Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
FUNDAMENTOS DE MICROBIOLOGÍA PREDICTIVA: Aplicaciones teóricas y prácticas. � = 冊 + 察� −� −刷 �−� Editor Enrique Cabeza Herrera UNIVERSIDAD DE PAMPLONA PAMPLONA – COLOMBIA C M B Tiempo (t) A Lo ga rit m o N λ ε ymáx Título original: Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas, 1ª edición. Autor: Enrique Alfonso Cabeza Herrera, Ph.D. Editorial: Universidad de Pamplona. Copyright © 2011 by Enrique Cabeza Herrera All Righs Reserved Enrique Alfonso Cabeza Herrera Campus Universitario, Km 1 vía a Bucaramanga, Complejo Científico y Tecnológico Simón Bolívar, 2do piso. Pamplona - Colombia I.S.B.N.: enalcahe@unipamplona.edu.co http://sites.google.com/site/enalcahe IMPRESO EN COLOMBIA PRINTED IN COLOMBIA Reservados todos los derechos. Este libro no podrá ser reproducido en forma alguna, total o parcialmente por cualquier medio, sin el permiso expreso del autor. mailto:enalcahe@unipamplona.edu.co http://sites.google.com/site/enalcahe FUNDAMENTOS DE MICROBIOLOGÍA PREDICTIVA: Aplicaciones teóricas y prácticas Queda prohibida su reproducción total o parcial por cualquier medio sin el consentimiento expreso del autor ENRIQUE ALFONSO CABEZA HERRERA Ph.D., D.E.A. Ciencia y Tecnología de alimentos Especialista en Protección de Alimentos Microbiólogo FACULTAD DE CIENCIAS BÁSICAS DEPARTAMENTO DE MICROBIOLOGÍA PAMPLONA – NORTE DE SANTANDER COLOMBIA 2013 © CONTENIDO Pág. Unidad 1. Introducción a la Microbiología Predictiva Unidad 2. Matemáticas del crecimiento bacteriano. Unidad 3. Unidad 4. Unidad 5. Unidad 6. Unidad 7. Unidad 8. Unidad 9. Unidad 10. ACTIVIDADES PRACTICAS Pág. Actividad 1. Actividad 2. Actividad 3. Actividad 4. Actividad 5. Actividad 6. Actividad 7. Actividad 8. Actividad 9. Actividad 10. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP v.01 Página 5 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 UNIDAD 1. INTRODUCCIÓN A LA MICROBIOLOGÍA PREDICTIVA 1.1. INTRODUCCIÓN El modelamiento Predictivo es un campo promisorio de la microbiología, se trata de un área multidisciplinar emergente de la microbiología de alimentos, que combina disciplinas como las matemáticas, microbiología, ingeniería y la química para desarrollar y aplicar modelos matemáticos para predecir las respuestas de los microorganismos a variables ambientales específicas (McDonald y Sun, 1999). La Microbiología Predictiva (MP) se basa en la premisa de que las respuestas de las poblaciones microbianas a los factores ambientales son reproducibles, y que al considerar los ambientes en términos de dominios identificables es posible, a partir de las observaciones del pasado, predecir las respuestas de los microorganismos. La microbiología predictiva surge como una metodología alternativa a los métodos convencionales microbiológicos para asegurar la calidad y seguridad de los alimentos. La microbiología de alimentos ha utilizado herramientas y métodos de diagnóstico tradicionales que resultan ser muy engorrosos en cuanto a tiempo y gasto económico, ya que solo después de un tiempo relativamente largo se logran obtener resultados que indiquen la presencia, el tipo y cantidad de microorganismos patógenos y alterantes en los alimentos, haciendo que los resultados de laboratorio sean demorados. Posteriormente se ha recurrido a métodos “rápidos” que generan resultados cuantitativos en 15 horas aproximadamente, mediante el empleo de reacciones específicas de enzima-sustrato en medios de cultivo que generan cambios de color (medios cromógenos) o fluorescencia (medios fluorogénicos). Finalmente se está recurriendo a análisis cualitativos de la calidad de alimentos mediante el empleo de técnicas moleculares, que permiten detectar en tiempo menores a 1 hora la presencia o ausencia de un microorganismo, especialmente los patógenos, como ejemplo de estos métodos tenemos la Reacción en Cadena de la Polimerasa “PCR” que permite detectar la presencia de estos microorganismos mediante la amplificación de un fragmento de su material genético, por otro lado tenemos las pruebas de aglutinación en partículas de látex, alginato u otra forma de encapsular bien sea un anticuerpo o un antígeno que reacciona con una fracción específica del microorganismo blanco, pudiendo detectarse la presencia o ausencia del mismo. Los anteriores métodos han permitido obtener resultados relativamente cortos en el tiempo pero un tanto costosos y con el inconveniente de que no se conoce el número exacto de microorganismos presentes. La necesidad de tomar decisiones oportunas con respecto a la calidad microbiológica de los alimentos, ha hecho que se esté dando un impulso al desarrollo de herramientas bioinformáticas que resultan ser mucho más ágiles y económicas. En este sentido, ha tomado una importancia cada vez mayor la denominada “Microbiología Predictiva o Ecología Microbiana Cuantitativa. Con el desarrollo de la microbiología predictiva se puede predecir cuál será el comportamiento Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP v.01 Página 6 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 microbiano partiendo como base de queμ “las respuestas de los microorganismos a los factores medioambientales son reproducibles”, por otra parte, el papel que juegan los microorganismos en los alimentos es cada día más relevante, no solo desde el punto de vista sanitario, por su impacto en la salud pública, sino también en el deterioro de los productos alimenticios que generan pérdidas económicas. Así mismo, la Microbiología Predictiva a través de interfaces con muchas otras disciplinas se ha convertido en un paradigma de la microbiología moderna de alimentos. Proporciona una base científica para sustentar el concepto de HACCP y la Evaluación Cuantitativa de Riesgos Microbiológicos. Así mismo, el uso de modelos predictivos pueden permitir estimar de la vida útil de alimentos, la seguridad microbiológica de los mismos, el aislamiento de puntos críticos y optimización de las cadenas de producción y distribución, también pueden dar una idea de cómo las variables medioambientales o condiciones químicas o físicas tales como la temperatura, pH y actividad de agua afectan la supervivencia de bacterias patógenas y alterantes. 1.2. HISTORIA DE LA MICROBIOLOGÍA PREDICTIVA El uso de los modelos matemáticos en microbiología de alimentos no es nuevo, ya que Baird-Parker y Kilsby en 1987 informaron que los modelos de destrucción térmica de microorganismos por calor fueron establecidos en la literatura y la industria (Ross y McMeekin, 1994). De hecho, el origen de la microbiología predictiva puede remontarse hacia los años 20’s, cuando ϋsty y Meyer planearon en 1λ22 el modelo de la “Cocción botulínica”. ϋste modelo define el proceso térmico suficiente para destruir 1012 esporas de C. botulinum tipo A. Quizá debido al hecho de que el modelo tuvo aceptación entre los industriales y se convirtió en amplio uso en la industria alimentaria, no se vio la verdadera potencialidad predictiva de este tipo de modelos. El desarrollo histórico de la microbiología predictiva puede dividirse en tres etapas definidas: (1) orígenes, (2) estancamiento, y (3) evolución. Figura 1.1. Etapas del desarrollo de la MicrobiologíaPredictiva Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP v.01 Página 7 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Fuente: Autor 1.2.1. Orígenes de la Microbiología Predictiva Como habíamos comentado, los orígenes de la microbiología predictiva de alimentos pueden remontarse hacia los años 20. Esty y Meyer plantearon en 1922 un modelo que describe el tiempo mínimo de tratamiento térmico a 121°C que debe recibir todo alimento enlatado y con pH igual o mayor a 4.5, para reducir 12 veces la presencia de esporas de Clostridium botulinum tipo A, es decir, desde 1012 hasta 