[Inocuidad]
Aplicación de los modelos matemáticos
microbianos en la industria alimentaria
*Aster Bruselas Alvarez, Yamilé Moya Cribeiro,Tatiana Beldarraín Iznaga,
Maidolys Francisco Domínguez
Instituto de Investigaciones para la Industria Alimenticia. La Habana, Cuba
*
[email protected] Resumen la durabilidad de un alimento bajo determinadas condi-
En este trabajo se recopiló información acerca de la ciones. Sin embargo, estas pruebas son caras y laborio-
aplicación de los modelos matemáticos en el área sas (McDonald y Sun, 1999). El rápido desarrollo de
microbiológica de la industria alimentaria. El empleo de modelos microbianos y su habilidad para predecir el cre-
esta ciencia en el desarrollo de la evaluación de riesgos cimiento de los microorganismos se ha convertido en
microbiológicos, así como en estudios de durabilidad, en una herramienta de la investigación inestimable. El uso
investigación y desarrollo de productos, en análisis de de modelos puede proporcionar información rápidamen-
peligros y puntos críticos de control, y en evaluación de te y, por consiguiente, es importante apreciar el valor
riesgos, entre otras aplicaciones, ofrece grandes venta- real y la utilidad de los modelos de predicción.
jas para la seguridad e inocuidad de los alimentos. También es necesario señalar que sus aplicacio-
Palabras clave: modelación matemática, microbiología nes no pueden reemplazar análisis microbiano de mues-
predictiva, aplicación tras o la experiencia técnica legítima ni el juicio de un
microbiólogo experimentado. Esto se hace bajo la pre-
Introducción misa de que las respuestas de los microorganismos a las
Tradicionalmente la seguridad microbiológica de los ali- condiciones ambientales son consistentes y reproduci-
mentos, en especial de la carne, se ha establecido por los bles (Ross y McMeekin, 1994; Whiting, 1997). De esta
cambios en los recuentos de los diferentes grupos manera surge la llamada microbiología predictiva de los
microbianos. Estas pruebas simulan los efectos de las alimentos (MPA) que es una mezcla de áreas tan disími-
condiciones ambientales sobre los alimentos a través del les como la matemática, la ingeniería, la química y la
crecimiento y proliferación de microorganismos del microbiología. El objetivo de este trabajo fue recopilar
deterioro y patógenos, por lo que proveen al investiga- información sobre la aplicación de los modelos matemá-
dor de una herramienta útil para conocer la seguridad y ticos en la industria alimentaria.
> 62 [ La Alimentación Latinoamericana Nº 286 ] 2010
Desarrollo condiciones de abuso que un producto puede experi-
Un modelo es una expresión matemática que describe mentar durante su almacenamiento (Williams, 1992).
comportamientos determinados. Un modelo puramente Existe una amplia variedad y número de microorganis-
empírico, como el modelo de superficie de respuesta mos que deterioran la carne, por lo que desarrollar
cuadrática para la dependencia ambiental de un pará- modelos para éstos es más complejo y su aplicación está
metro de una población celular, es un modelo también, mucho más limitada (Pin y Baranyi, 1998; Matagaras y
pero su objetivo no es más que una representación sua- col, 2006).
vizada de los resultados experimentales (Gibson y col, Establecer y seguir un estudio de vida de ana-
1988; Baranyi y Robert, 1995). quel es un procedimiento no sólo costoso económica
El término “modelo matemático” es más riguro- sino tecnológicamente, por lo que es de interés el des-
so y se refiere a un grupo de hipótesis básicas sobre pro- arrollo de modelos predictivos que reduzcan este tiem-
cesos estudiados, algunos de los cuales son expresados po (Neumeyer y col, 1997a). Como con la evaluación de
por medio de funciones y ecuaciones diferenciales. Por lo riesgo y el sistema APPCC, la predicción de vida de ana-
tanto, desde el punto de vista de mecanismo, función y quel debe considerar todas las etapas del proceso de
modelo no son términos equivalentes, ya que la función producción y se deben obtener datos exactos sobre
es una abstracción matemática que facilita la descripción materias primas usadas, formulación del producto, su
de un modelo particular (Baranyi y Robert, 1995). manufactura, las condiciones higiénico-sanitarias, los
microorganismos implicados en cada una de las etapas
Estudios de vida de anaquel del proceso, la forma de empaque y embalaje, así como
La modelación del crecimiento de microorganismos, el almacenamiento, los procedimientos de distribución y
para involucrar el comportamiento microbiano con el manejo del consumidor. Sólo cuando todas estas eta-
otras variables del proceso ha empezado a ganar el inte- pas se representen en un modelo, las predicciones de la
rés dentro de la industria cárnica para predecir la vida vida de anaquel serán fiables (Dalgaard, 1995;
de anaquel de los productos (Banks, 1994). La determi- McMeekin y Ross, 1996 b).
