Rev.00
Aplicación de la microbiología predictiva para la cuantificación del riesgo de
Listeria monocytogenes
Dra. Raquel Virto
Área I+D+i CNTA
¿QUÉ ES LA MICROBIOLOGÍA PREDICTIVA?
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
La microbiología predictiva comprende el estudio de la
respuesta de crecimiento o de inhibición o de inactivación
de microorganismos que están en los alimentos,
en función de factores que les afecten
(temperatura, pH, gases, etc.) y a partir de estos datos
predecir lo que sucederá durante el almacenamiento,
procesado, etc
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
MICROBIOLOGÍA PREDICTIVA:
Principales causas de su desarrollo
• Reconocimiento de que el control de alimentos basado en la inspección del
producto final es costosa, laboriosa y poco eficaz.
• Marcado incremento en la incidencia de brotes de toxiinfección alimentaria en las
últimas décadas
• Aparición de métodos rápidos de recuento microbiano
• Tremendo desarrollo de la informática y facilidad en su acceso.
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
MODELO PREDICTIVO MICROBIANO
Expresión matemática que describe el crecimiento, supervivencia o inactivación de un microorganismo
alterante o patógeno
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
1- DISEÑO EXPERIMENTAL
2- OBTENCIÓN DE DATOS
3- AJUSTE DE LA CURVA DE CRECIMIENTO / INHIBICIÓN
4- OBTENCIÓN DEL MODELO
5-VALIDACIÓN
.
.
6-OBTENCIÓN DE PREDICCIONES
MICROBIOLOGÍA PREDICTIVA:
ETAPAS PARA EL DESARROLLO DE UN MODELO
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
1- DISEÑO EXPERIMENTAL
2- OBTENCIÓN DE DATOS
3- AJUSTE DE LA CURVA DE CRECIMIENTO / INHIBICIÓN
4- OBTENCIÓN DEL MODELO
5-VALIDACIÓN
.
.
6-OBTENCIÓN DE PREDICCIONES
MICROBIOLOGÍA PREDICTIVA:
ETAPAS PARA EL DESARROLLO DE UN MODELO
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
a) Definir objetivo experimental
b) Enumerar todas las variables y grado importancia
c) Rango de Fluctuación de Variables
d) Selección del medio o Sustrato
e) Características del Inóculo
f) Competencia con otros microorganismos
MICROBIOLOGÍA PREDICTIVA:
Estrategia para Diseño experimental (Davies 1993):
GENERAL Ejemplo Tiempo que tarda Listeria en crecer
en un alimento refrigerado
Temperatura, concentración de sal, humedad relativa, etc..
Temperatura (de 2 a 10ºC)
Concentración de sal (de 0 a2%)
Etc...
El propio alimento, un sistema modelo, etc.....
Especie, cepa, concentración, momento de adición, etc..
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
1- DISEÑO EXPERIMENTAL
2- OBTENCIÓN DE DATOS
3- AJUSTE DE LA CURVA DE CRECIMIENTO / INHIBICIÓN
4- OBTENCIÓN DEL MODELO
5-VALIDACIÓN
.
.
6-OBTENCIÓN DE PREDICCIONES
MICROBIOLOGÍA PREDICTIVA:
ETAPAS PARA EL DESARROLLO DE UN MODELO
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
• BASES DE DATOS
• PROGRAMAS INFORMÁTICOS
• LITERATURA CIENTÍFICA
• INFORMACIÓN PROCEDENTE DE
EMPRESAS, LABORATORIOS, ETC..
MODELOS
PREDICCIONES
MICROBIOLOGÍA PREDICTIVA:
Estrategia para Diseño experimental (Davies 1993):
Concentración de
microorganismos
Tiempo
1- DISEÑO EXPERIMENTAL
2- OBTENCIÓN DE DATOS
3- AJUSTE DE LA CURVA DE CRECIMIENTO / INACTIVACIÓN
4- OBTENCIÓN DEL MODELO
5-VALIDACIÓN
.
