson et al., 1988; Buchanan y Phillips, 1990; Zaika et al., temperatura previa a la inoculación y la duración previa a la
1998) y enfoques de redes neuronales artificiales de baja inoculación (etapa de crecimiento de las células) dentro de un
complejidad. (Geeraerd et al., 1998; García-Gimeno et al., 2002). modelo secundario. El estudio se realizó para el nuevo
Se han publicado relaciones entre el tiempo de retardo k y la crecimiento de L. monocytogenes a baja temperatura. Las curvas
temperatura, pH, NaNO2, NaCl, etc. de crecimiento se ajustaron utilizando el modelo de crecimiento
logístico con retraso. Su configuración experimental se explica
Sin embargo, la influencia combinada de todos estos factores en la Fig. 10(a y b). Después de una preincubación a temperatura
ambientales en la duración de la fase de latencia es demasiado Ti durante un tiempo ti, las células se cultivan en las condiciones
compleja y no puede interpretarse como efectos aditivos. reales a temperatura constante T (jC). Dependiendo de la
Robinson et al. (1998) enfatizaron, por lo tanto, que los efectos duración de la preincubación ti, estas células se encuentran en
del pH, la temperatura, etc., sobre el tiempo de retraso deben fase de latencia, fase exponencial o fase estacionaria. De esta
investigarse por separado. forma, se puede investigar el efecto de ti sobre la duración del
Zwietering et al. (1991) seleccionaron una ecuación tiempo de retraso en las condiciones reales. Debido a que la
hiperbólica como el mejor modelo para describir la dependencia tasa de crecimiento no está influenciada por las condiciones
de k con la temperatura: previas a la incubación, desarrollaron su modelo para la
dependencia del producto kSlmax del tiempo y la temperatura
pags
previos a la incubación. Desde un valor relativamente alto (largo
lnðkÞ ¼ 18Þ
Tq tiempo de latencia para las células que se inoculan desde la fase
de latencia), el producto kSlmax disminuye durante la fase de
donde q es la temperatura a la que el tiempo de retraso es infinito latencia del crecimiento del inóculo hasta un valor de
y p es una medida de la disminución del tiempo de retraso aproximadamente 0 (es decir, sin fase de latencia para las
cuando aumenta la temperatura. Para explicar la variabilidad células inoculadas desde la fase de latencia ). la fase de
observada entre experimentos de crecimiento replicados, Nicolaÿ¨ crecimiento exponencial). Durante la fase de crecimiento
y Van Impe (1996) sustituyeron el parámetro determinista p en exponencial del inóculo, el producto se mantiene en este valor
la ecuación. (18) por un parámetro estocástico pV para mínimo y aumenta gradualmente durante la fase estacionaria
representar la variabilidad del estado fisiológico del inóculo. (Fig. 10c). Se observó una evolución similar de kSlmax con la
duración de la preincubación para diferentes temperaturas de
Todas las relaciones discutidas anteriormente solo definen la preincubación (Fig. 10d). Una mayor temperatura de preincubación
influencia de las condiciones ambientales reales hENV2i, por Ti da como resultado una mayor tasa de crecimiento específica
ejemplo, temperatura, pH, en el tiempo de retraso, y no máxima lmaxi y, en consecuencia, las células alcanzarán las
consideran la historia de las células. diferentes fases de crecimiento más rápidamente.
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 lo que expresa el hecho de que las células todavía tienen que aumentar
su valor crítico. Durante el retraso y la fase estacionaria, la biomasa su biomasa al valor crítico, antes de que puedan comenzar a dividirse.
celular es menor que durante el crecimiento exponencial. Por lo tanto,
el tiempo de latencia será mayor cuando la inoculación se realice a . Para inoculación a partir de células en fase de crecimiento
partir de estas etapas de crecimiento. El modelo global se puede exponencial (ti>ki)
describir de la siguiente manera.
k lmáx ¼ 0
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 155
con k = f(lmaxi ), ya que la tasa a la que las células disminuirán su los tiempos de retraso si de la célula individual y el tiempo de retraso k de la población.
biomasa depende de la tasa a la que se agota el medio ambiente Estos tres modelos estocásticos no pueden describir fases
y esto depende de la tasa de crecimiento lmaxi . intermedias de retraso.