nación de durabilidad es un asunto complejo como lo es, La microbiología predictiva de alimentos puede
también, predecir los efectos de las fluctuaciones de usarse para estimar los cambios en los conteos micro-
temperatura durante el almacenamiento así como las bianos y permite evaluar la exposición a un patógeno
[ La Alimentación Latinoamericana Nº 286 ] 2010 [ 63 <
[Inocuidad]
tratar cuantitativamente con un rango
de variables que influyen en la seguri-
dad e inocuidad de los alimentos
(Buchanan y Whiting, 1996; Gombas,
1998). La microbiología predictiva de
los alimentos (MPA) es un método
cuantitativo para describir los efectos
de estas variables en el crecimiento
microbiano, supervivencia o inactiva-
ción. La MPA y el sistema de APPCC son
métodos que contribuyen a garantizar
la inocuidad de los alimentos (Elliott,
1996).
La modelación puede ayudar
en el análisis de riesgo preliminar,
identificación y establecimiento de
puntos críticos de control así como la
acción correctiva a tomar. La interac-
ción que se establece entre la tempera-
así como para la caracterización de la enfermedad y la tura y la aw es importante en esta aplicación (Broughall
evaluación de la dosis-respuesta (Walls y Scott, 1997). y Brown, 1984). Sin embargo, no es práctica para deter-
Los modelos de evaluación de riesgo para los producto- minar cuantitativamente todos los aspectos involucra-
res de carne son un gran potencial ya que los organis- dos en la cinética de crecimiento microbiano en una
mos reguladores pueden tomar decisiones que garanti- producción compleja, ya que hay una amplia gama de
cen la seguridad e inocuidad de alimentos que pudieran variables involucradas. Por consiguiente, la combinación
transmitir enfermedades (Oscar, 1997). de la MPA y el sistema APPCC ofrecen una manera de
Sin embargo, la eficiencia en la evaluación de resolver, a tiempo, los problemas que se puedan presen-
riesgos cuantitativos es el resultado del empleo de tar en la industria de la carne, a través de cálculos cuan-
modelos simples, por lo cual deben omitirse los fenóme- titativos (Zwietering y Hasting, 1997a), o sea, MPA
nos que no son cuantitativamente relevantes (Van puede ser considerada una extensión de APPCC
Gerwen y Zwietering, 1998) para garantizar que se (McMeekin y col, 1992)
cuente con un programa de evaluación de riesgos ade-
cuado dentro de los objetivos de calidad de cualquier Empleo en la evaluación de riesgos
compañía para lograr una elevada calidad, rentabilidad La evaluación de riesgos es una herramienta analítica
y producción de carne (Serra y col, 1999). usada para definir las prioridades que debe establecer la
política pública (Buchanan, 1995; Foegeding, 1997) y su
Desarrollo e investigación de productos uso en el área de la seguridad de alimentos es reciente.