.
6-OBTENCIÓN DE PREDICCIONES
MICROBIOLOGÍA PREDICTIVA:
ETAPAS PARA EL DESARROLLO DE UN MODELO
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
Ajuste de la curva de crecimiento a una expresión matemática
4 ºC 6 ºC 10 ºC
15 ºC
20 ºC 25 ºC
Tiempo (horas)
Log
UFC
/gra
mo
3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14
Datos experimentales
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
Tiempo (horas)
Log
UFC
/gra
mo
3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14
4 ºC 6 ºC 10 ºC
15 ºC
20 ºC 25 ºC
Datos experimentales
Ajuste de la curva de crecimiento a una expresión matemática
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
Tiempo (horas)
Log
UFC
/gra
mo
3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14
4 ºC 6 ºC 10 ºC
15 ºC
20 ºC 25 ºC
Datos experimentales
Ajuste de la curva de crecimiento a una expresión matemática
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
Tiempo (horas)
Log
UFC
/gra
mo
3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14
4 ºC 6 ºC 10 ºC
15 ºC
20 ºC 25 ºC
Datos experimentales
Ajuste de la curva de crecimiento a una expresión matemática
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
Tiempo (horas)
Log
UFC
/gra
mo
3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14
4 ºC 6 ºC 10 ºC
15 ºC
20 ºC 25 ºC
Datos experimentales
Ajuste de la curva de crecimiento a una expresión matemática
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
Tiempo (horas)
Log
UFC
/gra
mo
3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14
4 ºC 6 ºC 10 ºC
15 ºC
20 ºC 25 ºC
Datos experimentales
Ajuste de la curva de crecimiento a una expresión matemática
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
Tiempo (horas)
Log
UFC
/gra
mo
3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14
4 ºC 6 ºC 10 ºC
15 ºC
20 ºC 25 ºC
Datos experimentales
AJUSTE A UNA ECUACIÓN MATEMÁTICA
Ajuste de la curva de crecimiento a una expresión matemática
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
1- DISEÑO EXPERIMENTAL
2- OBTENCIÓN DE DATOS
3- AJUSTE DE LA CURVA DE CRECIMIENTO / INACTIVACIÓN
4- OBTENCIÓN DEL MODELO
5-VALIDACIÓN
.
.
6-OBTENCIÓN DE PREDICCIONES
MICROBIOLOGÍA PREDICTIVA:
ETAPAS PARA EL DESARROLLO DE UN MODELO
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
MODELOS: simplificaciones de un sistema biológico a través de la utilización de funciones matemáticas, especificándose las condiciones previas el proceso.
MODELOS PRIMARIOS
MODELOS SECUNDARIOS
MODELOS TERCIARIOS
MODELOS PRIMARIOS Inactivación
Crecimiento
Estudian la cinética de un proceso con el objeto de, con el menor número posible de parámetros, ser capaces de definir con
precisión las distintas fases de crecimiento e inactivación microbiana
OBTENCIÓN DEL MODELO
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
•Esquema propuesto por Whiting y Buchanan (1993):
Modelos PRIMARIOS
Cambio en el número de microorganismos en el tiempo bajo ciertas condiciones ambientales
Ecuación de Gompertz
Ecuación de Baranyi y Roberts
Modelo lineal en 3 fases
Modelos SECUNDARIOS
Cambio en los parámetros de crecimiento/muerte frente a los factores ambientales
Modelos de Raiz Cuadrada
Ecuaciones polinómicas
Redes neuronales Artificiales Modelos TERCIARIOS Programas informáticos
OBTENCIÓN DEL MODELO
TIP0S DE MODELOS MATEMÁTICOS
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
MODELO vs FUNCIÓN MATEMÁTICA
MEJOR AJUSTE ≠MEJOR MODELO
Un modelo matemático es un conjunto de supuestos, de los cuales algunos son formulados mediante funciones matemáticas (diferenciales).