Las deficiencias generales son que los conceptos mecanicistas
En este modelo, se incorpora algún conocimiento mecanicista asumidos de los modelos no se validan experimentalmente.
por medio de una biomasa crítica que debe alcanzarse antes de Además, la magnitud DENV y la tasa de cambio DENV/Dt entre el
que las células puedan comenzar a dividirse. entorno pasado y el actual no se incluyen en su mayoría de forma
Para una serie de conjuntos de datos experimentales, los valores explícita. En contraste con esta última conclusión general, solo
previstos para kSlmax son adecuados, mientras que para otros los están los modelos de Hills y Wright (1994) y Hills y Mackey (1995),
valores previstos para kSlmax exhibieron una discrepancia que pueden, por lo tanto, describir fenómenos de retardo intermedio.
significativa con respecto a los observados. Esto indica que los Además, otros factores que influyen, como las condiciones previas
mecanismos incorporados al modelo aún no están completos. al cultivo de hENV1i y la etapa de crecimiento de las células, a
menudo se agrupan en un parámetro (de ajuste). La etapa de
Zwietering et al. (1994) también investigaron la duración de la crecimiento solo se incorpora explícitamente en el modelo de Hills
fase de latencia, obtenida ajustando los datos experimentales con y Wright (1994) y Hills y Mackey (1995).
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 En los modelos estocásticos, el efecto de todos los factores
de temperatura aplicada a las células en la fase exponencial. 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).
5. Conclusiones y tendencias futuras Tenga en cuenta que, también para los enfoques de modelado
estocástico, se puede observar una tendencia hacia modelos
Se han discutido los enfoques de modelado actuales para el dinámicos (más flexibles).
comportamiento de retraso. Los modelos deterministas se pueden Para desarrollar modelos que sean de aplicación más general,
organizar en orden de complejidad creciente de la siguiente manera. se deben incorporar más conocimientos sobre los mecanismos
El modelo de población heterogénea de McKellar (1997) y el biológicos subyacentes que causan el retraso.
modelo de Baranyi y Roberts (1994) ya son dinámicos, es decir, Un primer paso es dividir la población de células en subpoblaciones,
los modelos están representados por ecuaciones diferenciales. por ejemplo, una población en crecimiento y una población que
Ambos modelos no pueden describir fenómenos de retardo no crece (por ejemplo, McKellar (1997)). Estos modelos son
intermedio. El modelo dinámico de Hills y Wright (1994) es capaz clasificados por los autores como modelos compartimentales.
de describir fases de latencia intermedias y distingue entre biomasa Más adelante, los modelos estructurados hacen una división dentro
y número de células. Cabe señalar que los modelos con diferentes de la célula. Ejemplos son el modelo de Baranyi y Roberts (1994),
estructuras matemáticas pueden producir el mismo comportamiento, los modelos de Hills y Wright (1994), Hills y Mackey (1995) y el
por ejemplo, los modelos de Baranyi y Roberts (1994) y Hills y modelo de McKellar (2001).
Wright (1994) son equivalentes para describir la fase de latencia
en condiciones de temperatura de crecimiento constante. El modelado estocástico también es una mejora aunque,
como se mencionó anteriormente, los parámetros estocásticos no
contienen conocimiento mecanicista verificado.
Tres modelos estocásticos se discuten con más detalle. El Sin embargo, recientemente se han desarrollado técnicas
modelo de Buchanan et al. (1997) es un modelo lineal trifásico que experimentales para estudiar la distribución de células individuales
diferencia entre el crecimiento de la biomasa y el número de en una población (ver Sección 2.2). Un ejemplo de una técnica de
células, por medio de si y tmi . McKellar (2001) amplió su modelo clasificación de células de este tipo es la citometría de flujo (Smelt
(McKellar, 1997) a un modelo dinámico continuo-discreto-continuo et al., 2002). Esta técnica también puede diferenciar entre células
con características más realistas. Finalmente, Baranyi (1998) viables pero no cultivables (Jacobsen et al., 1997; Budde y Rasch,
define la relación entre el indi 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
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 157
Bratchell, N., Gibson, AM, Truman, M., Kelly, TM, Roberts, TA, 1989. Predicción (Eds.), Técnicas de conservación de alimentos. Publicación de Woodhead,
del crecimiento microbiano: las consecuencias de la cantidad de datos. Revista ISBN 1-85573-530-X, cap. 21, 475-506.
