Microbiología-Predictiva Parte11

11/19/2010
Microbiologa Predictiva
Desarrollo & Aplicabilidad de Modelos
de Inactivacin y Crecimiento
Microbianos
Introduccin
Maria G. Corradini, Ph.D.

Profesor Asociado e Investigador
Universidad Argentina de la Empresa
Microbiologa Predictiva - Definicin
Microbiologa Predictiva -Definicin
Ciencia cuantitativa que permite evaluar objetivamente

el efecto del procesamiento, distribucin y
almacenamiento en la calidad e inocuidad
microbiolgica de los alimentos
McMeekin et al., 1993
Necesidad de describir las respuestas microbianas al

ambiente mediante el uso de modelos matemticos
McKellar y Xu, 2003
Microbiologa Predictiva Curso Pre-Congreso
Guayaquil - 2010
Ciencia que se basa en la premisa que el crecimiento,

supervivencia e inactivacin microbianas pueden ser
cuantificadas y expresadas con ecuaciones matemticas
y que bajo un especfico grupo de condiciones
ambientales el comportamiento microbiano puede ser
predicho
Fratamico et al., 2005
Guayaquil - 2010
11/19/2010
Microbiologia Predictiva
MODELOS O ECUACIONES MATEMATICAS

McMeekin et al. 2004

CUANTIFICAR
DESCRIBIR
PREDECIR
Convertir un patrn de respuesta en un modelo

matemtico
Para que usamos Microbiologa Predictiva? Para que
modelar datos microbiolgicos?

Obtener mayor informacin a partir de datos experimentales
Guayaquil - 2010
Establecer relaciones entre procesos fisiolgicos y crecimiento e

inactivacin
Comparar procesos o tratamientos

Analizar el efecto de un gran numero de escenarios a bajo
costo
Evaluar riesgos
Guayaquil - 2010
MICROBIOLOGIA PREDICTIVA
DESCRIPCION
Cuan adecuados son los modelos?
Cuales son las mayores limitaciones?

Tratamiento
(condiciones U,X,Z )
Datos obtenidos
Complejidad del sistema, tratamiento
Si no permiten obtener descripciones o predicciones

perfectas por qu seguimos modelando?
Guayaquil - 2010
Almacenamiento
(condiciones A,C,E)
PREDICCION
Tratamiento
(condiciones V,Y )
Almacenamiento
(condiciones B,D)
Guayaquil - 2010
11/19/2010
OBTENCION DE DATOS MICROBIANOS

Diseo experimental
Microbiologa vs. Matemtica
Factores/Variables relevantes
Modelacin y prediccin
Condiciones Relevantes
Numero que permita una buena modelizacin
Interacciones
Mnimo vs. ptimo
Cuales factores deben ser incluidos en el modelo??
Limitaciones de los modelos
En matrices complejas como alimentos un gran nmero de

factores pueden afectar el comportamiento microbiano
El rango de operacin del modelo queda definido por los datos

utilizados para generar el modelo
Carne molida
75% RH
20C- 35C
Solo un par de ellos tienen un efecto relevante

Y(t)
Temperatura , pH & aw/HR
Prediccin
Solo los relevantes deben ser incluidos

La inclusin de ms factores crea una complicacin innecesaria
Bibliografa para pre-seleccin de factores
Seleccin inadecuada de los factores a ser incluidos

predicciones inadecuadas, uso limitado del modelo
Tiempo
Guayaquil - 2010
Guayaquil - 2010
Temperatura variable
entre 40 & 53C
NO
entre 22 & 33C
En leche
NO
entre 20 & 30C
entre 22 & 33C
SI
SI
Datos y modelos obtenidos utilizando un medio no pueden

utilizarse para predecir lo que ocurrira en otro
Guayaquil - 2010
11/19/2010
Limitaciones de los modelos

Tomar en cuenta la historia previa del alimento

Pueden afectar la respuesta del microorganismo a los factores
Mayor muestreo en el periodo de tiempo de mayor

cambio
Corroboracin de la fase estacionaria y del final de la fase lag

INACTIVACION
Importante
Importante
Y(t)
Log10 S(t)
INACTIVACION MICROBIANA
CRECIMIENTO
Importante
Tiempo
Guayaquil - 2010
Inactivacin de microorganismos en alimentos

Reduccin significativa de la poblacin microbiana para

lograr un producto seguro y la prolongacin de su vida
til
Procesos Trmicos
Tecnologas Emergentes

Modelizacin Inactivacin - Paso a Paso

1. Determinacin de la inactivacin microbiana
Condiciones Constantes (temperatura, HR, etc.)
LogN(t)/N0
Tiempo
Seleccin de modelo adecuado (MODELO PRIMARIO) Bondad de Ajuste
TRADICIONAL = LOG LINEAL
2.a. Dependencia de los parmetros del modelo con la

temperatura , HR, etc.
Seleccin de modelo adecuado (MODELO SECUNDARIO) Bondad de Ajuste
Mala caracterizacin = mala prediccin
TRADICIONAL = MODELO DE ARRHENIUS
Altas Presiones
Radiacin UV
Ultra Sonido
PFE-Campos elctricos de alta intensidad
2.b. Determinacin y caracterizacin del perfil del tratamiento de

inters
Tratamiento : Temperatura, presin, concentracin de compuesto antimicrobiano, etc.
No isotrmico
Condiciones reales
3. Solucin de la ecuacin diferencial correspondiente
CINETICA DE INACTIVACION
Integra el perfil de temperatura y la dependencia con el tiempo y la temp.