Un cambio en la composición o procesamiento del pro- Los riesgos ocasionados por peligros microbiológicos
ducto puede tener efectos significativos sobre el creci- constituyen un problema grave e inmediato para la
miento de una población oportunista de microorganis- salud humana. El análisis de riesgos microbiológicos es
mos. El modelo matemático puede comprobar rápida- un procedimiento que consta de tres componentes: eva-
mente mediante una evaluación, cuáles fueron los prin- luación de riesgos, gestión de riesgos, y comunicación
cipales cambios en la formulación o procesamiento del de riesgos, siendo su objetivo global garantizar la pro-
producto, su uso, reducir los costos, disminuir el tiempo tección de la salud pública. El proceso de la evaluación
para realizar el experimento y ahorrar materias primas. de riesgos microbiológicos debe incluir información
La modelación es una herramienta integral para evaluar cuantitativa, en la mayor medida posible, para la esti-
y controlar tanto a los nuevos productos como a los ya mación del riesgo (Anón, 1999).
existentes (Baker, 1995). Los modelos deben poder estimar la posibilidad
de saber si el consumo de un alimento pudiera causar
Usos en la implementación de un sistema una enfermedad (Anón, 1994), sin embargo, la valora-
de calidad basado en el análisis de peligros ción de riesgo por este medio no es fácil. La modelación
y puntos críticos de control del crecimiento y muerte bajo condiciones inestables
La aceptación y aplicación de programas de análisis de tales como la temperatura durante la producción, alma-
peligros y puntos críticos de control (APPCC) en la cenamiento y distribución de un producto cárnico es un
industria de carne requieren una habilidad especial para mecanismo complejo. Para obtener información exacta
> 64 [ La Alimentación Latinoamericana Nº 286 ] 2010
es necesario conocer la presencia y niveles del patóge-
no, la dosis infecciosa, su cinética de crecimiento y la
cantidad de alimento que se consume (Miller y col,
1997).
Educación
Los experimentos de laboratorio tienden a consumir tiem-
po, son costosos y no ilustran muy bien los resultados. Sin
embargo los modelos matemáticos usan gráficas o esti-
man el nivel microbiano específico mediante una respues-
ta más clara. Esto es especialmente útil para la formación
de personal no técnico (Walter y Jones, 1992). La impor-
tancia de los modelos en la educación de personal tanto
técnico como no técnico es igual, ya que fortalece el
conocimiento y ayuda a la aplicación más productiva de
estos modelos (Whiting y Buchanan, 1994).
Otras aplicaciones
Dentro del ambiente de laboratorio, los modelos pueden
ser usados para dar rápidamente los rangos relaciona-
dos con las variables y un mejor diseño de experimen-
tos. En los Estados Unidos la Seguridad Microbióloga de
Alimentos usa modelos con un dispositivo programado
para determinar el tiempo de muestreo y el análisis
microbiológico (Whiting, 1997).
McMeekin y Ross (1996 a) describieron un
modelo predictivo aplicado al efecto de las variables
ambientales unido a alimentos incluyendo productos
cárnicos para observar efectos deseados. Otra de las
aplicaciones fue el uso de la modelación para observar
el crecimiento competitivo de patógenos tal como L.
monocytógenes en mezcla de cultivo de bacterias. La
investigación pudo desarrollarse en la selección de una
bacteria ácido láctica para inhibir la competencia de
patógenos en cárnicos fermentados procesados míni-
mamente.
Pin y Baranyi (1998) usaron la modelación mate-
mática para cuantificar los conceptos de dominación e
influencia de la mayoría de organismos del deterioro
encontrados en carnes refrigeradas almacenadas aeróbi-
camente bajo la influencia de la temperatura y el pH.
Futuras investigaciones en la
microbiología descriptiva
La modelación matemática utilizada para predecir la
mayor cantidad de microorganismos del deterioro
podría ser provechosa. El desarrollo de modelos que
comprendan el estudio de microorganismos del deterio-
ro no ha recibido mucha atención. Sin embargo, en las
investigaciones realizadas en años recientes han gana-
do mucho interés (Zwietering y col., 1992; Gibson y col.,
1994; Cuppers y col., 1997).