Internacional de Microbiología Alimentaria 8, 47 - 58. Devlieghere, F., Geeraerd, AH, Versyck, KJ, Bernaert, H., Van Impe, JF, Debevere,
J., 2000. Vida útil de productos cárnicos cocidos envasados en atmósfera
Bre´and, S., Fardel, G., Flandrois, JP, Rosso, L., Tomassone, R., 1997. Un modelo modificada: adición de lactato de sodio como cuarta vida útil factor determinante
que describe la relación entre el tiempo de retraso y la duración del aumento en la validación de un modelo y producto.
leve de la temperatura. Revista Internacional de Microbiología Alimentaria 38, Revista Internacional de Microbiología Alimentaria 58, 93 - 106.
157 - 167. Dufrenne, J., Delfgou, E., Ritmeester, W., Notermans, S., 1997. El efecto de las
Bre´and, S., Fardel, G., Flandrois, JP, Rosso, L., Tomassone, R., 1999. Un modelo condiciones de crecimiento previas en el tiempo de fase de latencia de algunos
que describe la relación entre el tiempo de retraso del rebrote y el aumento microorganismos patógenos transmitidos por los alimentos. Revista
leve de la temperatura para Listeria monocytogenes. Internacional de Microbiología Alimentaria 34, 89 - 94.
Revista Internacional de Microbiología Alimentaria 46, 251 - 261. Francois, K., Devlieghere, F., Standaert, AR, Geeraerd, AH, Van Impe, JF,
Buchanan, RL, Cygnarowicz, ML, 1990. Un enfoque matemático para definir y Debevere, J., 2003a. Modelado de la fase de retraso individual. Aislamiento
calcular la duración de la fase de retraso. Microbiología de los Alimentos 7, de células individuales: desarrollo de protocolos. Letras en Microbiología
237 – 240. Aplicada 37, 26 – 30.
Buchanan, RL, Klawitter, LA, 1991. Efecto del historial de temperatura en el Francois, K., Devlieghere, F., Standaert, AR, Geeraerd, AH, Van Impe, JF,
crecimiento de Listeria monocytogenes Scott A a temperaturas de refrigeración. Debevere, J., 2003b. Modelado de la fase de retraso de células individuales:
Revista Internacional de Microbiología Alimentaria 12, 235 - 246. efecto de la temperatura y el pH en la distribución de retraso de células
individuales de Listeria monocytogenes. En: Van Impe, JFM, Geeraerd, AH,
Buchanan, RL, Klawitter, LA, 1992. El efecto de la temperatura de incubación, el Legue´rinel, I., Mafart, P. (Eds.), Predictive Modeling in Foods-Conference
pH inicial y el cloruro de sodio en la cinética de crecimiento de Escherichia Proceedings. Universidad Católica de Lovaina/BioTeC, Bélgica, pp. 200 - 202.
coli O157:H7. Microbiología de los Alimentos 9, 185 – 196. ISBN 90-5682-400-7.
Buchanan, RL, Phillips, JG, 1990. Modelo de superficie de respuesta para predecir Fu, B., Taoukis, PS, Labuza, TP, 1991. Microbiología predictiva para monitorear
los efectos de la temperatura, el pH, el contenido de cloruro de sodio, la el deterioro de productos lácteos con integradores de tiempo y temperatura.
concentración de nitrito de sodio y la atmósfera sobre el crecimiento de Listeria Revista de ciencia de los alimentos 56 (5), 1209 - 1215.
monocytogenes. Journal of Food Protection 53, 370 – 376. Garcia-Gimeno, RM, Herva´s-Martÿ´nez, C., de Silo´niz, MI, 2002.