100. Este modelo fue denominado “Cocción botulínica”, y debido a su amplio uso en la industria de alimentos pudo perderse su carácter predictivo (XXXX, 19XX). Scott en 1937 sentó las bases de los modelos cinéticos al afirmar que “el conocimiento de las velocidades de crecimiento de ciertos microorganismos a diferentes temperaturas es esencial para los estudios sobre el deterioro de la carne refrigerada. Con estos datos, debería ser posible predecir la influencia relativa de la alteración sobre el deterioro ejercida por los diferentes organismos en cada temperatura de almacenamiento”, además, “debería ser posible predecir el potencial alcance de los cambios en las poblaciones que diversos organismos pueden sufrir durante el período inicial de enfriamiento de las superficies de la carne en los mataderos cuando la superficie es con frecuencia mantenida a temperaturas muy favorables para la proliferación microbiana” (Ross y McMeekin, 1994). Por otra parte, J. Monod (1949) sentó las bases del crecimiento bacteriano aplicado a la industria de la fermentación (McMeekin y Ross, 2002). Monod planteó que “ϋl crecimiento bacteriano, a pesar de la inmensa complejidad de los fenómenos a los que se someten, en general, obedece a unas leyes relativamente sencillas que permiten definir ciertas características cuantitativas del ciclo de crecimiento, fundamentalmente las tres constantes de crecimiento: el crecimiento total (G), la tasa de crecimiento exponencial (R) y la fase de latencia Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP v.01 Página 8 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 (L)”. 1.2.2. Estancamiento Durante los años 60’s y 70’s la literatura sobre el tema permaneció silenciosa y el uso de modelos cinéticos se aplicaron para resolver problemas de alteración de alimentos, mientras que los modelos probabilísticos fueron empleados en los problemas de contaminación de alimentos y ETAS: botulismo. En 1973, Olley y Ratkowsky proponen el modelo de “Curva de Alteración Universal” dependiente de la temperatura en la alteración del pollo. 1.2.3. Evolución Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP v.01 Página 9 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 1.3. MODELAMIENTO MATEMÁTICO Un modelo es un análogo de la realidad física, típicamente simple e idealizada. Los modelos pueden ser físicos o matemáticos y son creados con el objetivo de obtener una idea de la realidad de la forma más conveniente. Un modelo físico puede ser una miniatura, tal como una versión preliminar de una pieza a escala de un equipo. Un modelo matemático es un Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP v.01 Página 10 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 análogo matemático de la realidad física, que describe las propiedades y características de un sistema real en términos de variables y operaciones matemáticas. El fenomenal crecimiento en el poder de la computación y la facilidad de uso de estas herramientas han permitido que los modelos puedan ser más realistas y han experimentado un rápido crecimiento en el uso de modelos en diseños y experimentación de productos, procesos y equipos. Entre las muchas ventajas de los modelos tenemos (1) reducción en el número de experimentos, así como del tiempo y gastos económicos; (2) proveen grandes ideas de los procesos (en caso de un modelo basado en la física) que regularmente no pueden ser posibles con la experimentación; (3) optimización de procesos; (4) capacidad predictiva, por ejemplo, formas de interpretar escenarios “qué si”; y (5) proveen mejoramiento en la automatización de procesos y capacidades de control (Datta y Sablani, 2006). 1.4. CLASIFICACIÓN DE LOS MODELOS PREDICTIVOS Los modelos predictivos microbiológicos pueden ser clasificados desde diversas dimensiones (Gershenfeld, 1999), sin embargo, un esquema de clasificación absoluta aún no ha sido decidido (McDonald y Sun, 1999). El uso uniforme de terminología y clasificación de los modelos en grupos que tienen funciones específicas pueden hacer de la microbiología predictiva una disciplina más exacta y de más fácil uso (Baranyi y Roberts, 1992). Sin embargo, solo el sistema de clasificación propuesto por Whiting y Buchanan (1993) puede agrupar la mayoría de modelos en primarios, secundarios y terciarios (McDonald y Sun, 1999). Bibliografía Datta, A.K., Sablani, S.S. (2006). Chapter 1: Mathematical Modeling Techniques in Food and Bioprocesses: An Overview. In: Handbook of Food and Bioprocess Modeling Techniques / Editors, Shyam S. Sablani, Mohammad S. Rahman, Ashim K. Datta and Arun S. Mujumdar. Taylor and Francis Group, LLC. CRC Press. Boca Raton, FL, USA. Pages 1 – 11. Gershenfeld, N. (1999). The Nature of Mathematical Modeling. Cambridge: Cambridge University Press. Van Boekel, M.A.J.S., Tijskens, L.M.M. (2001). Kinetic Modelling. In: Food Process Modelling / Editors L.M.M. Tijskens, M.L.A.T.M. Hertog and B.M. Nicolaは. Woodhead Publishing Limited. CRC Press. Boca Raton, FL, USA. Pages 35 – 59. Baranyi, J., Pin, C. (2001). Modelling Microbial Safety. In: Food Process Modelling / Editors L.M.M. Tijskens, M.L.A.T.M. Hertog and B.M. Nicolaは. Woodhead Publishing Limited. CRC Press. Boca Raton, FL, USA. Pages 383 – 401. Baranyi, J., Roberts, T.A. (1992). A terminology for models in predictive microbiology – A reply to Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP v.01 Página 11 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 K.R. Davey. Food Microbiology, 9: 355. Ross, T., McMeekin, T.A. (1994). Review Paper: Predictive Microbiology. International Journal of Food Microbiology, 23: 241 – 264. McDonald, K., Sun, D-W. (1999). Predictive food microbiology for the meat industry: a review. International Journal of Food Microbiology, 52: 1 – 27. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 12 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 UNIDAD 2. MATEMÁTICAS DEL CRECIMIENTO BACTERIANO 2.1. OBJETIVOS DE LA UNIDAD Al finalizar la unidad el lector estará en capacidad de: Comprender los fundamentos matemáticos del crecimiento y muerte bacteriana. Construir gráficos tanto de crecimiento como muerte empleando hojas de cálculo de cualquier programa ofimático (p.ej. Microsoft Office Excel, OpenOffice Cal, Star Office Cal, IBM Cal, etc.). Manejar las hojas de cálculo como herramienta para estimarel comportamiento de una población bacteriana. Estimar los diferentes parámetros cinéticos tanto de crecimiento como muerte bacteriana. 2.2. CRECIMIENTO BACTERIANO En este capítulo abordaremos el estudio matemático del crecimiento bacteriano desde una perspectiva clásica, es decir, partiendo del principio que el crecimiento bacteriano obedece a un crecimiento constante (crecimiento equilibrado). Los aspectos de fisiología del crecimiento serán vistos en forma general y se profundizará en algunos de ellos en capítulos posteriores. Sin embargo, si el lector desea estudiar a profundidad los aspectos fisiológicos, podemos sugerirle revisar tratados o libros de microbiología como Brock Biology of Microorganisms de Madigan et al. (2008) o Zinsser Microbiology de Joklik et al. (1997). El crecimiento o desarrollo bacteriano puede definirse como el aumento ordenado de todos los constituyentes químicos de la célula, tratándose de un proceso que implica la replicación de todas las estructuras celulares, organoides y componentes protoplasmáticos a partir de los nutrientes presentes en el medio circundante. Por otra parte, podemos definir el crecimiento bacteriano como el aumento del número de células en el tiempo. Cuando una célula bacteriana se coloca en un medio nutricionalmente completo, aumenta de tamaño y con el tiempo se divide para formar dos células. A este proceso se le denomina fisión binaria (binario para expresar el