Obtencin de la curva de inactivacin condiciones reales
Fuente : Bermudez et al., 2009
Guayaquil - 2010
Tiempo
Guayaquil - 2010
11/19/2010
INACTIVACION MICROBIANA
Modelo Log-Lineal
Modelos primarios
Describen la reduccin de la poblacin microbiana a lo
largo del tiempo.
Modelos Log-Lineales (de primer orden)

Problemas con los modelos actuales
Modelos alternativos para inactivacin microbiana

65C
70C
Modelo de Weibull
Modelo Bifsico
Descripcin de colas pronunciadas
Curvas de supervivencia sigmoidales
75C
Tiempo (escala arbitraria)
Guayaquil - 2010
Modelo Log- Lineal

dN
= k ' N
dt
65C
70C
75C
No contempla la aparicin de hombros o colas

Guayaquil - 2010
Modelo Log- Lineal

ln N = ln N 0 k ' t
Donde S = la proporcin sobreviviente, dada por la relacin

entre N(t) nmero momentario de microorganismos al tiempo t
y N0 el inculo inicial y k es la constante de la velocidad de
inactivacin
Por lo tanto el numero de clulas que sobreviven decrece
exponencialmente
Cuando se realiza la transformacin logartmica (base 10)
N (t )
= kt
log10 S (t ) = log10
N0
Donde k = k/ln10
Ventajas de este modelo

S(t) = N(t)/N0
S (t ) = e k 't
55C
60C
55C
60C
Relacin lineal
Extraccin de parmetros sencilla
k= pendiente de la recta
T1 < T2 < T3 < T4 < T5
Log10 S(t)=Log(N(t)/N0)
Desarrollado en 1922
Asume que la inactivacin de clulas vegetativas y esporas
presenta un comportamiento lineal cuando se las grafica en
coordenadas semi-logartmicas
N(t)/N0
Log10S(t)=Log10 (N(t)/N0)
k
k
k
Guayaquil - 2010
11/19/2010
Modelo Log-Lineal
N (t )
t
=
N0
D

Al calcular el valor de D para cada Temperatura a la cual

se sigui la inactivacin , se lo puede graficar en funcin
de la temperatura y obtener el valor z
Z : el incremento de temp.
necesario para reducir D
un ciclo logartmico
Tiempo
D es la recproca de la pendiente de log S(t) vs. tiempo

t
1
D=
=D
log10 N 0 log10 N (t )
k
Medida de la resistencia trmica de un microorganismo

Tradicionalmente utilizado para comparacin
Guayaquil - 2010
LOG D(t)
Modelo Log-Lineal
Si (Y SOLO SI) los datos obedecen una cintica log lineal se

pude calcular D
D = tiempo de reduccin decimal
1 log
Log10S(t)
TEMPERATURA
Guayaquil - 2010
Que implica una cintica de primer orden?

1. Que un proceso isotrmico puede ser
caracterizado usando una constante nica (k) y la
condicin inicial (Y0).
DEMASIADO FACIL PARA SER CIERTO
2. Que la constante exponencial (k) no depende del

tiempo.
3. Que el/los reactivo/s no varan con el tiempo.
11/19/2010
Son estas suposiciones realistas?

Probablemente si, pero solo para algunos sistemas en

particular.
Probablemente existen condiciones apropiadas en

sistemas simples pero no siempre.
Ejemplos de Curvas de Inactivacin

T1 < T2 < T3
T1 < T2 < T3
Log - Lineal
Concavidad Hacia Arriba

0
-2
T2
-4
T3
-6
T2
-4
T3
T3
-6
-8
T1
T1
T2
-4
10
-2
15
-8
20 0
10
15
20
-8
10
15
20
T3
T2
T2
T1
T2
-2
-4
-4
T3
-8
T1
-2
-4
-6
T3
-6
10
15
20
-8
-6
10
15
20
-8
0
10
15
20
Tiempo (unidades arbitrarias)

-2
-6
Hombro
Sigmoidal tipo II
T1
T1
-2
Sigmoidal Tipo I
LOG10 S(t)
LOG10 S(t)
Concavidad Hacia Abajo
Guayaquil - 2010
Guayaquil - 2010
11/19/2010
Inactivacin Microbiana No - Log Lineal

T1 < T2 < T3
Hombro de Activacin
Cambio total de patrn
Inversin de Concavidad
-2
-2
LOG10 S(t)
T2
T2
-4
-4
10
15
20
-8
Sin embargo se sigui (y sigue) usando el modelo log lineal

para caracterizar inactivacin microbiana
Razones para conservar el modelo de 1922?
T3
-6
-6
-6

T2
-4
T3
T3
-8
T1
10
15
20
-8
10
15
Inercia al cambio
Buen desempeo en relacin a la inactivacin
Causas de la aparicin de comportamiento no-log - lineal
20
Guayaquil - 2010
Sobre-procesamiento
Guayaquil - 2010
Causas
2002 Prof. van Boekel realizo un relevamiento de datos de

inactivacin publicados
96 % de los casos exhibieron no linealidad
T1
T1
-2
Prevalencia
Previamente : Contribucin de Artefactos
Una curva de inactivacin puede considerarse como

la distribucin cumulativa de eventos de muerte
Poblacin Heterogeneidad de Resistencias Trmicas
FRECUENCIA
-2
MENOS SENSIBLE
tc
TIEMPO
(escala arbitraria)
0
0
tc
TIEMPO
(escala arbitraria)
-4
-6
RESISTENTE
0
0
0
0
LOG10 S(t)
SENSIBLE
S(t)
RESISTENTE
SENSIBLE
S(t)
FRECUENCIA
-8
0
0
0
tc
(escala arbitraria)
0
0
TIEMPO
(escala arbitraria)
TIEMPO
(escala arbitraria)
tc
(escala arbitraria)
Guayaquil - 2010
Guayaquil - 2010
11/19/2010
Que pasa cuando pasamos una lnea por un grupo

de datos con comportamiento no lineal?
0
LOG10 S(t)
-1
-1
-2
-3

-3
-4
-6
0
10
15
20
25
30
-5
0

5
10
15
20
Guayaquil - 2010
Modelos alternativos para inactivacin

microbiana
Costo
Calidad
Formacin de productos nocivos
Sub-procesamiento
-4
Seguridad
Adecuada seleccin de microorganismos indicadores