Mejora de redes neuronales artificiales con metodología de poda y algoritmos
Buchanan, RL, Solberg, M., 1972. Interacción de nitrito de sodio, oxígeno y pH en genéticos para su aplicación en la predicción del crecimiento microbiano en
el crecimiento de Staphylococcus aureus. Revista de ciencia de los alimentos alimentos. Revista internacional de microbiología alimentaria 72, 19 - 30.
37, 81 - 85.
Buchanan, RL, Whiting, RC, Damert, WC, 1997. Cuando es lo suficientemente Garthright, WE, 1991. Refinamientos en la predicción de las curvas de crecimiento
simple: una comparación de los modelos lineales de tres fases, Gompertz y microbiano. Microbiología de los Alimentos 8, 239 – 248.
Baranyi para ajustar las curvas de crecimiento bacteriano. Geeraerd, AH, Herremans, CH, Cenens, C., Van Impe, JF, 1998. Aplicación de
Microbiología de Alimentos 14, 313 – 326. redes neuronales artificiales como técnica de modelado modular no lineal
Budde, BB, Rasch, M., 2001. Un estudio comparativo sobre el uso de citometría para describir el crecimiento bacteriano en productos alimenticios refrigerados.
de flujo y unidades formadoras de colonias para la evaluación del efecto International Journal of Food Microbi ology 44, 49 – 68.
antibacteriano de las bacteriocinas. Revista Internacional de Microbiología
Alimentaria 63, 65 - 72. Geeraerd, AH, Herremans, CH, Van Impe, JF, 2000. Requisitos del modelo
Casadei, MA, Cole, MB, McClure, P., 1995. Influencia de las fluctuaciones de estructural para describir la inactivación microbiana durante un tratamiento
temperatura en el crecimiento de Aeromonas hydrophila. térmico suave. Revista Internacional de Microbiología Alimentaria 59, 185 -
Cartas de microbiología médica 4, 382 - 390. 209.
Cheroutre-Vialette, M., Lebert, A., 2002. Aplicación de redes neuronales recurrentes Gibson, AM, Bratchell, N., Roberts, TA, 1988. Predicción del crecimiento
para predecir el crecimiento bacteriano en condiciones dinámicas. Revista microbiano: respuestas de crecimiento de las salmonelas en un medio de
Internacional de Microbiología Alimentaria 73, 107 - 118. laboratorio afectadas por el pH, el cloruro de sodio y la temperatura de
Dalgaard, P., Koutsoumanis, K., 2001. Comparación de las tasas de crecimiento almacenamiento. Revista Internacional de Microbiología Alimentaria 6, 155 -
específicas máximas y los tiempos de retraso estimados a partir de datos de 178.
conteo viable y de absorbancia por diferentes modelos matemáticos. Revista Hills, BP, Mackey, BM, 1995. Modelos cinéticos multicompartimentales para
de métodos microbiológicos 43, 183 - 196. lesión, reanimación, retraso inducido y crecimiento en poblaciones de células
Davey, KR, 1991. Aplicabilidad del modelo predictivo de Davey (Arrhenius lineal) bacterianas. Microbiología de los Alimentos 12, 333 – 346.
a la fase de retraso del crecimiento microbiano. Revista de Bacteriología Hills, BP, Wright, KM, 1994. Un nuevo modelo para el crecimiento bacteriano en
Aplicada 70, 253 – 257. sistemas heterogéneos. Revista de Biología Teórica 168,
Delignette-Muller, ML, 1998. Relación entre el tiempo de generación y el tiempo 31 – 41.
de retraso de la cinética de crecimiento bacteriano. Revista Internacional de Hudson, JA, 1993. Efecto de la temperatura de preincubación en el tiempo de
Microbiología Alimentaria 43, 97 - 104. retraso de Aeromonas hydrophila. Letras en Microbiología Aplicada 16, 274 -
Dens, EJ, Van Impe, JF, 2003. Modelización aplicada a los alimentos: el caso de 276.
los alimentos sólidos. En: Zeuthen, P., Bøgh-Sørensen, L. 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 Actas de la Conferencia de Alimentos. KULeuven/BioTeC, Bélgica,
Pseu domonas fragi. Revista de Seguridad Alimentaria 14, 329 – 339. páginas. 70 - 72. ISBN 90-804818-3-1.
