1 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA

El Modelo Modificado de Gompertz, Logstico y Modificado Logstico para el ajuste de datos de crecimiento microbiano.
Prof. Enrique Alfonso Cabeza Herrera Ph.D. - D.E.A. Ciencia y Tecnologa de los Alimentos Esp. Proteccin de Alimentos Microbilogo con nfasis en Alimentos Prof. Rodolfo Andrs Cabeza Herrera M.Sc. Ciencia y Tecnologa de Alimentos Microbilogo

RESUMEN
El modelo Modificado de Gompertz y Modelo Logstico son dos ejemplos de modelos primarios empleados en Microbiologa Predictiva para el ajuste de datos de crecimiento / muerte, los cuales fueron desarrollados por Gibson et al., en 1987. En su momento, el primer modelo fue considerado como el mejor modelo sigmoidal para el ajuste de curvas de crecimiento y fue adoptado como el modelo primario para los softwares FoodMicroModel y Pathogen Modelling Program (PMP) de la USDA. Zwietering et al., presentan en 1990 una reparametrizacin del Modelo Logstico, incorporando en este los parmetros cinticos representativos del crecimiento: la velocidad de crecimiento (mx), fase de adaptacin latencia () y la mnima y mxima densidad de poblacin (Y0 y Ymx, respectivamente). En el presente documento se desarrolla una aplicacin de ajuste de datos del crecimiento de Salmonella enteritidis en yema de huevo mantenida a 30C (datos tomados del trabajo de Grijspeerdt y Vanrolleghem, 1999) mediante los modelos Modificado de Gompertz, Logstico y Modificado Logstico. Este ltimo modelo present los mejores resultados en cuanto al ajuste de los datos observados, lo cual fue corroborado mediante el ndice de ajuste de los datos. los ndices de evaluacin de los modelos predictivos en microbiologa de alimentos, que fueron introducidos por Ross en 1996: Error cuadrado medio (MRSE), Factor de sesgo (Bf) y Factor de Exactitud (Af).

INTRODUCCIN
Los modelos matemticos cada da estn adquiriendo ms importancia en microbiologa de alimentos, ya que estos presentan serias ventajas frente a la microbiologa clsica de alimentos. Permiten optimizar el tiempo de trabajo, son menos laboriosos, ahorran recursos econmicos entre otros. La primera etapa en la construccin de un modelo que permita evaluar el efecto de una o varias condiciones ambientales sobre la supervivencia / crecimiento / muerte de un microorganismo es la obtencin y ajuste de los datos experimentales a un modelo matemtico primario, el cual permite

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

2 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA

evaluar el efecto que esa condicin causa sobre la poblacin microbiana. A partir de estos datos, se puede construir el modelo secundario o terciario que permiten evaluar cmo cambia el comportamiento microbiano cuando esa o esas condiciones varan, De all la importancia de la seleccin de un buen modelo primario, ya que de la bondad de ajuste que tenga este modelo, ms exactos sern los parmetros cinticos que se obtengan para la construccin de los modelos superiores. El objetivo principal de este trabajo es comparar la efectividad de ajuste de tres modelos sigmoidales de amplio uso en microbiologa predictiva (Modelo Modificado de Gompertz MMG, Modelo Logstico ML y el Modelo Logstico Modificado MLM) y determinar cul de ellos es el mejor para el ajuste de los datos evaluados obtenidos del trabajo de Grijspeerdt y Vanrolleghem (1999).

EL MODELO MODIFICADO DE GOMPERTZ

La ecuacin de Gompertz fue originalmente desarrollada para describir la mortalidad humana como una funcin de la edad. Gibson et al. (1987) fueron los primeros en utilizar la ecuacin de Gompertz para ajustar las curvas de crecimiento microbiano y encontraron que la ecuacin poda describir con precisin las fases exponencial y estacionaria de las curvas sigmoides de crecimiento microbiano, pero no era eficaz para la fase de latencia (Li et al., 2007). Para solventar este problema, Gibson et al., propusieron en 1987 el modelo modificado de Gompertz, el cual fue considerado como el mejor modelo sigmoidal para curvas de crecimiento (Gibson et al., 1988; Zwietering et al., 1991; McMeckin et al., 1993). Con la adopcin de este modelo por el consorcio Food MicroModel en el Reino Unido y el grupo Pathogen Modelling Program (PMP) del USDA, este modelo ha sido ampliamente usado en Microbiologa Predictiva. El modelo modificado de Gompertz se expresa en la siguiente ecuacin:

Y(t) =

-+ ]

Segn Zwietering et al., (1992) en el modelo anterior podemos deducir que: Y(t) = Conteo de la poblacin al tiempo t (log10 poblacin) A = Logaritmo de la poblacin al tiempo , lo que equivale a la densidad de poblacin al tiempo inicial (Ymin = Y0). C = Incremento final en el nmero de bacterias (log10), equivalente a Ymx Ymin. M = Tiempo en el cual el cultivo alcanza su mxima velocidad de crecimiento (h) B = Velocidad mxima de crecimiento al tiempo M (1/h), equivalente a la pendiente en el punto de inflexin. t = tiempo (h) Si tomamos la ecuacin modificada de Gompertz en una curva de crecimiento, los parmetros del modelo pueden representarse grficamente como se muestra en la figura 1:

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

3 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA

Figura 1. Representacin grfica del Modelo Modificado de Gompertz.

ymx

Log10Y

(Fuente: Autor)

Tiempo (h)

A partir de la ecuacin anterior, pueden calcularse diversos parmetros del crecimiento tales como: Fase de latencia (): la fase de latencia convencionalmente se define como el momento en el que la tangente del punto de inflexin de la curva de crecimiento cruza con el nivel inicial de la poblacin. Sin embargo, Gibson et al., presentan una forma de calcular la fase de latencia mediante la siguiente expresin matemtica:

Tiempo de generacin:

Fin de la fase exponencial ():

Duracin de la fase exponencial ():

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

4 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA

Velocidad mxima de crecimiento (mx):

EL MODELO LOGSTICO
Gibson et al., (1987) tambin presentaron el Modelo Logstico, el cual se muestra en la siguiente ecuacin:

( )

)-

Donde Y(t) = Conteo de la poblacin al tiempo t (log10 poblacin) A = Logaritmo de la poblacin al tiempo , lo que equivale a la densidad de poblacin al tiempo inicial (Ymin = Y0). C = Incremento final en el nmero de bacterias (log10), equivalente a Ymx Ymin. M = Tiempo en el cual el cultivo alcanza su mxima velocidad de crecimiento (h) B = Velocidad mxima de crecimiento al tiempo M (1/h) t = tiempo (h) A partir de las constantes anteriores pueden determinarse los mismo parmetros vistos para el modelo Modificado de Gompertz as: A partir de las constantes de la Funcin Logstica, se pueden calcular diversos parmetros cinticos como: Fase de latencia ():

Tiempo de generacin:

Fin de la fase exponencial ():

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

5 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA

Duracin de la fase exponencial ():

Velocidad mxima de crecimiento (mx):

EL MODELO LOGSTICO MODIFICADO

Cayre et al. (2007) presentan en su artculo el siguiente modelo logstico modificado:

( ) (
Donde: = Tiempo de latencia mx = Mxima velocidad de crecimiento y0 ymx = Mnima y Mxima densidad poblacional

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

6 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA

EJERCICIO DE APLICACIN

Para el desarrollo del presente ejercicio, se emplear la Hoja de Clculo de Microsoft Excel 2007 (Microsoft ). Los datos con los cuales se va a trabajar son tomados del artculo publicado por Grijspeerdt, K., and Vanrolleghem, P., 1999. Tabla 1. Datos de crecimiento de Salmonella enteritidis en yema de huevo a 30C. Time (h) Ln (cfu/ml) 2,833 0 2,079 2 3,135 3 4,500 4 6,466 5 4,663 6 7,919 7 7,804 8 9,488 9 11,194 10 11,970 11 13,128 12 14,279 13 13,641 14 16,341 15 21,289 26 21,001 27 21,001 28 Figura 1. Curva de crecimiento de Salmonella enteritidis en yema de huevo a 30C.
25,0 20,0 Ln cfu/ml 15,0 10,0 5,0 0,0 0 5 10 15 Time (h) 20 25 30