Los sistemas biológicos son extremadamente complejos, por lo que su modelo debe incluir inevitablemente idealizaciones simplificadas (Baranyi y Roberts, 1995)
OBTENCIÓN DEL MODELO
TIP0S DE MODELOS MATEMÁTICOS
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
Según el tipo de predicción:
• Modelos que predicen la tasa de crecimiento o muerte
• Modelos que predicen la fase de latencia
• Modelos que predicen la probabilidad de crecimiento
• Modelos que predicen la transferencia microbiana
Según la forma del modelo/supuestos biológicos:
• Modelos polinomiales Factores ambientales descritos simultáneamente través de una función polinómica
• Modelos tipo raíz cuadrada
• Modelo gamma
• Modelos de parámetros cardinales
Factores ambientales modelados de forma individual; a posteriori se combinan de un modo más general.
• Modelos logit Probabilidad de crecimiento
OBTENCIÓN DEL MODELO
TIP0S DE MODELOS MATEMÁTICOS
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
OBTENCIÓN DEL MODELO
Modelo matemático de crecimiento
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
÷÷ø
öççè
æ+-+= -
-
0max
1)(max
max0 1ln1)()( NmN
tAm
ee
mtANtN
m
mEcuación Baranyi
Son particularmente útiles cuando se quiere predecir el cambio en el crecimiento microbiano de forma cuantitativa
Log
UFC
Lag exponencial estacionaria
Tiempo
OBTENCIÓN DEL MODELO
Modelo matemático de crecimiento
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
λ
μ= tasa de crecimiento
Tiempo de Duplicación = TD Nmax
Tiempo de generación = GT
N0
OBTENCIÓN DEL MODELO
Modelo matemático de crecimiento
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
Ecuación Gompertz ( ))))((*)( MtBeeCAtLogx ---+=
Son particularmente útiles cuando se quiere predecir el cambio en el crecimiento microbiano de forma cuantitativa
Log
UFC
Lag exponencial estacionaria
Tiempo
OBTENCIÓN DEL MODELO
Modelo matemático de crecimiento
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
M (tiempo)
B= tasa de crecimiento
C (UFC/mL)
A (UFC/mL)
OBTENCIÓN DEL MODELO
Modelo matemático de inactivación/muerte
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
Modelo no lineal Modelo matemático basado en la distribución de Weibull
La distribución de Weibull es una distribución de probabilidad que se ha utilizado para describir el
comportamiento de sistemas o eventos que tiene cierto grado de variabilidad. Esta distribución fue
desarrollada en 1939 por W. Weibull para analizar estadísticamente la resistencia de distintos
materiales (Cunha et al., 1998) N = número de microorganismos a tiempo t
No = número inicial de microorganismos
t = tiempo de tratamiento
b = parámetro denominado factor de escala
n = parámetro denominado factor de forma. Cuando
n=1, la gráfica de supervivencia es recta; cuando
n>1, la gráfica de supervivencia es cóncava; y
cuando n<1, la gráfica de supervivencia en convexa.4
nbtNNLog -=
0
Modelo propuesto por Peleg y Cole:
Modelo propuesto por Mafart et al. 2002
ptNNLog ÷
øö
çèæ-=
d0
OBTENCIÓN DEL MODELO
Modelo matemático de inactivación/muerte
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
0
1
2
3
4
5
6
7
8
0 20 40 60 80
D
Tiempo (min)
Modelo lineal
0
0,5
1
1,5
2
2,5
90 100 110 120 130 140 150
Z
Temperatura (ºC)
)(loglog 0 tNNtvalorD
-=
12
12
loglog DDTTvalorZ
--
=
OBTENCIÓN DEL MODELO
Modelo matemático de inactivación/muerte
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
Modelo no lineal
Tiempo
Log
UFC
/mL
Modelo cola Modelo bifásico
Modelo Log-lineal
OBTENCIÓN DEL MODELO
HERRAMIENTA PATHOGEN MODELLING PROGRAM
Aplicación de la microbiología predictiva para la cuantificación del riesgo de Listeria monocytogenes
PMP
http://pmp.arserrc.gov/PMPOnline.aspx
Bibliografía
•Augustin, J.C., Carlier, V., Rozier, J. (1998), "Mathematical modelling of the heat resistance of Listeria monocytogenes", Journal in Applied Microbiology, Vol. 84 pp.185-91
•Baranyi, J., Robert, T.A. (1994), "A dynamic approach to predicting bacterial growth in food", International Journal of Food Microbiology, Vol. 23 pp.277-94.