Ingraham, JL, Marr, AG, 1996. Efecto de la temperatura, presión, Membre´, J.-M., Ross, T., McMeekin, T., 1999. Comportamiento de Listeria
pH y estrés osmótico en el crecimiento. En: Neidhardt, FC, Curtiss monocytogenes bajo procesos combinados de enfriamiento. Letras
III, R., Ingraham, JL, Lin, ECC, Bajo, KB, Magasanik, B., en Microbiología Aplicada 28, 216 – 220.
Reznikoff, WS, Riley, M., Schaechter, M., Umbarger, HE Metris, A., George, SM, Peck, MW, Baranyi, J., 2002. Efecto de
(Eds.), Escherichia coli y Salmonella: celular y molecular cloruro de sodio y el pH en la distribución de los tiempos de retraso de
Biología. ASM Press, Washington, DC, págs. 1570 - 1578. células individuales de Listeria innocua. En: Duby, C., Cassar, JP
Jacobsen, CN, Rasmussen, J., Jakobsen, M., 1997. Tinción de viabilidad y (Eds.), Actas de la Séptima Conferencia Europea Industria Alimentaria y
detección por citometría de flujo de Listeria monocytogenes. Estadísticas. Lille-Cit Scientifique, Villeneuve d'Asq,
Diario de métodos microbiológicos 28 (1), 35 - 43. Francia, págs. 61 - 66. ISBN 2-7380-1016-4.
Kreft, JU, Booth, G., Wimpenny, JWT, 1998. Bacsim, un simulador para el Metris, A., George, SM, Peck, MW, Baranyi, J., 2003. Distribución de tiempos de
modelado individual del crecimiento de colonias bacterianas. detección de turbidez producidos por poblaciones bacterianas generadas
Microbiología 144, 3275 – 3287. por células individuales. Revista de métodos microbiológicos
Le Marc, Y., Huchet, V., Bourgeois, CM, Guyonnet, JP, Mafart, 55, 821 – 827.
P., Thuault, D., 2002. Modelado de la cinética de crecimiento de Listeria Ng, H., Ingraham, JL, Marr, AG, 1962. Daño y desrepresión
en función de la temperatura, el pH y la concentración de ácidos orgánicos. en Escherichia coli como resultado del crecimiento a bajas temperaturas.
Revista Internacional de Microbiología Alimentaria 73, 219 - 237. Revista de bacteriología 84, 331 - 339.
McDonald, K., Sun, D.-W., 1999. Microbiología alimentaria predictiva para Nicolaÿ¨, BM, Van Impe, JF, 1996. Microbiología predictiva de alimentos:
La industria cárnica: una revisión. Revista Internacional de Microbiología un enfoque probabilístico. Mathematics and Computers in Simu lation 42,
Alimentaria 52, 1 – 27. 287 – 292.
McKellar, RC, 1997. Un modelo de población heterogénea para el Pascual, C., Robinson, TP, Ocio, MJ, Aboaba, OO, Mackey,
análisis de la cinética de crecimiento bacteriano. Revista Internacional de BM, 2001. El efecto del tamaño del inóculo y la lesión subletal.
Microbiología de los Alimentos 36, 179 – 186. sobre la capacidad de Listeria monocytogenes para iniciar el crecimiento
McKellar, RC, 2001. Desarrollo de un continuo dinámico – en condiciones subóptimas. Letras en Microbiología Aplicada
modelo discreto-continuo que describe la fase de retraso de las células 33, 357 – 361.
bacterianas individuales. Revista de Microbiología Aplicada 90, Pirt, SJ, 1975. Principios del cultivo de microbios y células. Negro
407 – 413. Bueno, Oxford. 247 págs.