hecho de que de una célula surgen dos) adoptando una progresión geométrica de 2n, donde n representa el número de generaciones o divisiones que han tenido lugar en el tiempo. De tal forma, que si partimos de una célula, al cabo de la primera generación se formarán 2 células, después de la segunda generación se formaran cuatro, posteriormente ocho y así sucesivamente. El proceso anterior se muestra en la figura 2.1. En el desarrollo de un cultivo bacteriano se produce un aumento tanto de la masa celular como del número de microorganismos, pero no existe una relación constante entre los dos Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 13 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 parámetros (Willet, 1997; Madigan et al., 2008), ya que cada especie puede variar su tamaño, velocidad de crecimiento y densidad celular en función de las condiciones intrínsecas, extrínsecas e implícitas del cultivo donde se encuentren. Por tanto, en estudios cuantitativos que se ocupan del desarrollo celular es necesario diferenciar entre la concentración celular, es decir, el número de células por unidad de volumen de cultivo, y la densidad bacteriana, que se define como el protoplasma total por unidad de volumen (Willet, 1997). En apartados posteriores realizaremos una mayor distinción entre estos dos aspectos, la forma de determinarlos y la relación entre ellos. Figura 2.1. Representación del crecimiento bacteriano por fisión binaria. Fuente: Adaptado de Madigan et al., 2008. Como ya se ha mencionado, el crecimiento se define como un aumento en el número de células microbianas en una población, que también se puede medir como un aumento en la masa microbiana. La tasa o velocidad de crecimiento es el cambio en la cantidad de células o de masa por unidad de tiempo. Durante el ciclo de división celular, todos los componentes estructurales de la célula se duplican. El intervalo para la formación de dos células a partir de una se llama generación y el tiempo requerido para que esto ocurra se llama tiempo de generación. El tiempo de generación es, así, el tiempo requerido para que se duplique el número de células. Debido a esto, también al tiempo de generación se le llama tiempo de duplicación. 2.3. CRECIMIENTO ASINCRÓNICO El estudio del crecimiento bacteriano suele hacerse a nivel de laboratorio en cultivos continuos (sistema abierto) o discontinuos (sistema cerrado). Según señala Willet (1997), por lo general las bacterias se desarrollan en laboratorio en cultivos discontinuos, y por tanto las condiciones se aproximan a las de un sistema cerrado. Cuando un medio adecuado se inocula con bacterias y se toman nuestras pequeñas a intervalos regulares de tiempo, la representación gráfica de los datos dará una curva de crecimiento característica (Figura 2.2). Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 14 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Figura 2.2. Representación gráfica de la curva de crecimiento bacteriano. Fuente: Autor. En la curva anterior se muestra las cuatro fases del desarrollo bacteriano que se producen cuando se representa el número de células viables en función del tiempo en un cultivo discontinuo y asincrónico. Nótese la presencia de tres interfases con variaciones de pendiente que indican la transición de una a otra fase del desarrollo: transición 1 entre las fases de latencia – exponencial, transición 2 entre las fases exponencial – estacionaria y la transición 3 entre las fases estacionaria – declive. En cultivos sincrónicos las interfases tienden a desaparecer ya que las células crecen de forma simétrica y por tanto la curva de crecimiento adopta una forma lineal entre cada una de las cuatro fases de crecimiento. 2.4. CRECIMIENTO EQUILIBRADO En muchos tipos de trabajos de investigación es conveniente emplear microorganismos que estén creciendo en forma equilibrada o sincrónica. En la forma habitual de cultivo de bacterias la división celular ocurre de manera aleatoria, y produce una mezcla de células que representan todas las fases del ciclo de división. Los estudios con estos cultivos sólo dan valores promedio. Sin embargo, se dispone de técnicas para sincronizar la división y para introducir a todas las células en el cultivo para que se dividan de forma simultánea. El estudio de las matemáticas del crecimiento bacteriano se abordará desde este enfoque y las ecuaciones así obtenidas podrán emplearse para el estudio del crecimiento bacteriano en condiciones sincrónicas y asincrónicas. De igual forma, el estudio matemático del crecimiento bacteriano puede abordarse de forma individualizada en cada una de las fases del crecimiento (Curvas Lineales) o desde un enfoque Transición 3 Transición 2 Transición 1 Fase de declive Fase estacionaria Fase de latencia Fase exponencial Tiempo Lo ga rit m o de l n úm er o de c él ul as Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 15 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 continuo donde el crecimiento ocurre como una serie de fases sucesivas (Curva Sigmoidal). Ecuaciones de crecimiento equilibrado: Como es sabido el crecimiento bacteriano sigue una relación exponencial de primer orden, esto es, que por cada célula que se divida se originan dos nuevas (Figura 1). De esta forma se puede afirmar que el crecimiento bacteriano se comporta de acuerdo a la siguiente relación: 軽 = 2券 (Ecuación 1) donde N es el número de células y n el número de duplicaciones que han tenido lugar. Si asumimos que N = Nf en determinado tiempo Nf(t), entonces Nf(t) es dependiente del número inicial de células (N0) y del número de divisiones que haya tenido lugar en ese intervalo de tiempo n(t), de esta forma si reordenamos la ecuación 1, obtenemos la siguiente expresión matemática que rige el crecimiento bacteriano en función del tiempo: 軽血 = 軽0 × 2券 (Ecuación 2) Velocidad relativa de crecimiento y velocidad específica de crecimiento:Si x(t) es una variable tiempo-dependiente que describe la variación de cierta sustancia, como biomasa o concentración de la célula. La velocidad instantánea del proceso es la derivada de x(t)μdx(t)/dt. La velocidad específica, た(t), se define comoμ �(建) = 穴捲穴建 Ecc. 3 Si x(t) denota la concentración celular entonces en un cultivo bacteriano la velocidad de crecimiento es medida como el aumento absoluto en la concentración celular por unidad de tiempo de la unidad, mientras que la velocidad de crecimiento específica es el incremento en la concentración celular por unidad de tiempo por célula. Una simple ecuación muestra que si x(t) es positivo entonces: �(建) = 穴(健券捲 建 )穴建 Ecc. 4 Por consiguiente, la velocidad de crecimiento específica puede medirse como la inclinación de la curva de crecimiento cuando el logaritmo natural (ln) de x(t) se traza contra el tiempo. Si el log10 es usado en lugar de ln, entonces la pendiente de log10 será moderada = 2,3 veces menor que la velocidad de crecimiento específico cuando empleamos el ln. La velocidad de crecimiento específica (た) puede calcularse a través de la ecuación 4.1. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 16 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 � = (健券軽血− 健券軽0) (建血− 建0) Ecc. 4.1 La velocidad de crecimiento relativo (k) puede calcularse a través de la ecuación 4.2. 