Patgenos emergentes
Mejor descripcin durante la inactivacin trmica por mtodos

convencionales
Adecuada caracterizacin de inactivacin usando tecnologas
emergentes

Modelo de Weibull
Modelo Bifsico
Curvas de supervivencia sigmoidales
Caracterizacin de Hombros de Activacin
Guayaquil - 2010
Primeramente propuesto por Rosin-Rammler
2 parmetros en vez de uno

N (t )
= b t n
N0
Basado en la funcin de distribucin de Weibull

Modelos ms populares
Guayaquil - 2010
Modelo de Weibull
Justificacin para la utilizacin de modelos alternativos

Equivalencia de mtodos no-isotrmicos

Sobre-procesamiento
-2
-5
Razones para usar modelos ms precisos
b= parmetro escalar
n= parmetro de forma (shape parameter)
Aplicabilidad a curvas log-lineales y no log-lineales

Guayaquil - 2010
11/19/2010
Modelo de Weibull Parmetro b

Modelo de Weibull Parmetro n
b est relacionado a la velocidad de inactivacin
Si n= 1 lineal
Si n < 1 concavidad hacia abajo
Si n > 1 concavidad hacia arriba
La probabilidad de muerte es independiente del tiempo
b1 < b2 < b3
n = cte = 0.75
Las clulas que van quedando ofrecen mas resistencia
b1
LOG10 S(t)
Las clulas que van quedando se van volviendo ms susceptibles al calor
Modelo de Weibull
n=1
b2
LOG10 S(t)
Guayaquil - 2010
Inactivacin Isotrmica: Esporas
-6
119C
-1
105C
-2
121C
-3
109C
-4
123C
-4
113C
117C
121C119C
-6
0
2
10
15
20
-8
0
10
TIEMPO (min)
15
20
-8
0
10
15
20
Guayaquil - 2010
-1
-1
-2
49.8C
-2
10
-6
-4
52C
55C
-4
-5
-5
-7
2.5
7.5
10
12.5
15
TIEMPO (min)
56.6C
-6
54C
-6
54.6C
-3
-3
125C
-5
T3
-6
Ajuste con el Modelo de Weibull
LOG10 S(t)
LOG10 S(t)
-1
-5
T3
T2
-4
-3
-6
T1
-2
T1
T2
-4
Esporas de B. sporothermodurans
-2
T3
-2
T2
Inactivacin Isotrmica: E.coli
Ajuste con el Modelo de Weibull

Esporas de C. botulinum
T1
-4
-2
-8
n>1
n<1
b3
100
200
-7
300
400
500
600
TIEMPO (min)
700
58.6C
0
20
40
60
80
TIEMPO (min)
Datos Originales de Valdramidis et al. (2004)
Datos Originales de Anderson et al. (1998) & Periago et al. (2004)

Guayaquil - 2010
10
11/19/2010
Modelo Bifsico
Modelo BifsicoBifsico- Salmonella typhimurium

55C
Divide a la curva de inactivacion en dos secciones
Si
t t1 (T )
log10 S (t ) = k1 (T )t
log10 S (t ) = k 2 (T )[t t1 (T )]
t > t1 (T )
0
-4
-4
-6
-6
-8
-8
-8
-10
-10
-10
40
60
80
100
-12
0
20
58C
-8
-10
40
60
80
-2
-6
-8
-8
-8
-10
-10
-10
15
20
25
-12
0
log10 S (t ) =
10
12
14
-12
0
Guayaquil - 2010

pronunciadas
Bajo tecnologas emergentes la posibilidad de encontrar

conteos residuales es factible
Modelos antes mencionados implican que cuando
t , log10S(t) -
Modelo emprico
40
Datos Originales : Humpheson et al. (1998)

Guayaquil - 2010
no pueden describir adecuadamente un residuo

30
t1 = 1.5 min
k1 = 4.4 min-1
k2 = 1.06 min-1
-2
-4
10
20
60C
-6
10
Tiempo (min)

pronunciadas
-12
0
-6
80
-4
100
60
t1 = 2.4 min
k1 = 2.4 min-1
k2 = 0.61 min-1
-4
-12
0
20
40
t1 = 13 min
k1 = 0.61 min-1
k2 = 0.18 min-1
59C
t1 = 5 min
k1 = 1.3 min-1
k2 = 0.29 min-1
-2
Log10 S(t)
Log10 S(t)
20
-6
0
-2
-6
-12
0
-4
57C
t1 = 24 min
k1 = 0.31 min-1
k2 = 0.09 min-1
-2
-4
-2
-12
0
-2
log10 S (t ) =
k1t
k2 + t
2 parmetros : k1 & k2
El valor asinttico residual
es k1(T)
Modelo Emprico
con Residuo
k1t
k2 + t
k1 > k2 > k3
k2 = cte = 0.25
LOG 10S(t)
Si
56C
0
t1 = 49 min
k1 = 0.15 min-1
k2 = 0.071 min-1
Log10 S(t)
k3
k2
k1
Guayaquil - 2010
Guayaquil - 2010
11
11/19/2010

pronunciadas
Curvas de Inactivacion con Hombros

Pichia awry
Temp & CO2
Curvas de inactivacin que comienzan con un hombro y

cuya continuacin es una lnea recta
log10 S = log10 {1 + 10 k '[ t t c ] }

tc1 < tc2 < tc3
Log10 S(t)
Log10 S(t)
donde tc marca la longitud del hombro

y k es (aproximadamente) la
pendiente de la parte lineal
Modelo Hombro
Tiempo (min)
Datos Originales : Humpheson et al. (1998)
Guayaquil - 2010
Curvas de Inactivacion Sigmoidales