McKellar, RC, Knight, KP, 2000. Un modelo combinado discreto-continuo que Poschet, F., Bernaerts, K., Geeraerd, AH, Scheerlink, N., Nicolaÿ¨,
describe la fase de latencia de Listeria monocytogenes. JF, Van Impe, JF, 2004. Análisis de sensibilidad de microbios
Revista Internacional de Microbiología Alimentaria 54, 171 – 180. distribuciones de parámetros de crecimiento con respecto a la calidad de los datos
McKellar, RC, Lu, X., Knight, KP, 2002a. propuesta de novela y cantidad utilizando el análisis de Monte Carlo. Matemáticas y
parámetro para describir la influencia del pH en la fase de latencia de Computadoras en simulación 65 (3), 231 - 243.
Listeria monocytogenes. International Journal of Food Microbi ology 73 (2), Rajkowski, K., Marmer, BS, 1995. Crecimiento de Escherichia coli
127 – 135. O157:H7 a temperaturas de incubación fluctuantes. Diario de
McKellar, RC, Lu, X., Knight, KP, 2002b. El pH de crecimiento no Protección de Alimentos 58 (12), 1307 – 1313.
afectan el parámetro del estado fisiológico inicial (p0) de Listeria Ratkowsky, DA, Olley, J., McMeekin, TA, Ball, A., 1982. Relación entre la
monocitogenes. Revista Internacional de Microbiología Alimentaria 73 temperatura y la tasa de crecimiento de cultivos bacterianos. Revista de
(2), 137 – 144. bacteriología 149 (1), 1 - 5.
McMeekin, TA, Olley, J., Ross, T., Ratkowsky, DA, 1993. Microbiología predictiva: Ratkowsky, DA, Ross, T., McMeekin, TA, Olley, J., 1991. Comparación de los
teoría y aplicación. Research Studies Press, Taunton, Reino Unido. 340 modelos de tipo Arrhenius y Beÿlehra´dek para la predicción del crecimiento
págs. bacteriano en los alimentos. Diario de Aplicado
McMeekin, TA, Brown, J, Cristo, K, Miles, D, Neumeyer, K. Bacteriología 71, 452 – 459.
Nichols, DS, Olley, J., Presser, K., Ratkowsky, DA, Ross, Robinson, TP, Ocio, MJ, Kaloti, A., Mackey, BM, 1998. El
T., Salter, M., Soontranon, S., 1997. Microbiología cuantitativa: una base efecto del entorno de crecimiento en la fase de latencia de Listeria
para la seguridad alimentaria. Enfermedades Infecciosas Emergentes 3 (4), monocitogenes. Revista Internacional de Microbiología Alimentaria 44,
541 – 549. 83 – 92.
McMeekin, TA, Olley, J., Ratkowsky, DA, Ross, T., 2002. Microbiología predictiva: Robinson, TP, Aboaba, OO, Kaloti, A., Ocio, MJ, Baranyi, J.,
hacia la interfaz y más allá. Revista internacional de microbiología alimentaria Mackey, BM, 2001. El efecto del tamaño del inóculo en el retraso
73, 395 – 407. fase de Listeria monocytogenes. Revista internacional de alimentos
Mellefont, LA, Ross, T., 2003. El efecto de los cambios bruscos de temperatura Microbiología 70, 163 – 173.
en la duración de la fase de latencia de Escherichia coli y Kleb siella oxytoca. Ross, T., 1993. Una filosofía para el desarrollo de modelos cinéticos.
Revista Internacional de Microbiología Alimentaria 83, en microbiología predictiva. Tesis doctoral. universidad de tasmania,
295 – 305. Australia, 215 págs.
Mellefont, L., Neumeyer, K., McMeekin, TA, Ross, T., 2000. Ross, T., 1999. Microbiología predictiva para la industria cárnica. Carne
Inducción y manipulación de tiempos de latencia bacterianos. En: Furgoneta y Livestock Australia, North Sydney. 196 págs.
Impe, JFM, Bernaerts, K. (Eds.), Modelado predictivo en Ross, T., McMeekin, TA, 1994. Microbiología predictiva: re
Machine Translated by Google
IAM Swinnen et al. / Revista internacional de microbiología alimentaria 94 (2004) 137–159 159
ver papel. Revista Internacional de Microbiología Alimentaria 23, 241 - Walker, SJ, Jones, JE, 1993. Protocolos para la generación de datos para el
264. modelado predictivo. Revista de Microbiología Industrial 12, 273 - 276.