•Baranyi, J., Robert, T.A. (1995), "Mathematics of predictive food microbiology", International Journal of Food Microbiology, Vol. 26 pp.199-218.
•Buchanan, R.L., Golden, M.H. (1995), "Model for the non-thermal inactivation of Listeria monocytogenes in a reduced oxygen environment", Food Microbiology, Vol. 12 pp.203-12.
•Buchanan, R.L., Golden, M.H., Whiting, R.C., Philips, J.G., Smith, J.L. (1994), "Non-thermal inactivation models for Listeria monocytogenes", Journal of Food Science, Vol. 59 pp.179-88.
•Buchanan, R.L., Whiting, R.C., Damert, W.C. (1997), "When is simple good enough: a comparison of the Gompertz, Baranyi, and three-phase linear models for fitting bacterial growth curves", Food Microbiology, Vol. 14 pp.313-26.
•Casolari, A. (1988), "Microbial death", in Bazin, M.J., Prosser, J.I. (Eds),Physiological Models in Microbiology 2, CRC Press, Boca Raton, FL, pp.1-44.
•Cole, M.B., Davies, K.W., Munro, G., Holyoak, C.D., Kilsby, D.C. (1993), "A vitalistic model to describe the thermal inactivation of Listeria monocytogenes", Journal of Industrial Microbiology, Vol. 12 pp.232-9.
• Cunha, L.M., Oliveria, F.A.R., Oliveria, J.C. (1998), "Optimal experimental design for estimating the kinetics parameters of processes described by the Weibull probability distribution function", Journal of Food Engineering, Vol. 37 pp.175-91.
•Daugthry, B.J., Davey, K.R., Thomas, C.J., Verbyla, A.P. (1997), "Food processing – a new model for the thermal destruction of contaminating bacteria", in Jowitt, R. (Eds),Engineering and Food at ICEF7, Sheffield Academic Press, Sheffield, pp.A113-6.
•Fernández, A., Collado, J., Cunha, L.M., Ocio, M.J., Martinez, A. (2002), "Empirical model building based on Weibull distribution to describe the joint effect of pH and temperature on the thermal resistance of Bacillus cereus in vegetable substance", International Journal of Food Microbiology, Vol. 77 pp.147-53.
•Fernández, A., Ocio, M.J., Fernandez, P.S., Rodrigo, M., Martinez, A. (1996), "Mathematical model for the combined effect of temperature and pH on the thermal resistance of Bacillus stearothermophilus and Clostridium sporogenes spores", International Journal of Food Microbiology, Vol. 32 pp.225-33.
•Fernández, A., Ocio, M.J., Fernandez, P.S., Rodrigo, M., Martinez, A. (1999), "Application of a frequency distribution model to describe the thermal inaxtivation of two strains of Bacillus cereus", Trends in Food Science and Technology, Vol. 10 pp.158-62.
•Francois, K., Devlieghere, F., Smet, K., Standaert, A.R., Geeraerd, A.H., Vam Impe, J.F., Debevere, J. (2005), "Modelling the individual cell lag phase: effect of temperature and pH on the individual cell lag distribution of Listeria monocytogenes", International Journal of Food Microbiology, Vol. 100 pp.41-53.