Diferencia con el modelo de Weibull

Guayaquil - 2010
Curvas de Inactivacin Sigmoidales
Caracterizacin de curvas de inactivacin sigmoidales que

exhiben hombros y terminan con un residuo considerable
Modelo Gompertz
Lactobacillus plantarum
Temp & CO2
donde A, B y C son coeficientes

que dependen de la condicin
prevalente (por ej. temperatura)
C< C < C
Modelo de Gompertz
Log10 S(t)
Log10 S(t)
log10 S (t ) = A exp{ exp{ B [t C ]}}
Tiempo (min)
Guayaquil - 2010
Guayaquil - 2010
12
11/19/2010
Curvas de Inactivacin Sigmoidales

Modelo Logstico
log10 S (t ) =
a
a
1 + exp(k * t c ) 1 + exp[k (t c t )]
Log10 S(t)
donde a, k y tc son
coeficientes que dependen
de la condicin prevalente
(por ej. temperatura)
Modelo Logistic

Guayaquil - 2010

Doble Weibull (Van Boekel, 2009)

Guayaquil - 2010

Esporas de Bacillus stearothermophylus
4 parmetros
log S(t) = k1t m1 k 2 t m 2

m1 < m2
Corradini et al.s model

4 parmetros
log S (t ) =
t
at exp
tc
m 1
Modelo Activacion
b+t
Tiempo (min)
Guayaquil - 2010
Tiempo (min)
Datos Originales de Sapru et al. (1993)
Guayaquil - 2010
13
11/19/2010
Modelos y Parmetros
Modelo
Inactivacin Microbiana Efecto de las Condiciones
Numero de
parmetros
Parmetros
Conversin a Modelo
Dinmico
Log-Lineal
Weibull
b, n
Bifsico
tc, k1,k2
Colas
k1,k2
Hombros
k, tc
Gompertz
A, B, C
Logstico
a, k, tc

Modelo Secundario Tradicional
Alternativas
Modelo de Arrhenius
Modelo Log Logstico
Guayaquil - 2010
Guayaquil - 2010
Dependencia de los Parmetros/Coeficientes de los

Modelos con la Temperatura
Modelo de Arrhenius

Predicciones inadecuadas
Velocidad de la reaccin de deterioro (k)

Temperatura
Imprecisin en la estimacin de parmetros

Describen respuestas de los parmetros del modelo primario a

cambios en las condiciones ambientales
Normalmente obtenidas con 3 o 4 valores de D solamente

Modelos Secundarios

Curvas TDT (Thermal Death Time)

Seleccin de modelo adecuado (MODELO SECUNDARIO) Bondad de Ajuste

Mala caracterizacin = mala prediccin
TRADICIONAL = MODELO DE ARRHENIUS
Dependencia de la Inactivacin con la Temperatura

2.a. Dependencia de los parmetros del modelo con la

temperatura , HR, etc.
Derivacin emprica
Relaciona k con la temperatura absoluta
Dificultad para establecer la presencia de comportamientos nolineales
LOG D(t)
1 log
A: factor pre-exponencial o factor de frecuencia

La dimensin de A debe ser la misma que la de k
Log10S(t)
Curva o Grafico TDT
Tiempo
Temperatura
Guayaquil - 2010
Guayaquil - 2010
14
11/19/2010
Dependencia de los Parmetros de los Modelos con

la Temperatura
Energa de activacin
Barrera energtica que las molculas deben cruzar para

reaccionar
Guayaquil - 2010
Modelo de Arrhenius
k = k0 e
ln k = ln k0

Re-parametrizacin
Introducir una temperatura de referencia
Guayaquil - 2010
Dependencia de k
Temperatura (C)
EA
RT
k
Modelo de Arrhenius
10
15
20
25
30
0.2
0.4
1.2
2.5
4.5
EA
RT
EA = energa de activacin
Dependencia de los Parmetros de los Modelos con

la Temperatura
Unidades: cal/mol
Medida de la sensibilidad a la temperatura
R= Constate universal de los gases= 1.987 cal/mole K

T = Temperatura absoluta (K)
Temperatura (C)
Guayaquil - 2010
Guayaquil - 2010
15
11/19/2010
Dependencia de k con la Temperatura

Linearizacin
Problemas
EA
RT
ln k = ln k0
Conversin de la
temperatura

30C
Ln(k)
25C
Transformacin de
los valores de k
Cual es la relacin entre la
EA
R
EA
R

Constante Universal de los Gases y:
la degradacin enzimtica de pectinas o hidrlisis de almidn?

el crecimiento microbiano?
la viscosidad de un concentrado de jugo de naranjas?
EA
R
20C
15C
A que equivale un mol en EA (kJ/mol) de:
10C
Un mol de esporas equivale aproximadamente a

200,000 toneladas!!!!
1/T (C)
Guayaquil - 2010
Preguntas Adicionales
Concentrado de Jugo de Naranjas?

Esporas Bacterianas?
Guayaquil - 2010
Inactivacin Microbiana = Procesos Complejos
Por que log k?

Que EA
Realmente k (cuando puede ser definida) cambia

varios ordenes de magnitud en el rango de temperatura
pertinente?
sea independiente de la temperatura implica que:
30C
Ln(k)
25C
EA
R
Exista una reaccin limitante que controla el proceso

(Prueba??)
O
Todos los sub-procesos estn coordinados de tal manera que
siempre haya una sola energa de activacin (Evidencia??)
20C
15C
10C
1/T (C)
Guayaquil - 2010
Guayaquil - 2010
16
11/19/2010
Problemas
Ecuacin de Arrhenius Conversin de Temperatura
k(T1 ) E A 1 1
ln
=

k(T
)
R
2
T1 T2
k(T) = k 0 e
EA 1 1

R T T0
Guayaquil - 2010
Conversiones de Temperatura
5-40C
0.0036-0.0032 (crecimiento microbiano)
30-65C 0.0033-0.0030 (crecimiento e inactivacin

microbiana; actividad e inactivacin de enzimas)
80-120C 0.0028-0.0025 (activacin e inactivacin de
esporas)
Guayaquil - 2010
Velocidad de reaccin solo depende de la

temperatura
Problemas con el modelo clsico
MISMA CINETICA A BAJAS Y ALTAS

TEMPERATURAS
k E 1 1
ln 1 = A
k 2 R T1 T2
k = k0 e
EA 1 1

R T1 T2
140
A
Es cierto en reacciones bioqumicas catalizadas por una

enzima que puede ser inactivada?
Es cierto para esporas bacterianas que pueden

activarse y luego ser inactivadas?
Temperatura
120
100
kA= kB= kC
B
80
C
60
40
0
10
15
20
Tiempo
Guayaquil - 2010
Guayaquil - 2010
17
11/19/2010
Procesos Complejos
Que EA
sea independiente de la temperatura implica que:
Exista una reaccin limitante que controla el proceso