倦 = 2,303 (�剣訣軽血− �剣訣軽0) (建血− 建0) Ecc. 4.2 Tiempo de duplicación (Td) y tiempo de generación (Tg): En un momento fijo (tfix), el valor de た(t) será た(tfix) = たfix. La relación para el tiempo de duplicación, Td = ln2/ たfix = 0.6λ/たfix, de tal forma que si た(t) permaneciera constante, al tiempo tfix + Td, la concentración celular sería el doble que cuando estaba a tfix. Es importante anotar que, en cultivos asincrónicos, Td no es equivalente al tiempo medio de generación. De hecho, el tiempo medio de generación puede estimarse por 1/ たfix en lugar de la relación 0.6λ/ たfix, si la división celular puede aproximarse por un proceso aleatorio, como el proceso de Poisson. El tiempo de generación puede calcularse a través de la siguiente ecuación: �訣 = 建券 Ecc. 5 donde t es el diferencial de tiempo y n el número de generaciones. El número de generaciones puede estimarse a través de la ecuación 6: 券 = 3,3 (�剣訣軽血 − �剣訣軽0) Ecc.6 Si reemplazamos la Ecc. 6 en Ecc. 5, el tiempo de generación se puede calcular mediante la ecuación 7: �訣 = 建3,3 �剣訣軽血−�剣訣軽0 Ecc. 7 Curvas de crecimiento y muerte bacteriana: Como hemos comentado anteriormente, la cinética de crecimiento bacteriana sigue una tendencia de primer orden, lo mismo puede asumirse para la muerte bacteriana, esto es que al graficar el Log de la población en función del tiempo se obtiene una línea que representa cómo evoluciona esta población. Esta línea de crecimiento o muerte puede entonces ajustarse a nuevas líneas de tendencia que comparan el crecimiento real frente a una función matemática definida: función lineal o función exponencial por método gráfico o estimación lineal o estimación logarítmica por medio de fórmulas Excel, de las cuales pueden obtenerse la ecuación que representa cada una de estas funciones, su coeficiente de correlación R2 o los valores de las diferentes constantes. En este caso puede asumirse que el crecimiento o muerte bacteriana sigue una Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 17 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 tendencia lineal o exponencial dependiendo del valor de R2, cuando R2 se aproxima a 1 el comportamiento bacteriano sigue esa tendencia. A manera de ejemplo, si en un estudio de crecimiento se ajusta la gráfica de los datos a una función lineal con un R2 = 0,955 y a una función exponencial con un R2 = 0,985, la tendencia de crecimiento de esa población se comporta más como una función exponencial que una lineal. En el caso de un comportamiento se dice que es lineal cuando la gráfica de la población final a un tfix es una línea recta; y por consecuencia tiene la forma: y = f(x)= mx + b Donde m representa la pendiente de la recta y b la ordenada al origen (es el punto de intersección de la recta al eje de las “y”. También es importante mencionar que este tipo de funciones crecen a tasas constantes; y en ellas puede calcularse tanto el tiempo (t) como una densidad de población (y) específica. Si el crecimiento se ajusta a un comportamiento exponencial, puede obtenerse la población final a un tfix o calcularse el tiempo a una densidad de población y a través de una ecuación exponencial que adopta la forma: y = f(x) = ax y = f(x) = cebx Donde la base a es una constante positiva, c y b son constantes y e es la base del logaritmo neperiano. Por otro lado, si los datos de crecimiento se asemejan a una función logarítmica, la población final a un tfix o el tiempo a una densidad de población y puede calcularse por medio de una ecuación que adopta la forma: y = f(x) = logax y = f(x) = blnmx Donde la base a es una constante positiva, b es una constante equivalente a c y lnm es la constante equivalente a eb. Es importante aclarar que las funciones logarítmicas son las inversas a las exponenciales. 2.5. MODELAMIENTO DEL CRECIMIENTO Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 18 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 El desarrollo de los diversos modelos de predicción empleados en microbiología descansa sobre bases matemáticas preestablecidas con anterioridad, sin importar tanto si se trata de modelos probabilísticos, cinéticos, mecanísticos, etc,. Como comentaba en la introducción de este manual, los orígenes del modelamiento microbiano se sitúa sobre los años de 1922 cuando Esty y Meyer desarrollan un modelo para estimar el tiempo necesario para reducir las esporas de Clostridium botulinum tipo A de 1012 a 100 (Conocido como cocción botulínica). En 1949, J.L. Monod desarrolló un modelo matemático para representar el crecimiento equilibrado de una población bacteriana, posteriormente este modelo fue aplicado a la industria de la fermentación. En años posteriores diversos investigadores empezaron a explicar en forma de expresiones matemáticas la relación existente entre el número de bacterias finales en función del tiempo y como varían estas con respecto a la aplicación de algún factor externo que influye sobre su crecimiento/supervivencia. Uno de los factores que más ha influido en el desarrollo de la microbiología predictiva ha sido el empleo de las nuevas tecnologías informáticas, y en especial la aparición y desarrollo de herramientas de cálculo como Excel de Microsoft Office®, Calc de OpenOffice.org (Software Gratuito), Calc de StarOffice, etc. Estas nuevas opciones han facilitado por un lado comprometer conceptualmente a todas aquellas personas poco familiarizadas con el Álgebra en la ayuda de visualización de las ecuaciones y sus soluciones de nuevas maneras y no de la forma tradicional, es decir haciendo énfasis en la repetición y las reglas del algoritmo. Con el empleo de estas herramientas en concepto de Margaret Niess se logra que el foco del pensamiento del estudiante se traslade del campo algorítmico al de la verdadera comprensión del concepto. El modelamiento microbiano tampoco ha escapado a esta nuevas herramientas, antaño el desarrollo de ecuaciones simples de predicción (modelos primarios) requería del conocimiento profundo de las matemáticas y en especial del álgebra para poder llegaral fin absoluto del trabajo: la obtención de un modelo matemático expresado como una ecuación que permita predecir en futuras ocasiones el comportamiento de los microorganismos, sin embargo, con el desarrollo de estas herramientas tecnológicas, esta labor se ha vuelto un tanto más simple. Esto no quiere decir que se abandone del todo el método más clásico, ya que todos los modelos no son iguales ni funcionan de la misma forma, esto depende del fin con el cual fue hecho, por ejemplo: si es aplicable para todos o solo algún grupo microbiano de interés, las condiciones particulares de prueba y validación con que fue hecho entre otros. Los datos obteniendo gráficos, ecuaciones y tendencias del comportamiento microbiano. Así mismo, se han desarrollado bases de datos y programas estadísticos gráficos y software específicos de modelamiento, que con solo digitar algunos datos permiten observar y predecir el comportamiento microbiano. Dentro de las bases de datos más conocidas está el ComBase Predictor, y ejemplos de programas estadísticos gráficos son el Prisma, Staph Graphic Plus, Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 19 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Statistica, SPSS, Microfit, DMFit, mientras ejemplos de software específicos son: Pathogen Modeling Program (PMP), Seafood Spoilage and Safety Predictor (SSSP). ACTIVIDAD PRÁCTICA 1: CONSTRUCCIÓN DE CURVAS DE CRECIMIENTO-MUERTE BACTERIANA Y ESTIMACIÓN DE PARÁMETROS CINÉTICOS EMPLEANDO LA HOJA DE CÁLCULO MICROSOFT OFFICE Y OPEN OFFICE. En la presente actividad se explica cómo desarrollar las gráficas de crecimiento bacteriano, así como la estimación de diversos parámetros cinéticos por los métodos gráficos y matemáticos, empleando como herramienta las hojas de cálculo de los programas Office 2007 © y Open Office 3.1 ©. Las gráficas de muerte serán vistas en una unidad posterior. 2.6. MATERIALES, EQUIPOS E INSUMOS Computador con paquete Microsoft Office 2003 o posterior o OpenOffice 3.1. Para esta práctica emplearemos el software Office 2007 de Microsoft. 2.7. REACTIVOS No se requieren. 