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

7 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA

DETERMINACIN DE LA MAXIMA VELOCIDAD DE CRECIMIENTO Y LA DURACION DE LA FASE DE LATENCIA POR EL MTODO DE LA TANGENTE. 1. Se debe determinar la fase de crecimiento exponencial. Para ello asumimos que el cultivo est en fase exponencial cuando la poblacin a un tiempo t ha duplicado la inicial. Para esta determinacin dividimos la poblacin a cada tiempo entre la poblacin inicial y en aquel intervalo de tiempo donde Nf/N0 2 asumimos que en ese instante ha iniciado el crecimiento exponencial. 2. En nuestro ejemplo, nos situamos sobre la celda C3 y colocamos la frmula =(EXP(B3))/(EXP($B$2)). Damos enter y arrastramos la formula o pegamos la misma en las siguientes columnas. En este caso vemos que en la celda C4 se obtiene un valor de 1,35 y en la C5 un valor de 5,29. Por lo tanto, la fase exponencial comienza entre las 3 y 4 horas de iniciado el experimento (Figura 2). Figura 2.

3. Posteriormente, graficamos los datos de crecimiento en funcin del tiempo de crecimiento en su fase exponencial, y calculamos tanto la ecuacin de la recta como el coeficiente de regresin (R2). 4. Posteriormente seleccionamos aquel intervalo de tiempo donde la pendiente (equivalente a la velocidad de crecimiento) sea mayor y el coeficiente de regresin se aproxime ms a uno. En este caso y despus de realizar varias selecciones de intervalos desde A4 hasta B17 y comprobar su pendiente y R2, escogemos el intervalo A9:B14, obteniendo una pendiente de 1,2593 y un R2 de 0,9846 (ver figura 3).

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

8 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA

Figura 3.

5. Finalmente, calcularemos la duracin de la fase de latencia () empleando el mtodo de la tangente. En este caso extrapolamos la recta hasta el punto de corte con la horizontal de la poblacin inicial. Dicho de otra forma, a partir de la ecuacin de la recta reemplazamos en Y el valor de la poblacin inicial y obtenemos en X el tiempo donde finaliza la fase de latencia:

6. En este caso podemos ver que la fase de latencia finaliza a las 3,77 horas aproximadamente, lo que concuerda con lo expuesto en el numeral 2: la fase exponencial comienza entre las 3 y 4 horas de iniciado el experimento.

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

9 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA
IDENTIFICACIN DE LOS PARMETROS DEL MODELO MODIFICADO DE GOMPERTZ, LOGSTICO Y MODIFICADO LOGSTICO. 1. Segn lo visto anteriormente, los modelos Modificado de Gompertz (MMG), Modelo Logstico (ML) y Modelo Modificado Logstico (MML) comparten los mismos parmetros, siendo expresados en el ltimo modelo bajo otras denominaciones. 2. En la siguiente figura se muestran los parmetros que se usaran para la modelizacin de los datos, siendo A el valor de la poblacin a tiempo cero (2,833 Ln ufc/ml); C la diferencia entre la mxima y la mnima densidad de poblacin (21,289 2,833); B la mxima velocidad de crecimiento, la cual corresponde a la pendiente que hemos hallado anteriormente; y M el tiempo medio del intervalo en el que se observa la mxima velocidad de crecimiento (Promedio de A9:A14). Estos parmetros se usaran para los modelos MMG y ML. Figura 4.

3. El siguiente paso es modelizar los datos, para ello introducimos la siguiente ecuacin del MMG en la celda F2: =$E$2+($E$3*EXP(-EXP(-$E$5*(A2-$E$4)))) 4. Arrastramos la formula y obtenemos los datos de crecimiento ajustados al MMG (Figura 5). 5. Para el ML introducimos en la celda G2 la siguiente ecuacin: =$E$2+(($E$3)/(1+EXP($E$5*(A2-$E$4)))) 6. Arrastramos la formula y obtenemos los datos de crecimiento ajustados al ML (Figura 6).