(Prueba??)
O
Todos los sub-procesos estn coordinados de tal manera que
siempre haya una sola energa de activacin (Evidencia??)
Modelo Log Lineal
D
log
D
ref
T Tref
=
Ecuacin de Arrhenius
k E 1 1
ln = a
k0 R T T0
.qu pasa en este caso?
http://www.cstl.nist.gov/div838/kinetics2001/agenda/f_session/f24/f24.htm
Guayaquil - 2010
No todas las reacciones siguen el modelo de

Arrhenius
Guayaquil - 2010
18
11/19/2010
Un ejemplo adicional del problema

Prediccin del Modelo
Guayaquil - 2010
Modelos Alternativos - Dependencia de la

Temperatura
Modelo de Arrhenius - Resumen
Modelo de la potencia (Belehradek, 1935)
E
log(k ) = k0 exp A
RT
Ventaja:
Desventaja:

k = b(T T0 )
PETROU et al. (2002)

Chemistry Ed: Research & Practice in Europe,3 :87-97
Linearizacin
No demasiado flexible
Conversin de Temperatura
Significado
n=2
n=1.5
Ln(k)
Guayaquil - 2010
k = velocidad de reaccin
T0 = Temperatura cuando k =0
b & c son constantes (diferentes para cada organismo)
Casos especiales

1/Temperature
Guayaquil - 2010
n=1
Si c =1, la dependencia de la temperatura es lineal

Si c = 2, el modelo se lo llama raz cuadrada.
Guayaquil - 2010
19
11/19/2010
Modelos Alternativos - Dependencia de la

Temperatura
Seleccin de modelos
Modelo Log Logstico
k (T ) = Log{1 + exp[c(T Tc )]}
Parmetros mas intuitivos

C: velocidad de cambio
Tc: temperatura crtica a la cual
el cambio se vuelve prevalente
c2

c3
Tc2
R2 o R2 ajustado (limitado a modelos lineales)

RMSE
Residuos
Criterio de informacin de AKAIKE (AIC)
Validacin
Tc1
Grficamente
Medidas de Bondad de Ajuste
c1
k(T)
Varios modelos proveen un ajuste adecuado
Como los evaluamos?

Tc3 > Tc2 > Tc1
Analizar los datos sin pre-concepciones
Los modelos pueden NO ser nicos

c3 < c2 < c1
Los datos deben determinar la seleccin del modelo
A partir de un grupo de datos que no se haya usado para generar el

modelo
Tc3
Temperatura
Guayaquil - 2010
Bondad de Ajuste
R2
Seleccin de modelos
SS
R = 1 er = 1
SStot
SSer
(y
y)2
i =1
Bondad de ajuste
Simplicidad
R2
ajustado
2
Radj
= 1 1 R2
SS
) n n p1 1 = 1 SS
err
Tot
df t
dte

RMSE
RMSE =
(r
ajustados robservados )
Residuos
= numero de parmetros, estructura

Criterio de Akaike
ri = yi yi
> numero de parmetros en un modelos, el ajuste mejora

> incertidumbre en la estimacin de parmetros
Propagacin de errores
Principio de Parsimonia
Comparacin de modelos
Guayaquil - 2010
Guayaquil - 2010
Residuo de suma de cuadrados

Agrega una penalidad por el nmero de parmetros
Guayaquil - 2010
20
11/19/2010
1. Inactivacion Isotrmica
Log10[N(t)/N0]
Modelizacin Inactivacin Paso a Paso

T1 < T2 < T3 < T4
tiempo
2.a. Perfil No Isotrmico
Procesamiento no-isotrmico, no-isobrico, inactivacin con

concentraciones variables de agentes antimicrobianos
b1,n1;
b2,n2;
b3,n3;
b4,n4
b(T)
Temperatura
Inactivacin bajo condiciones no

estacionarias)
tiempo
3. Solucin
Temperatura
2.b. Dependencia de la Temp.
log S (t )
d log S (t )
= b [T (t )] n [T (t )]
dt
b [T (t )]
n [T (t )] 1
n [T (t )]
CURVA DE INACTIVACION BAJO CONDICIONES DINAMICAS
Log10[N(t)\N0]
La velocidad instantnea de reaccin

corresponde a la velocidad isotrmica a la
temperatura momentnea en ese tiempo en
particular para ese estado del sistema
0
TEMPERATURA
T8
T7
T6
T5
T4
T3
T2
Guayaquil - 2010
Curva de
Calentamiento
T1
Curva de Inactivacin
Isotrmica
Sin inactivacion (T1)

Log10 S(t) a T2
Log10 [N(t*)/N0]
LOG10 S(t)
Log10 S(t) a T3
Velocidad
momentaria
Log10 S(t) a T4
Log10 S(t) a T5
CURVA DE
INACTIVACION
ISOTERMICA
0
t*
TIEMPO
Guayaquil - 2010
Construccin
de la curva de
inactivacin
observada bajo
condiciones
dinmicas
TIEMPO
Log10 S(t) a T6
Log10 S(t) a T7
Log10 S(t) a T8
Guayaquil - 2010
21
11/19/2010
Inactivacin Dinmica Modelo de Weibull
Inactivacin Dinmica Modelo de Weibull