2.8. PROCEDIMIENTO Antes de abordar el procedimiento, debemos aclarar que en esta práctica se empleará un ejemplo sencillo de crecimiento equilibrado con independencia de fases de la curva de crecimiento, es decir, que los datos se manejaran teniendo en cuenta solo la fase de crecimiento exponencial y no los datos de crecimiento de una curva completa, la cual se abordará en una práctica posterior. También se presentarán dos procedimientos (método gráfico y método de las funciones) en forma de ventanas. Método gráfico A través de ventanas que representa la hoja de cálculo Excel desarrollaremos un ejercicio de construcción de curvas de crecimiento y estimación del mismo, con los supuestos datos de crecimiento de S. aureus (100 UFC/g) mostrados en la Tabla 1, donde el microorganismos mantenido durante 25 horas a 37ºC. Tabla 1: Resultados supuestos del crecimiento de S. aureus en caldo BHI incubado a 37ºC durante 25 horas. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 20 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Tiempo (horas) Población (UFC/g) Tiempo (horas) Población (UFC/g) 0,0 100 13,0 61659500 1,1 105 14,1 141253754 2,2 230 15,1 251188643 3,3 1230 16,2 354813389 4,3 4266 17,3 426579519 5,4 15136 18,4 457088190 6,5 52481 19,5 478630092 7,6 186209 20,5 489778819 8,7 645654 21,6 489778819 9,7 2187762 23,4 489778819 10,8 7244360 25,2 489778819 11,9 22387211 ----- --------- PASO 1: Los datos de crecimiento se representan en una hoja de Excel, a la densidad de población (UFC/g) le calcularemos el log10 y Ln insertando en la casilla C2 la siguiente orden =LOG10(B2) y en la casilla D2 =LN(B2), de esta forma calculamos los logaritmos para la población al tiempo 0, continuamos con el mismo procedimiento para las demás casillas o simplemente arrastraremos la fórmula. De igual forma procedemos a calcular la tasa de crecimiento específica (µ) para el primer intervalo de tiempo en E2 =(D3-D2)/(A3-A2) empleando la ecuación 3 y velocidad de crecimiento relativo k =(C3-C2)/(0,301*(A3-A2)) en F2 o =(D3-D2)/(0,693*(A3-A2)) en G2 (Fig 2). Figura 2. Cuadro de datos de crecimiento de S. aureus. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 21 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 PASO 2: Para proceder a graficar los datos de crecimiento, seleccionamos en la columna B las filas correspondientes desde B2 hasta B24 (B2:B24) que corresponde a los datos de crecimiento de S. aureus expresado en UFC/g (Fig. 3). Si seleccionamos (C2:C24) obtendremos la gráfica del crecimiento de S. aureus expresado como log10UFC/g o (D2:C24) para representar el crecimiento en lnUFC/g (Fig 4). Figura 3. Representación del crecimiento de S. aureus en notación científica. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 22 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Figura 4. Representación del crecimiento de S. aureus en notación logarítmica. En los siguientes pasos calcularemos los diversos parámetros del crecimiento tales como: velocidad media específica de crecimiento, duración de la fase de latencia y duración de la fase exponencial. Así mismo, con los datos anteriores, calcularemos el tiempo medio de generación. PASO 3: De acuerdo con la figura anterior procedemos a graficar nuevamente los datos de crecimiento exponencial, para tal fin seleccionaremos aquella porción del crecimiento en el cual la población aumenta de forma lineal. Seleccionamos la pestaña “Insertar” y allí escogemos la opción “Dispersión” y elegimos el gráfico con “líneas suavizadas y marcadores”. 0 100000000 200000000 300000000 400000000 500000000 600000000 0,0 5,0 10,0 15,0 20,0 25,0 30,0 Crecimiento de S. aureus (UFC/g) 0,000 5,000 10,000 15,000 20,000 25,000 0,0 5,0 10,0 15,0 20,0 25,0 30,0 Crecimiento de S. aureus (Ln o Log10) UFC/g Ln UFC/g Log10 UFC/g Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 23 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Figura 5. Selección del tipo de gráfico de crecimiento de S. aureus. Posteriormente, en la pestaña de Diseño escogemos la opción “Seleccionar datos”, según muestra la Figura 6. Figura 6. Selección del tipo de gráfico de crecimiento de S. aureus. PASO 4: Inmediatamente hemos escogido la opción Seleccionar datos se despliega una ventana como el que se muestra en la Figura 7a. En esta ventana deberemos seleccionar “Agregar” y se despliega una nueva ventana donde escogeremos los valores tanto del eje X (2) como del eje Y (3) a graficar, así como el nombre de la serie (1) (Figura 7b). Para tal fin damos un click sobre las tablas que aparecen seleccionadas en la figura 7b. Figura 7. a) Ventana principal Seleccionar origen de datos; b) Ventana secundaria seleccionar datos. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 24 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 1) Nombrede la serie: escogemos el nombre que queremos para la curva, por ejemplo si graficamos el logaritmo 10 de los datos de crecimiento, seleccionamos la casilla C1. 2) Valores de X: Para nuestro caso seleccionaremos los correspondientes al tiempo desde A5 hasta A13. 3) Valores de Y: En nuestro ejemplo escogemos los correspondientes al crecimiento en logaritmo 10, desde C5 hasta C13. Una vez finalizada la opción de cargar datos para la curva damos click en “Aceptar” según se muestra en la figura 8; posteriormente repetimos el procedimiento del PASO 4 para cargar los datos de crecimiento en logaritmo natural (ln UFC/g). Figura 8. Ventana Secundaria de datos diligenciada. PASO 5: Al finalizar de cargar los datos de logaritmo natural obtendremos la gráfica con los crecimientos lineales de la fase exponencial. Posteriormente nos ubicamos con el cursor sobre la línea que representa el crecimiento y damos clic con el botón derecho del ratón, y seleccionamos la opción “Agregar línea de tendencia…” según se muestra en la figura 9. Figura 9. Ventana principal de “Agregar línea de tendencia….”. 1 2 3 Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 25 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 PASO 6: En la siguiente ventana (figura 10) escogemos la opción de “tendencia lineal” en la ventana “tipo” y en la ventana “opciones” marcamos presentar ecuación en el gráfico y presentar R cuadrado; posteriormente damos click en aceptar. Repetimos esta operación para la otra línea de crecimiento, y así obtendremos la gráfica de la figura 11. Figura 10. Ventana principal de “Formato de línea de tendencia”. Figura 11. Curva de crecimiento exponencial de S. aureus con sus respectivas ecuaciones y coeficientes de determinación. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 26 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Al analizar la figura 11 podemos observar que los coeficientes de determinación o regresión (R2) son próximos a 1 (0,999). Por lo tanto, las ecuaciones obtenidas serán las que emplearemos para el cálculo de los parámetros cinéticos. Método de las fórmulas en Excel En algunos casos puede ser que no contemos con una hoja de cálculo Excel que permita construir las gráficas y agregar las líneas de tendencia, tal como ocurre con algunos paquetes ofimáticos como el IBM Lotus Symphony (el cual está basado en la tecnología de OpenOffice.org), o el mismo Open Office en versiones inferiores a la 3.0. En estos softwares se pueden agregar gráficos pero las ecuaciones de regresión no se pueden obtener tan fáciles como en Excel o en OpenOffice Cal V 3.0 o mayor. En estos casos podemos usar una función que traen las hojas de cálculo denominada Estimación Lineal. Esta función calcula las estadísticas de una línea utilizando el método de "mínimos cuadrados" para calcular la línea recta que mejor se ajuste a los datos y, a continuación, devuelve una matriz que describe la línea. Debido a que esta función devuelve una matriz de valores, debe ser especificada como una fórmula de matrices. La ecuación de la curva es la ecuación de la recta: 検 = 兼捲 + 決 剣 検 = 兼1捲1 + 兼2捲2 + ⋯ + 決 (si hay varios rangos de valores X), donde el valor Y dependiente