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

10 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA
Figura 5.

Figura 6.

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

11 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA
7. Posteriormente modelizaremos los datos de crecimiento ajustndolos al MML. Para ello identificaremos los parmetros necesarios a este modelo:

( ) (

Y0 = mnima densidad de poblacin. Es equivalente al parmetro A. Ymx Y0 = diferencia entre la mxima y mnima densidad de poblacin. Es equivalente al parmetro C. mx = mxima velocidad de crecimiento. Es equivalente al parmetro B.

De tal forma que el MML puede reducirse a la siguiente expresin:

( ) (
8.

La anterior ecuacin la introducimos en la celda H2 la siguiente ecuacin: =$E$2+(($E$3)/(1+EXP(((4*$E$5)/($E$3))*($E$6-A2)+2))) 9. Arrastramos la formula y obtenemos los datos de crecimiento ajustados al MML (Figura 7). Figura 7.

Si representamos grficamente los datos modelizados frente a los observados, obtendremos la siguiente figura (Figura 8). En esta figura puede apreciarse que de los tres modelos escogidos para ajustar los datos observados, el MML resulta ser el ms bondadoso. Para corroborar lo anterior,
Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

12 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA

deber hacerse la validacin de cada modelo determinado el factor de sesgo (Bf), factor de Aseguramiento o Exactitud (Af) y el Error Cuadrado Medio (RMSE), usando la metodologa vista anteriormente. Figura 8.
25,0 20,0 Ln cfu/ml 15,0 10,0 5,0 0,0 0 5 10 15 Time (h) 20 25 30

Obs MMG ML MML

Si observamos los datos obtenidos, puede notarse que despus de las 15 horas no se realiz medicin de la poblacin hasta las 26 horas posteriores. Por lo tanto, podemos estimar como la poblacin evoluciona durante este tiempo reemplazando en cada modelo el tiempo desde las 16 horas hasta las 25 horas. As obtenemos la figura mostrada a continuacin (Figura 9) Figura 9.
25,0 20,0 15,0 10,0 5,0 0,0 0 5 10 15 Time (h) 20 25 30

Ln cfu/ml

Obs MMG ML MML

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.

13 de 13

Por una Universidad incluyente y comprometida con el desarrollo integral

UNIVERSIDAD DE PAMPLONA

BIBLIOGRAFA
Grijspeerdt, K., and Vanrolleghem, P. 1999. Estimating the parameter of the Baranyi model for bacterial growth. Food Microbiol., 16: 593 605. Cayre, M.E., Vignolo, G.M., Garro, O.A. 2007. Seleccin de un modelo primario para describir la curva de crecimiento de bacterias lcticas y Brochotrix thermosphacta sobre emulsiones crnicas cocidas. Informacin Tecnolgica 18(3): 23-29. Zwietering, M.H., I. Jongenburger, F.M. Rombouts y K. Vant Riet. 1990. Modeling of the bacterial growth curve. Appl. Environ. Microbiol. 56 (6): 1875-1881. Gibson, A.M., Bratchell, N., Roberts, T.A. 1987. The effect of sodium chloride and temperature on rate and extent of growth of Clostridium botulinum type A in pasteurized pork slurry. J. Apppl. Bacteriol., 62: 479-490. Zwietering, M.H., Rombouts, F.M., and vant Riet, K. 1992. Comparison of the definitions of the lag phase and the exponential phase in bacterial growth. Journal of Applied Bacteriology, 72: 139 145. Buchanan, R.L., and Cygnarowisz, M.L. 1990. A mathematical approach toward defining and calculating the duration of the lag phase. Food Microbiology, 7: 237 240. Ross, T. 1996. Indices for performance evaluation of predictive models in food microbiology. Journal of Applied Bacteriology, 81: 501 508.

Cabeza-Herrera, E.A., Cabeza-Herrera, R.A. El Modelo Modificado de Gompertz, Logstico y Modificado Logstico.