(Rate equation)
log10 S (t ) = b (T ) t n (T )
d log10 S (T )
dt
T = const
= b(T ) n(T ) t n (T )1
log S (t )
d log S (t )
= b[T (t )]n[T (t )]
dt
b[T (t )]
n [T (t )]1
n [T (t )]
log10 S (t ) n (T )
t =
b(T )
Guayaquil - 2010
Ecuacin Diferencial a Ecuacin a Diferencia
Ecuacin Diferencial a Ecuacin a Diferencia
DLog10S(t1)
log S (t )
d log S (t )
= b[T (t )]n[T (t )]
dt
b[T (t )]
DLog10S(t1)
Log10 S(t)
DLog10S(t2)
Guayaquil - 2010
n [T (t )]1
n [T (t )]
DLog10S(t2)
Dt1
Dt2
Dt1
Dt2
TIEMPO (escala arbitraria)

Guayaquil - 2010
Guayaquil - 2010
22
11/19/2010
UMass Inactivacin Programas de Excel
Guayaquil - 2010
Guayaquil - 2010
Inactivacin No-Isotrmica
PERFILES DE TEMPERATURA
B. sporothermodurans
120
100
80
60
0
10
15
20
25
E. coli
65
Temperatura (C)
Temperatura (C)
140
45
35
25
0
30
E.coli
55
25
50
75
100
CURVAS DE INACTIVACION
0
Log10S(t)
Log10S(t)
-1
-1
-2
-3
-4
Guayaquil - 2010
-3
-4
-5
10
20
30
Tiempo (min)
-2
-6
0
20
40
60
80
100
Tiempo (min)
Guayaquil - 2010
23
11/19/2010
TEMPERATURA (C)
Inactivacin No-Isotrmica- Simulaciones
Modelos Combinados
PERFILES HIPOTETICOS DE TEMPERATURA

140
140
120
120
100
100
80
80
60
40
20
0
60
40
10
15
20
25
20
30
10
15
20
25
30
CURVAS DE INACTIVACION NO ISOTERMICA

0
LOG10 S(t)
Posibilidad de predecir el efecto de dos factores

simultneamente
Bacillus
sporothermodurans
-2
-4
-6
-8
0
Bacillus
sporothermodurans
-2
Clostridium
botulinum
-4
Clostridium
botulinum
10
15
Importancia para procesos con tecnologas emergentes
-6
-8
Aw & Temperatura
Temperatura & Presin
Temperatura & Agentes Antimicrobianos
..
20
25
TIEMPO (min)
30
10
15
20
25
30
TIEMPO (min)
Guayaquil - 2010
Para un proceso combinado de aw-Temperatura
Inactivacin Dinmica Modelo Bifsico

If t t1 (T )
If t > t1 (T )
donde b(t) y n(t) estn determinados por la historia de aw

Temperature
Su determinacin requiere conocer siguientes relaciones

b(aw (T(t)) , n(T(aw(t)) o n(aw (T(t))
La dificultad no radica en la resolucin de la ecuacin

diferencia sino en establecer las relaciones de los
parmetros con la Temperatura y la aw
log 10 S (t ) = k1 (T )t
log 10 S (t ) = k1 (T )t1 (T ) k 2 (T )[t t1 (T )]
d log10 S (t )
= If [log10 S (t ) k1 [T (t )]t1 [T (t )],k1 [T (t )], k 2 [T (t )]]
dt
NDSolve[{Y[T]= =If Y-k1[T(t)]*t1[T[t], -k1[T[t]], -k2[T[t]], Y[0] = =0},Y[t],{t,0,tCycle}]
Guayaquil - 2010
24
11/19/2010
Modelo Bifsico: UMass Programa de Excel

http://www-unix.oit.umass.edu/~aew2000/
Biphasic/Biphasic.html
Dependencia de los parmetros con la Temperatura

60
50
1.25
0.75
30
20
k2(T) (min-1)
k1(T) (min-1)
t1(T) (min)
40
0
50
55
60
65
0
50
Temperatura (C)
0.5
0.25
10
55
60
0
50
65
55
60
65
Temperatura (C)
Temperatura (C)
Guayaquil - 2010
Simulaciones bajo calentamiento no isotrmico
Curvas de Inactivacin
0
60
-2
50
40
30
20
10
15
Tiempo (min)
20
70
60
60
50
50
40
40
30
30
20
-4
2.5
7.5
10
12.5
15
20
2.5
7.5
10
12.5
15
Curvas de Inactivacin
0
-2
-2
-4
-4
-6
-6
-6
-8
70
Log10 S(t)
Log10 S(t)
Temperatura (C)
70
Perfiles Hipotticos de Temperatura

Temperatura (C)
Perfiles Hipotticos de
Temperatura
Guayaquil - 2010
-10
-8
10
15
-8
20
Tiempo (min)
-10
0
Guayaquil - 2010
2.5
7.5
10
12.5
Tiempo (min)
15
-10
0
2.5
7.5
10
12.5
Tiempo (min)
15
Guayaquil - 2010
25
11/19/2010
GInaFit
Utilizacin de programas informticos para

la caracterizacin y prediccin de
inactivacin microbiana
GInaFit
Guayaquil - 2010
UMass Inactivacin 5 Curvas Simultneas
Guayaquil - 2010
Guayaquil - 2010
26
11/19/2010
(min)
Tiempo Equivalente
Log10 S(t)
Temperatura (C)
UMass - Demostracin en Mathematica
Tiempo (min)
Guayaquil - 2010
UMass - Perfil de Temperatura
Guayaquil - 2010
UMass -Curva de Inactivacin
Guayaquil - 2010
Guayaquil - 2010
27
11/19/2010
Letalidad de un proceso
F0 = 10
T (t )Tref
z
Curva de
Inactivacin Real
Tiempo Prctico de
Muerte Trmica
-2
dt
ti3
-4
-6
La relacin entre F0 y la reduccin decimal esta dada por :
Tiempo Equivalente
@ T=Tref
Curva de Inactivacin
Isotrmica
t isotermica (min)
Clculo de Tiempo Equivalente
Valor F0
Tiempo equivalente a una temperatura de referencia Tref
que provee la misma inactivacin que el proceso
observado
LOG10 S(t)
ti2
-8
ti1
t
F
1
log S (t ) = 0 =
10
Dref
Dref 0
T ( t ) Tref
z
-10
tp1 tp2 tp3