es función de los valores X independientes. Los valores m son coeficientes que corresponden a cada valor X, y b es un valor constante. Observe que Y, X y m pueden ser vectores. La matriz que devuelve ESTIMACION.LINEAL es {mn,mn-1,...,m1,b}. ESTIMACION.LINEAL también puede devolver estadísticas de regresión adicionales. Para mayor conocimiento de esta función puede consultar la ayuda de Excel. y = 1,1437x + 3,4217 R² = 0,9997 y = 0,4967x + 1,486 R² = 0,9997 0,000 2,000 4,000 6,000 8,000 10,000 12,000 14,000 16,000 18,000 0,0 5,0 10,0 15,0 Lo g x U F C /g Tiempo (horas) Crecimiento exponencial de S. aureus Ln UFC/g Log10 UFC/g Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 27 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Conocido y: es el conjunto de valores de y que se conocen en la relación y = mx+b. Conocido x: es un conjunto opcional de valores x que se conocen en la relación y = mx+b. Constante: es un valor lógico que especifica si se ha de hacer que la constante b sea igual a 0, si el argumento constante es VERDADERO o se omite, b se calcula normalmente; pero si constante es FALSO, b se establece como igual a 0 y los valores m se ajustan para encajar en y = mx. Estadística: es un valor lógico que especifica si se deben devolver estadísticas de regresión adicionales. Si estadística es VERDADERO, ESTIMACION.LINEAL devuelve las estadísticas de regresión adicionales (Tabla 2), si estadística es FALSO o se omite, ESTIMACION.LINEAL sólo devuelve los coeficientes m y la constante b. Tabla 2. Estadísticas de regresión adicionales si estadística es VERDADERO. Estadística Descripción se1,se2,...,sen Los valores de error estándar para los coeficientes m1,m2,...,mn. seb El valor de error estándar para la constante b (seb = #N/A cuando constante es FALSO). r2 El coeficiente de determinación. Compara los valores y calculados y reales, y los rangos con valor de 0 a 1. Si es 1, hay una correlación perfecta en la muestra, es decir, no hay diferencia entre el valor y calculado y el valor y real. En el otro extremo, si el coeficiente de determinación es 0, la ecuación de regresión no es útil para predecir un valor y. sey El error estándar para el cálculo y. F La estadística F o valor F observado. Utilice la estadística F para determinar si la relación observada entre las variables dependientes e independientes se produce por azar. df Grados de libertad. Utilice los grados de libertad para encontrar valores F críticos en una tabla estadística. Compare los valores que encuentre en la tabla con la estadística F devuelta por ESTIMACION.LINEAL para determinar un nivel de confianza para el modelo. ssreg La suma de regresión de los cuadrados. ssresid La suma residual de los cuadrados. Para el método de las fórmulas emplearemos el mismo ejemplo del caso anterior. PASO 1: En la ventana principal de la hoja de cálculo seleccionamos 5 casillas en blanco en dos columnas seguidas, posteriormente en la pestaña “Fórmulas” seleccionaremos “Insertar Función” como se muestra en la figura 12. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 28 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Figura 12. Ventana principal de la hoja de cálculo Excel PASO 2: En la ventana “Insertar Función” (Figura 13) seleccionamos en categoría “todas” y buscamos la opción ESTIMACION.LINEAL, damos clic en aceptar. También podemos seleccionar la función “ϋSTIMACIÓN.LOGARÍTMICA”, para aquellos casos donde el crecimiento se ajusta a una función exponencial. Figura 13. Ventana de selección de funciones. PASO 3: Posteriormente complementamos la información que se despliega en la ventana de Argumentos de función mostrada en la figura 14. Figura 14. Ventana de argumentos de la función Estimación.Lineal. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 29 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Los argumentos aescribir en esta ventana para completar la información son los siguientes (figura 15). En el cuadro Conocido_y escribimos D5:D13 que representa el logaritmo natural del crecimiento de la población (mismos valores seleccionados en el paso 4 del método gráfico). En el cuadro Conocido_x escribimos A5:A13 que representa el tiempo durante el cual crece la población (mismos valores del tiempo seleccionados en el paso 4 del método gráfico). En la casilla correspondiente a Constante y Estadística escribimos la palabra VERDADERO. Figura 15. Ventana de argumentos de la función Estimación.Lineal completa. PASO 4: Una vez diligenciada esta información presionamos al tiempo las teclas: Ctrl + Shif + Alt + Aceptar de la ventana anterior. La tecla Shif corresponde a aquella que tiene la flecha: . Al final obtendremos los datos mostrados en la siguiente figura: Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 30 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Figura 16. Resultados finales de la estimación lineal. Estimación lineal 1,14372017 3,42169901 0,00746925 0,06030027 0,99970154 0,06239195 23446,9196 7 91,2731138 0,02724929 En la ilustración anterior los datos de estimación lineal corresponden en su orden a las siguientes estadísticas de regresión correspondientes a la función lineal: H2: Pendiente “m” (1,14372017) H3: Error estándar para el coeficiente m (0,00746925) H4: Coeficiente de determinación o regresión (0,99970154). H5: Valor F observado (23446,9196). H6: Suma de regresión de los cuadrados (91,2731138). Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 31 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 I2: Constante b (3,42169901). I3: Error estándar para la constante b (0,06030027). I4: Error estándar para el cálculo Y (0,06239195). I5: Grados de libertad (7). I6: Suma residual de los cuadrados 0,02724929). Con los datos obtenidos puede entonces construirse la ecuación lineal. Si 検 = 兼捲 + 決, entonces al reemplazar los datos la ecuación queda conformada así: 検 = 1,1437捲 + 3,4217 R2 = 0,9997 Como podemos ver, estos datos son los mismos obtenidos en la figura 11 (método gráfico). Cálculo de los parámetros cinéticos De acuerdo con Zwietering et al. (1992), a partir de los datos de crecimiento pueden estimarse diversos parámetros cinéticos, entre ellos la duración de las fases de latencia (そ) y exponencial (α), fin de la fase de crecimiento (ε), la velocidad específica de crecimiento (µ) y la máxima velocidad específica de crecimiento (µmáx). La forma más común de calcular la duración de la fase de latencia (そ) es la extrapolación de la tangente en el punto de inflexión de la curva de crecimiento, hasta que corta con la recta equivalente al nivel inicial de inoculación (Ymin). Después de esta fase de latencia se establece la fase exponencial. El final de esta fase exponencial (ε) se puede definir como el momento en el que la extrapolación de la tangente en el punto de inflexión corta con la recta de la máxima densidad poblacional (Ymáx). La duración de la fase exponencial (α) surge entonces de restar el tiempo final de la fase exponencial menos el tiempo de duración de la fase de latencia. La velocidad específica de crecimiento (µ) corresponde con el valor de la pendiente en la gráfica del Ln UFC/g vs tiempo, mientras que la máxima velocidad específica de crecimiento (µmáx) corresponde a la máxima velocidad vista en todos los intervalos de tiempo. De acuerdo con los datos del ejemplo que nos ocupa, identificamos los siguientes valores: Ymin = 4,605 ln UFC/g Ymáx = 20,009 ln UFC/g Ecuación de la recta: y = 1,1437x + 3,4217 Duración de la fase de latencia: そ = (y – 3,4217) / 1,1437 そ = (4,605 – 3,4217) / 1,1437 そ = 1,0346 horas. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 32 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Final de la fase exponencial: ε = (y – 3,4217) / 1,1437 ε = (20,009 – 3,4217) / 1,1437 ε = 14,5932 horas. Duración de la fase exponencial: α = 14,5932 – 1,0346 α = 13, 5586 oras. Velocidad específica de crecimiento: µ = m µ = 1,1473 ln UFC/g*hora Máxima Velocidad de crecimiento específico: este parámetro para nuestro ejemplo se obtiene de la columna E (µ). En ella debemos escoger la casilla en la cual se observa la mayor velocidad y que en nuestro caso corresponde a E4 (intervalo entre las 2,2 horas y 3,3 horas). µmáx = 1,5243 ln UFC/g*hora que corresponde al intervalo =(D5-D4)/(A5-A4). 2.9. NIVEL DE RIESGO Para el desarrollo de la anterior práctica se ha definido un nivel de Riesgo Bajo o nivel 1; es decir que se requiere del uso de Bata de Laboratorio Manga Larga, Zapato Cerrado Bajo, Pantalón Largo. 2.10. BIBLIOGRAFÍA Labuza, T. (2004). Predictive Microbiology Principles. Department of Food Science and Nutrition. University of Minnesota. USA. Pp. 12. Nies, M.L. (2006). Using Computer Spreadsheets to Solve Equations. Learning & Leading with Technology, 3(23). Monod, J. (1949). The growth of bacterial cultures. Annual Review of Microbiology 3: 371– 394. Microsoft Office Excel 2007 de Microsoft Corporation Inc. Marca registrada. Zwietering, M.H., Rombouts, F.M., van’t Riet, K. (1λλ2). Comparison of definitions of the lag phase and the exponential phase in bacterial growth. J. Appl. Bacteriol., 72: 139–145. Madigan, M.T., Martinko, J.M., Dunlap, P.V., Clark, D.P., Brock, T. (2008). Chapter 6: Microbial Growth - Unit 1: Principles of Microbiology. In: Brock Biology of Microorganisms: International Edition. 20th ed. Prentice Hall Edit. Willett, H.P. (1997). Capítulo 5 Fisiología del crecimiento bacteriano. En: Zinsser Microbiología. 20ª edición. Joklik, W.K., Willett, H.P., Amos, B., Wilfert, C.M., Editores. Editorial Médica Panamericana S.A. Buenos Aires, Argentina. Págs. 78 – 109. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 33 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 34 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 ACTIVIDAD 2 ESTANDARIZACIÓN DE UNA CURVA PATRON DE CRECIMIENTO BACTERIANO POR MÉTODO TURBIDIMÉTRICO (PATRÓN McFARLAND) Y RECUENTO EN PLACA. 2.11. OBJETIVOS Los objetivos que se buscan con esta práctica son: Diferenciar entre los distintos tipos de métodos de recuento bacteriano y discernir cual de ellos emplear bajo diversas situaciones. Comprender los fundamentos que rigen los diversos métodos instrumentales de recuento microbiano. Construir una curva patrón para la medida indirecta del crecimiento diversas bacterias (E. coli, S. aureus, etc.) para futuras prácticas. Ahorrar material de laboratorio, tiempo de trabajo, etc., en el desarrollo de las futuras actividades relacionadas a la asignatura de Microbiología predictiva. Obtener ecuaciones de primer orden para la predicción del crecimiento de estas bacterias dependiente de la población inicial a temperatura constante. 2.12. MARCO TEÓRICO El crecimiento de una población bacteriana puede ser entendido desde perspectivas diferentes y de acuerdo a éstas sepuede llegar a determinar la medida del crecimiento mediante diversas metodologías. Para algunos, el crecimiento es la capacidad que tienen las células individuales para multiplicarse, esto es iniciar y completar una división celular. De esta forma, se considera a los microorganismos como partículas discretas y el crecimiento es entendido como un aumento en el número total de partículas bacterianas. Existen varias formas de determinar el número total de microorganismos en una muestra: Determinación del número de microorganismos, Determinación de la masa celular, y Determinación de la actividad celular. Independientemente de los métodos empleados para el conteo bacteriano estos se pueden agrupar en dos modalidades claramente definidas, así pues tendríamos los métodos de recuento directo o cuantitativos (como su nombre lo indica nos permite contar directamente el número de células) y aquellos indirectos o cualitativos, que a través de la determinación de diversos factores nos permite correlacionar la medida de los mismos con un número de bacterias. En la práctica habitual del laboratorio, los ensayos se realizan siempre con poblaciones bacterianas, a menudo tomando muestras en diversos momentos de su crecimiento en un medio de cultivo. En el resto del manual nos vamos a referir al crecimiento microbiano a escala de poblaciones. Comenzaremos con describir algunos métodos habituales de medir ese crecimiento poblacional, algunos de los cuales serán reforzados por el alumno en las siguientes prácticas de laboratorio. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 35 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 El crecimiento de una población o cultivo bacteriano se puede expresar en función de: Aumento del número de células (microorganismos). Aumento de masa del cultivo (masa celular). Aumento de la actividad celular. Estos tipos de expresiones son equivalentes entre sí en cultivos que estén en crecimiento balanceado o equilibrado (en el que todos los componentes aumentan una misma proporción por unidad de tiempo). En cultivos cerrados (discontinuos o no equilibrados) estas expresiones de crecimiento son coincidentes durante algún periodo pero transcurrido el tiempo, dejan de ser equivalentes, por ejemplo la masa celular y la actividad celular. La medida del crecimiento bacteriano puede medirse también mediante dos tipos de métodos: directos (los cuales requieren preparaciones limpias, sin partículas extrañas) e indirectos. Ahora bien, hagamos una descripción de cada uno de ellos: 2.2.1 DETERMINACIÓN DEL NÚMERO DE MICROORGANISMOS: Estos métodos pueden ser indirectos como el Recuento en placa ya sea en superficie o incorporado, Método de las diluciones múltiples o del Número Más Probable, Filtración por membrana e incubación de ésta sobre medio de cultivo sólido, o métodos directos como Recuento microscópico directo de los microorganismos, ya sea en frotis o en cámaras, Conteo al microscopio de membranas, Conteo electrónico de partículas (tipo Coulter), Recuento proporcional de Wright. 2.2.2 DETERMINACIÓN DE LA MASA CELULAR: El crecimiento de una población bacteriana pueden determinarse por medio de métodos directos de conteo de la población: medida del peso seco, medida del peso húmedo, medida del volumen, determinación del contenido de N, etc., o bien por métodos indirectos como turbidimetría (escala de McFarland y espectrofotometría) y Nefelometría. 2.2.3 DETERMINACIÓN DE LA ACTIVIDAD CELULAR: Este tipo de conteo nos permite entre otros la determinación de una actividad enzimática, determinación de un metabolito, medida del consumo de oxigeno, medida de ATP, calorimetría, medida de impedancia, radiometría (de C02). A los efectos de llevar a cabo cualquier técnica de recuento, hay que tener en cuenta el tipo de muestra sobre la que se va a trabajar, por cuanto es posible que algunos de los métodos no sean aplicables. Cuando es necesario llevar a cabo diluciones, la toma y preparación de la muestra se realiza de la manera común. En las descripciones que siguen se denominará homogeneizado a la muestra preparada para su análisis microbiológico. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 36 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Los primeros incluyen normalmente el recuento en placa (mucho trabajo, costos, tiempo) o conteo directo al microscopio (cámara de Neubauer), mientras los segundos cuantifican indirectamente la población a través de diferentes métodos: Métodos eléctricos: impedancia, conductancia. Métodos turbidimétricos ópticos: Escala de McFarland. Métodos turbidimétricos instrumentales: Absorbancia, Tramitancia. Citometría de flujo Otros. 