Rosso, L., Lobry, JR, Bajard, S., Flandrois, JP, 1995. Modelo conveniente
para describir los efectos combinados de la temperatura y el pH en el Whiting, RC, 1995. Modelado microbiano en alimentos. Reseñas críticas en
crecimiento microbiano. Microbiología Ambiental y Aplicada 61 (2), 610 ciencia de los alimentos y nutrición 35 (6), 467 - 494.
– 616. Whiting, RC, Bagi, LK, 2002. Modelado de la fase de retraso de Listeria
Shaw, MK, 1967. Efecto del cambio brusco de temperatura en el crecimiento monocytogenes. Revista internacional de microbiología alimentaria 73
de levaduras mesófilas y psicrófilas. Revista de bacteriología 93 (4), (2 - 3), 291 - 295.
1332 - 1336. Wu, Y., Griffiths, MW, McKellar, RC, 2000. Una comparación del método
Skinner, GE, Larkin, JW, Rhodehamel, EJ, 1994. Modelado matemático del Bioscreen y la microscopía para la determinación de los tiempos de
crecimiento microbiano: una revisión. Revista de Seguridad Alimentaria retraso de células individuales de Listeria monocytogenes. Letras en
14, 175 - 217. Microbiología Aplicada 30, 468 – 472.
Smelt, JPPM, Otten, GD, Bos, AP, 2002. Modelado del efecto de la lesión Zaika, LL, Phillips, JG, Fanelli, JS, Scullen, OJ, 1998. Modelo revisado para
subletal en la distribución de los tiempos de retraso de Lac tobacillus el crecimiento aeróbico de Shigella flexneri para extender la validez de
plantarum. International Journal of Food Microbiology 73, 207 – 212. las predicciones a temperaturas entre 10 y 19. International Journal of
Food Microbiology 41, 9 – 19.
Smith, MG, 1985. El tiempo de generación, el tiempo de retraso y la Zwietering, MH, Jongenburger, I., Rombouts, FM, Van't Riet, K., 1990.
temperatura mínima de crecimiento de organismos coliformes en la Modelado de la curva de crecimiento bacteriano. Microbiología aplicada
carne, y las implicaciones para los códigos de práctica en los mataderos. y ambiental 56 (6), 1875 - 1881.
Revista de Higiene 94, 289 – 300. Zwietering, MH, De Koos, JT, Hasenack, BE, De Wit, JC, Van't Riet, K.,
Standaert, AR, Geeraerd, AH, Bernaerts, K., Francois, K., Dev lieghere, F., 1991. Modelización del crecimiento bacteriano en función de la
Debevere, J., Van Impe, JF, 2003. Obtención de células individuales: temperatura. Microbiología Ambiental y Aplicada 57 (4), 1094 – 1101.
análisis y evaluación de un protocolo experimental mediante un modelo
de simulación. En: Van Impe, JFM, Geeraerd, AH, Legue´rinel, I., Mafart, Zwietering, MH, Rombouts, FM, van't Riet, K., 1992. Comparación de las
P. (Eds.), Predictive Modeling in Foods-Conference Proceedings. definiciones de la fase de latencia y la fase exponencial en el crecimiento
KULeuven/BioTeC, Bélgica, págs. 203 - 205. ISBN 90-5682-400-7. bacteriano. Revista de bacteriología aplicada 72, 139 - 145.
Van Impe, JFM, Geeraerd, AH, Legue´rinel, I., Mafart, P. (Eds.), 2003. Zwietering, MH, De Wit, JC, Cuppers, HGAM, van't Riet, K., 1994.
Predictive Modeling in Foods-Conference Proceedings. Modelización del crecimiento bacteriano con cambios de temperatura.
Universidad Católica de Lovaina/BioTeC, Bélgica. ISBN 90-5682-400-7, Microbiología aplicada y ambiental 60 (1), 204 – 213.
347 págs.