Algunos modelos han sido propuestos para
describir el crecimiento o tiempo de generación, además
de los factores fisiológicos que necesitan los microorga-
nismos (Buchanan y Cygnarowicz, 1990). También para
[ La Alimentación Latinoamericana Nº 286 ] 2010 [ 65 <
[Inocuidad]
incrementar las investigaciones sobre el metabolismo de dar a determinar los cambios de temperatura durante todo
las células donde los modelos primarios o secundarios el almacenamiento y preparación (Alavi y col., 1996).
pueden tener una base sobre las interacciones fisiológi- Se necesita poner mejor énfasis dentro de la
cas extrínsecas e intrínsecas, físicas y químicas, y poder modelación a la muerte cinética de estos patógenos,
entender cuáles son más o menos tolerantes a las con- para desarrollarla e incorporarla al sistema de riesgos y
diciones ambientales (Smith, 1996). puntos críticos de control en productos cárnicos.
La necesidad de disminuir las dosis de infección
por patógenos, particularmente en los productos molidos de Conclusiones
carne de res, significa un cambio en la microbiología des- La aplicación en la industria alimentaria de la microbiología
criptiva. En la cocción de estos productos disminuye el E. coli predictiva de los alimentos ha crecido a nivel mundial en los
0157:H7, lo que dependerá de la temperatura de almacena- últimos años, con equipos de investigación que trabajan
miento y del contenido de grasa. Algunos investigadores esta temática y que han desarrollado modelos basados en la
han indicado que el incremento del contenido de grasa pro- extensa colección de datos existente. Sin embargo, todavía
tege al producto de patógenos durante la cocción. Los estas técnicas siguen sin ser totalmente aceptadas.
modelos predictivos consideran como los productos de El uso de la microbiología predictiva en la eva-
menos grosor, como las hamburguesas, se ven afectados por luación de riesgos microbiológicos y puntos críticos de
la supervivencia de un patógeno o por la inadecuada coc- control, en estudios de durabilidad y en desarrollo de
ción (Jackson y col., 1997). La incorporación de ecuaciones nuevos productos ofrece grandes ventajas para la segu-
de transferencia de calor dentro de los modelos podría ayu- ridad e inocuidad de los alimentos.
Referencias 24. Mataragas, M; Drosinos, E.H Vaidanis, A; Metaxopoulos, I
1. Alavi, S. H; Mohtar, R. H., Puri, V. M. (1996). A coupled finite element (2006). J. of Food Sci. 71 (6): 157.
a microbial growth model for Listeria monocytogenes... in: Refrigeration 25. Mc Meekin, T.A Ross, T Olley, J. (1992). Int. J. Food Microbiol.
Science and Technology Proceeding, New developments in Refrigeration 15, 13 – 32.
for Food Safety and Quality, Lexington KY, USA, pp. 30 – 41. 26. McElroy,DM; Jaykus,LA; Foegeding,PM (2000). J. Food Prot 63
2. Anon (1994). CAST. Foodborne pathogens: Risks and Consequences. Task (2): 268-272
Force Rept. 122. Council for Agricultural Science and Tech., Ames, Iowa, USA. 27. McElroy,DM; Jaykus,LA; Foegeding,PM (2000). J. Food Prot 63
3. Anón (1999). Principios y directrices para la aplicación de la (2): 268-272
evaluación de riesgos microbiológicos. CAC/GL 30 (1999) 28. McMeekin, T.A., Ross, T (1996a). J. Food Prot. 59, 37–42.
4. Baker, D. A; (1995). Int. J. Food Microbiol. 25, 251 – 261. 29. McMeekin, T.A; Brown, J; Krist, K.; Miles, D; Neumeyer, K;
5. Banks, J.G., 1994. Process control and quality assurance Nichols, D.S., Olley, J., Presser, K., Ratkowsky, D.A.; Ross, T; Salter,
through the application of HACCP and predictive microbiology. In: M; Soontranon, S (1997). Emerging Infect. Dis. 3, 541–549.
Minimal processing of Food and Process optimisation. An 30. Neumeyer, K., Ross, T., McMeekin, T.A.(1997a). Int. J.Food
Interface, CRC Press, Boca Raton, FL, pp. 191 – 199. Microbiol. 38, 45–54.