Bibliografía
Bibliografía
• Geeraerd, A.H., Herremans, C.H., Van Impe, J.F. (2000), "Structural model requirements to describe microbial inactivation during a mild heat treatment", International Journal of Food Microbiology, Vol. 59 pp.185-209.
•Geeraerd, A.H., Valdramidis, V.P., Van Impe, J.F. (2005), "GInaFit, a freeware tool to assess non-log-linear microbial survivor curves", International Journal of Food Microbiology, Vol. 102 pp.95-105.
•Geeraerd, A.H., Valdramidis, V.P., Devlieghere, F., Bernaert, H., Debevere, J., Van Impe, J.F. (2004), "Development of a novel approach for secondary modelling in predictive microbiology: incorporation of microbiological knowledge in black box polynomial modelling", International Journal of Food Microbiology, Vol. 91 pp.229-44.
•Gibson, A.M., Bratchell, N., Roberts, T.A. (1987), "The effect of sodium chloride and temperature on the rate and extent of growth of Clostridium botulinum type A in pasteurized pork slurry", Journal of Applied Bacteriology, Vol. 62 pp.479-90.
•Linton, R.H., Carter, W.H., Pierson, M.D., Hackney, C.R. (1995), "Use of a modified Gompertz Equation to model nonlinear survival curves for Listeria monocytogenes Scott A", Journal of Food Protection, Vol. 58 pp.946-54.
•López, S., Prieto, M., Dijkstra, J., Dhanoa, M.S., France, J. (2004), "Statistical evaluation of mathematical models for microbial growth", International Journal of Food Microbiology, Vol. 96 pp.289-300.
•Mafart, P., Couvert, O., Gaillard, S., Leguerinel, I. (2002), "On calculating sterility in thermal preservation methods: application of the Weibull frequency distribution model", International Journal of Food Microbiology, Vol. 72 pp.107-13.
•McDonald, K., Sun, D.-W. (1999), "Predictive food microbiology for the meat industry: a review", International Journal of Food Microbiology, Vol. 52 pp.1-27.
• McMeekin, T.A., Olley, J., Ratkowsky, D.A., Ross, T. (2002), "Predictive microbiology: towards the interface and beyond", Food Microbiology, Vol. 73 pp.395-407
•McMeekin, T.A., Olley, J., Ross, T., Ratkowsky, D.A. (1993), Predictive Microbiology: Theory and Application, John Wiley, New York, NY, .
•McMeekin, T.A., Ross, T. (2002), "Predictive microbiology: providing a knowledge-based framework for change management", International Journal of Food Microbiology, Vol. 78 pp.133-53.
•Membré, J.M., Thurette, J., Catteau, M. (1997), "Modelling the growth, survival and death of Listeria monocytogenes", Journal of Applied Microbiology, Vol. 82 pp.345-50.
•Peleg, M., Cole, M.B. (2000), "Estimating the survival of Clostridium botulinum spores during heat treatments", Journal of Food Protection, Vol. 63 pp.190-5.
•Ratkowsky, D.A., Ross, T. (1995), "Modelling the bacterial growth/no growth interface", Letters in Applied Microbiology, Vol. 20 pp.29-33.
•Schmidt, S.K. (1992), "Models for studying the population ecology of micro organisms in natural systems", Modelling the Metabolic and Physiologic Activities of Micro organisms, Wiley, New York, NY, pp.31-59.
•Van Boekel, M.A.J.S. (2002), "On the use of the Weibull model to describe thermal inactivation of microbial vegetative cells", International Journal of Food Microbiology, Vol. 74 pp.139-59.
•Virto, R., Sanz, D., Álvarez, I., Raso, C.J. (2005), "Inactivation kinetics of Yersinia enterocolitica by citric and lactic acid at different temperatures", International Journal of Food Microbiology, Vol. 103 pp.251-7.
•Whiting, R.C., Buchanan, R.L. (1993), "A classification of models for predictive microbiology", Food Microbiology, Vol. 10 pp.175-7.
Bibliografía