t proceso (min)
dt
Guayaquil - 2010
ti1
ti2
t isotrmico
ti3
(min)
tp1 tp2 tp3

t proceso (min)
Guayaquil - 2010
UMass - Tiempo Equivalente
Modelos probabilsticos de inactivacin

microbiana
Guayaquil - 2010
28
11/19/2010
Modelos Determinsticos vs. Modelos

Probabilsticos
Los procesos a nivel molecular y celular determinan el

destino de un microorganismo o espora y por lo
tanto determinan el destino de una poblacin
Modelos Determinsticos

Modelos Probabilsticos
Como resultado proveen valores numricos exactos

La misma entrada siempre provee el mismo resultado
En la mayora de los casos desconocemos como

debido a dos razones principales:
Modelos Probabilsticos

Tambin referido a estocstico

Proveen un resultado que contempla la variabilidad de un
sistema y de sus componentes
La misma entrada provee diferentes resultados
Guayaquil - 2010
Modelos Probabilisticos
b. Las condiciones locales dentro del alimento y las

historias individuales de cada clula.
Guayaquil - 2010
Inactivacin de Clulas Vegetativas
Objetivos:
Modelar el destino de una pequea cantidad de clulas
Desarrollar un modelo que permita evaluar condiciones

estticas y dinmicas
a. Variabilidad entre las clulas o esporas debido a

diferencias genticas
Guayaquil - 2010
Guayaquil - 2010
29
11/19/2010
Modelo Probabilistico de Inactivacion: Discreto y

Continuo
En el modelo discreto, si solo se observa muerte, la probabilidad

de supervivencia de una clula individual puede expresarse
como:
n
P(n) = [1 Pm (t)t]
Metodologa
Si se asume una Probabilidad de Muerte (Pm)
A cada clula para cada estadio se le asigna un

numero aleatorio Rn con una distribucin uniforme
(0. Rn 1.).
Si Rn 0.30, la clula muere.
Si Rn > 0.30, la clula sobrevive y pasa al siguiente
estadio.
En cada estadio se suman el nmero de clulas
remanentes para contabilizar la poblacin
Pm(t) = 0.30
i=1
Mientras que el modelo continuo
N(t) = N 0 exp Pm (s)ds

0
Donde N(t) es el no. de clulas viables despus de un tiempo t,

N0 el inoculo inicial, s una variable de integracin , Pm(s) es
equivalente a Pm(t) en el modelo discreto.
Guayaquil - 2010
Resultados para el Modelo Discreto para un nmero

pequeo de clulas
Guayaquil - 2010
Resultados para el Modelo Discreto para un nmero

pequeo de clulas bajo condiciones no isotrmicas
Pm = 0.3
Pm = 0.5
Pm = 0.9
Guayaquil - 2010
Guayaquil - 2010
30
11/19/2010
T1 < T2 < T3
Resultados del Modelo Continuo
T1
T1
T2
T3
T3
T2
Perfil de
Enfriamiento
Perfil de
Calentamiento
Simulacin de
inactivacin
no- isotrmica
Guayaquil - 2010
Extraccin de la probabilidad a partir de datos

experimentales
Original Data from Valdramidis et al. (2006) & Juneja (2007)

Guayaquil - 2010
Guayaquil - 2010
Extraccin de la probabilidad a partir de datos

experimentales
Original Data from Anderson et al. (1996) & Miller et al. (2009)
Guayaquil - 2010
31
11/19/2010
Inactivacin de esporas viables y latentes

1 - Pm Dt
Pm Dt
t=t
Pa Dt
Activacin y Supervivencia de una Espora Latente
t = t + Dt
t=t
viable (enumerable)
Inactiva (muerta)
t = t + Dt
activada (enumerable)
1 - Pa Dt - Pm Dt
latente (enumerable)
Pm Dt
inactiva (muerta)
Guayaquil - 2010
Guayaquil - 2010
P(4) =
Modelo discreto
P ( 0) = 0
P(1) = Pa (1)
P(2) = [1 Pa (1) Pm (1)]Pa (2 ) + Pa (1)[1 Pm (2 )]
[1 Pa (1) Pm (1)][1 Pa (2) Pm (2)][1 Pa (3) Pm (3)]Pa (4 )

+[1 Pa (1) Pm (1)][1 Pa (2) Pm (2)]Pa (3)[1 Pm (4 )]
+[1 Pa (1) Pm (1)]Pa (2)[1 Pm (3)][1 Pm (4 )]
+Pa (1)[1 Pm (2)][1 Pm (3)][1 Pm (4 )]
P(5) =
P(3) =
[1 Pa (1) Pm (1)][1 Pa (2) Pm (2)][1 Pa (3) Pm (3)][1 Pa (4) Pm (4)]Pa (5)

+[1 Pa (1) Pm (1)][1 Pa (2) Pm (2)][1 Pa (3) Pm (3)]Pa (4)[1 Pm (5)]
+[1 Pa (1) Pm (1)][1 Pa (2) Pm (2)]Pa (3)[1 Pm (4)][1 Pm (5)]
+[1 Pa (1) Pm (1)]Pa (2)[1 Pm (3)][1 Pm (4 )][1 Pm (5)]
+Pa (1)[1 Pm (2)][1 Pm (3)][1 Pm (4)][1 Pm (5)]
[1 Pa (2) Pm (2)]Pa (3)