6. Baranyi, J y Roberts, TA (1995). Int J FoodMicrobiol 26:199-218. 31. Oscar, T.P. (1997). Predictive modelling for risk assessment of
7. Broughall, J. M., Brown, C. (1984). Food Microbial. 1, 13 – 22. microbial hazards. In: Reciprocal Meat Conference Proceedings,
8. Buchanan, R. L., Cygnarowicz, M. L. (1990). Food Microbiol. 7, 237 – 240. Kansas USA, American Meat Science Association 50: pp. 98–103.
9. Buchanan, R.L. (1995). Food Microbiol. 12, 421–424. 32. Pin,C; Baranyi,J (1998). Int J.of Food Microb 41 (1) 59-72
10. Buchanan, R.L., Whiting, R.C. (1996). J. food Prot. 59, 31 – 36. 33. Ross, T., McMeekin, T.A. (1994). Int. J. Food Microbiol. 23, 241–264.
11. Cayré, ME; Vignolo, G; Garro, O. (2003). Food Microbiol 20:561–566. 34. Serra, J.A.; Domenech, E; Escriche, I; Martorell, S (1999). Int.
12. Cuppers H.G., Oomes, S. Brul S. (1997). Appl. Environ. J. Food Microbiol. 46, 9–26.
Microbiol.63, 3764 – 3769. 35. Smith, L. T. (1996). Appl. Environ. Microbiol. 62, 3088 – 3093.
13. Dalgaard, P (1995). Int. J. Food Microbiol. 26: 305–317. 36. Sutherland, JP; Bayliss,AJ; Braxton,DS; Beaumont,AL (1997).
14. Devlieghere, F ; Van Belle, B; Debevere, J (1999) Int J.of Food Microb 46: Int J.of Food Microb 37 (2/3) 113-120.
57–70 37. Sutherland, JP; Bayliss,AJ; Braxton,DS; Beaumont,AL (1997).
15. Devlieghere,F; Lefevere,I; Magnin,A; Debevere,J (2000). Food Int J.of Food Microb 37 (2/3) 113-120.
Microb 17 (2) 185-196 38. Van Gerwen, S.J.C y Zwietering, M.H (1998). J.of Food Prot. 61, 1541–1549.
16. Elliot, P. H. (1996). J. Food Prot. 59, 48 – 53. 39. Walls, I.y Scott, V.N (1997). Int. J. Food Microbiol. 36, 97–102.
17. Foegeding, P.M (1997). Int. J. Food Microbiol. 36, 87–95. 40. Wei, QK; Fang,TJ; Chen,HH (1999). Food Science Taiwan 26
18. Giannuzzi,L; Pinotti,A; Zaritzky,N (1998). Int J.of Food Microb (2) 240-251.
39 (1/2) 101-110 41. Whiting, R.C y Buchanan, R.L (1994). Food Technol.
19. Gibson, A.M., Baranyi, J., Pitt, J. I., Eyles, M.J., Roberts, T.A 48:113–120.
(1994). Int. J. Food Microbiol. 23, 419 – 431. 42. Whiting, R.C y Buchanan, R.L (1997). Int. J. Food Microbiol.
20. Gibson, AM; Bratchell, N; Roberts, TA (1987). J. of Applied 36:111–125.
Bacteriology 62 (6): 479-490. 43. Williams, T. (1992). In: The principles Involves in the determination of
21. Gibson, AM; Bratchell, N; Roberts, TA (1988). Int. J. Food product shelf – life, Leatherhead Food Research Association, UK.
Microb 6: 155–178. 44. Zwietering, M. H., Wijtzes, T., De Wit, J. C; Van´t Riet, K.
22. Hudson, JA; Mott, SJ (1993). Food Microbiology 10 (1): 61-68. (1992). J. Food Prot. 55, 973 – 979.
23. Jackson, T. C., Hardin, M. D., Acuff, G.R. (1997). J. Food Prot. 45. Zwietering, M.N; Hasting. A. P. M. (1997a). Trans. Chem. E. 75,
59, 230 – 237. 159 – 167.
> 66 [ La Alimentación Latinoamericana Nº 286 ] 2010