+[1 Pa (1) Pm (1)]Pa (2)[1 Pm (3)]
+Pa (1)[1 Pm (2)][1 Pm (3)]
Guayaquil - 2010
Guayaquil - 2010
32
11/19/2010
P(n) =
[1 Pa (1) Pm (1)][1 Pa (2) Pm (2)][1 Pa (3) Pm (3)].[1 Pa (4 ) Pm (4)][1 Pa (5) Pm (5)].......Pa (n )

+[1 Pa (1) Pm (1)][1 Pa (2) Pm (2)][1 Pa (3) Pm (3)][1 Pa (4 ) Pm (4 )]............Pa (n 1)[1 Pm (n )]
+[1 Pa (1) Pm (1)][1 Pa (2) Pm (2)][1 Pa (3) Pm (3)]...................Pa (n 2)[1 Pm (n 1)][1 Pm (n )]
.
.
+[1 Pa (1) Pm (1)]Pa (2)[1 Pm (3)][1 Pm (4 )]......................... [1 Pm (n 2)][1 Pm (n 1)].[1 Pm (n )]
+Pa (1)[1 Pm (2)].[1 Pm (3)].[1 Pm (4 )]..............[1 Pm (n 3)][1 Pm (n 2)][1 Pm (n 1)][1 Pm (n )]
P(n) =
[1 Pa (1) Pm (1)][1 Pa (2) Pm (2)][1 Pa (3) Pm (3)].[1 Pa (4 ) Pm (4)][1 Pa (5) Pm (5)].......Pa (n )

+[1 Pa (1) Pm (1)][1 Pa (2) Pm (2)][1 Pa (3) Pm (3)][1 Pa (4 ) Pm (4 )]............Pa (n 1)[1 Pm (n )]
+[1 Pa (1) Pm (1)][1 Pa (2) Pm (2)][1 Pa (3) Pm (3)]...................Pa (n 2)[1 Pm (n 1)][1 Pm (n )]
.
.
+[1 Pa (1) Pm (1)]Pa (2)[1 Pm (3)][1 Pm (4 )].........................1
[ Pm (n 2)][1 Pm (n 1)].[1 Pm (n )]
+Pa (1)[1 Pm (2)].[1 Pm (3)].[1 Pm (4 )]..............[1 Pm (n 3)][1 Pm (n 2)][1 Pm (n 1)][1 Pm (n )]
Guayaquil - 2010
Guayaquil - 2010
Pm(t)
Pm(t)
Extraccin de las probabilidades a partir de datos

experimentales de B. stearothermophylus
Curvas de
Inactivacion
de Esporas
Pm(t)
Pm(t)
Datos Originales de Sapru et al. (1992)

Guayaquil - 2010
Guayaquil - 2010
33

Microbiología-Predictiva Parte11

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Microbiología-Predictiva Parte11

Caricato da

Copyright:

Formati disponibili

11/19/2010

Maria G. Corradini, Ph.D.

Microbiologa Predictiva - Definicin

Microbiologa Predictiva -Definicin

Ciencia cuantitativa que permite evaluar objetivamente

Necesidad de describir las respuestas microbianas al

Microbiologa Predictiva Curso Pre-Congreso

Ciencia que se basa en la premisa que el crecimiento,

Microbiologa Predictiva Curso Pre-Congreso

MODELOS O ECUACIONES MATEMATICAS

McMeekin et al. 2004

Convertir un patrn de respuesta en un modelo

Microbiologa Predictiva Curso Pre-Congreso

Obtener mayor informacin a partir de datos experimentales

Establecer relaciones entre procesos fisiolgicos y crecimiento e

Comparar procesos o tratamientos

Microbiologa Predictiva Curso Pre-Congreso

Cuan adecuados son los modelos?

Cuales son las mayores limitaciones?

Si no permiten obtener descripciones o predicciones

Microbiologa Predictiva Curso Pre-Congreso

Microbiologa Predictiva Curso Pre-Congreso

OBTENCION DE DATOS MICROBIANOS

Microbiologa vs. Matemtica

Numero que permita una buena modelizacin

Mnimo vs. ptimo

Microbiologa Predictiva Curso Pre-Congreso

Cuales factores deben ser incluidos en el modelo??

Limitaciones de los modelos

En matrices complejas como alimentos un gran nmero de

El rango de operacin del modelo queda definido por los datos

Solo un par de ellos tienen un efecto relevante

Temperatura , pH & aw/HR

Solo los relevantes deben ser incluidos

La inclusin de ms factores crea una complicacin innecesaria

Bibliografa para pre-seleccin de factores

Seleccin inadecuada de los factores a ser incluidos

Datos y modelos obtenidos utilizando un medio no pueden

Limitaciones de los modelos

Tomar en cuenta la historia previa del alimento

Pueden afectar la respuesta del microorganismo a los factores

Mayor muestreo en el periodo de tiempo de mayor

Corroboracin de la fase estacionaria y del final de la fase lag

Inactivacin de microorganismos en alimentos

Reduccin significativa de la poblacin microbiana para

Modelizacin Inactivacin - Paso a Paso

Seleccin de modelo adecuado (MODELO PRIMARIO) Bondad de Ajuste

TRADICIONAL = LOG LINEAL

2.a. Dependencia de los parmetros del modelo con la

2.b. Determinacin y caracterizacin del perfil del tratamiento de

3. Solucin de la ecuacin diferencial correspondiente

Integra el perfil de temperatura y la dependencia con el tiempo y la temp.

Microbiologa Predictiva Curso Pre-Congreso

Microbiologa Predictiva Curso Pre-Congreso

Modelos Log-Lineales (de primer orden)

Modelos alternativos para inactivacin microbiana

Tiempo (escala arbitraria)

Microbiologa Predictiva Curso Pre-Congreso

Modelo Log- Lineal

Tiempo (escala arbitraria)

No contempla la aparicin de hombros o colas

Modelo Log- Lineal

Donde S = la proporcin sobreviviente, dada por la relacin