2.2.4 MÉTODOS TURBIDIMÉTRICOS INSTRUMENTALES: La medición del crecimiento por métodos turbidimétricos resulta ser más rápido y útil, para obtener una estimación del número de células o biomasa. Una suspensión celular aparece turbia porque las células dispersan la luz que atraviesa la suspensión. Cuantas más células haya más luz se dispersa y más turbia aparece la suspensión. La turbidez puede medirse con un fotómetro o un espectrofotómetro, aparatos que hacen pasar la luz a través de una suspensión celular y detectan la cantidad de luz no dispersada. La mayor diferencia entre estos dos instrumentos es que el fotómetro emplea un filtro simple (normalmente rojo, verde o azul) para generar luz incidente de una amplitud de onda relativamente ancha, mientras que el espectrofotómetro emplea un prisma o red de difracción para generar luz incidente de banda estrecha. Sin embargo, ambos aparatos miden solamente luz no dispersada expresando los resultados en unidades fotométricas (por ejemplo, Unidades Klett) o unidades de densidad óptica (DO) para espectrofotómetro. Para organismos unicelulares, las unidades fotométricas DO son proporcionales (dentro de ciertos límites) a la masa celular y también al número de células. Por tanto las medidas de turbidez pueden utilizarse como un sustituto para otros métodos de contaje. Sin embargo y antes de utilizar la turbidez como método de contaje, hay que realizar una curva estándar que relacione medidas directas (microscópicas o por recuento en placa) con las unidades indirectas de turbidez (DO) (Francois et al., 2007). Tales curvas contienen datos para número de células y masa celular, permitiendo la estimación de ambos parámetros a partir de una sola medida de la turbidez. A elevadas concentraciones de células, la luz dispersada de la unidad detectora puede ser rescatada por otra (apareciendo a la fotocélula como si nunca se hubiese dispersado). Cuando esto ocurre, la correspondencia uno a uno entre número de células y turbidez pierde linealidad. Sin embargo, dentro de ciertos límites, las medidas de turbidez pueden ser razonablemente precisas y además tienen la virtud de ser rápidas y fáciles de tomar. Adicionalmente, las medidas de turbidez pueden tomarse sin distorsionar mucho las muestras. Por estas razones, las medidas de turbidez se emplean ampliamente para seguir el crecimiento de los cultivos microbianos; se puede medir repetidamente la misma muestra y construir gráficos semilogarítmicos para calcular tiempos de generación. La población Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 37 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 bacteriana puede determinarse midiendo la turbidez del cultivo a diferentes intervalos de tiempo y confrontando estos resultados con medidas directasde la población a los mismos intervalos de tiempo por ejemplo mediante recuento directo en placa. El cambio de luz se registra en el espectrofotómetro como porcentaje de transmisión (cantidad de luz transmitida) y absorbancia o densidad óptica (D.O.), valor derivado del porcentaje de transmisión, correspondiente al log del cociente entre la intensidad de luz incidente sobre la suspensión (Io) y la de la luz transmitida por la suspensión (I). A = log Io/I. Cuando se inocula una pequeña población bacteriana en un medio de cultivo líquido adecuado, generalmente el crecimiento no comienza inmediatamente, sino que hay un período de latencia. Una vez que empieza el crecimiento, se observa un incremento exponencial en la densidad celular, que corresponde a la fase exponencial de crecimiento. Esta fase es la más significativa en el ciclo de crecimiento de los microorganismos y se caracteriza porque los parámetros cinéticos del crecimiento (µ, k) se mantienen constantes. A medida que el crecimiento avanza, la concentración de los nutrientes esenciales disminuye, y se acumulan los productos finales del metabolismo, hasta que el crecimiento llega a detenerse, de modo que el cultivo entra en fase estacionaria. Después las células lentamente se mueren, lisándose en algunos casos, en una última fase de muerte celular (Figura 2.1). Figura 2.1. Representación gráfica de las fases de crecimiento bacteriano (Tomado de Labuza, 1994). Tomado de Schlessinger et al., 1994. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 38 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 2.13. MATERIALES, EQUIPOS E INSUMOS 2 frascos Erlenmeyer con 99 mL de caldo BHI. 48 tubos de ensayo con 9 mL de agua peptona. 64 Pipetas estériles de 1 mL. 16 Pipetas estériles de 10 mL. 96 cajas de petri estériles con agar BHI. 12 tubos de ensayo estériles. Incubadora de 35ºC +/- 2ºC Espectrofotómetro calibrado a 600 nm. Celdas plásticas para espectrofotometría. 2.14. REACTIVOS Patrón de McFarland 5 (0,5 ml de BaCl2 al 1,175% + 9,5 ml de H2SO4 al 1%) (Ver anexo 2.1 y 2.2, preparación y control de calidad del estándar de McFarland). 2.15. PROCEDIMIENTO 2.5.1 Cultivos Se usaran cultivo puros en fase exponencial de diversas bacterias (por ejemplo E. coli ATCC25922 o S. aureus ATCC29213). Estos cultivos serán mantenidos a 37ºC durante 24 horas en caldo Infusión-Cerebro-Corazón (Brain Heart Infusión - BHI) (Oxoid Ltd., Basingstoke, UK) para ser usadas en la estandarización de las curvas de crecimiento de estas bacterias, las cuales se usarán como referencia para el desarrollo de las demás actividades prácticas de la asignatura. 2.5.2 Preparación del inoculo, mantenimiento del cultivo y medida directa del crecimiento: 1. A partir de un cultivo bacteriano (en fase exponencial) preparar una suspensión inicial (Patrón 1 – P1) de la cepa seleccionada y ajustarla a una turbidez correspondiente al patrón McFarland 0,5, el cual equivale aproximadamente a 1,5x108 bacterias/ml (ICONTEC, 2000). De este cultivo preparar una dilución 1:10 (Patrón 2 – P2) inoculando 1 ml de P1 en un tubo conteniendo 9 ml de caldo BHI (población final equivalente a 1,5x107 bacterias/ml). 2. A partir de P2 preparar cinco diluciones 1:10 para obtener los patrones P3, P4, P5, P6 y P7 con unas poblaciones aproximadas a 1,5x106 bacterias/ml; 1,5x105 bacterias/ml; 1,5x104 bacterias/ml; 1,5x103 bacterias/ml y 1,5x102 bacterias/ml, respectivamente. 3. A partir de cada patrón preparar diluciones decimales (1:10) consecutivas en agua peptona estéril de tal forma que la población teórica final sea de 1,5x102 bacterias/ml, según el esquema anexo al final de la guía (ver anexo 2.3). De la última dilución sembrar Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 39 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 en profundidad y por duplicado 0,1 ml para cada patrón. De la dilución anterior sembrar en profundidad y por duplicado 1 ml de cada patrón. Adicionar 15 mL de agar BHI y homogenizar las cajas, llevando a incubar la totalidad de las cajas a una temperatura de 35ºC ± 2ºC por 24 – 48 horas. 4. Al finalizar el tiempo de incubación, realizar los cálculos de la población así: 軽 = 潔券 De esta forma se calcula la población en ufc/mL equivalentes al patrón 1, la cual será correlacionada con el valor inicial de la curva obtenida por espectrofotometría. 5. A partir de cada patrón (P1, P2, P3, P4, P5, P6 y P7) determine el valor de la absorbancia a 600 nm, de esta forma obtendremos el equivalente en Ab para cada patrón, la cual será correlacionada con el recuento en placa profunda para cada patrón. 6. Con ayuda de Excel obtener una gráfica de dispersión donde ubicaremos en el eje X el valor de la absorbancia y en el eje Y el Log10 de la población. Posteriormente usando regresión lineal, agregar la línea de tendencia que mejor ajuste tenga según el coeficiente de regresión (R2) y obtener el valor de la ecuación. 7. Esta ecuación es la que usaremos para futuros cálculos de población. Solo basta con preparar el inoculo inicial del microorganismo (en nuestro caso Escherichia coli ATCC25922 y Staphylococcus aureus ATCC29213) medir la absorbancia y reemplazar este valor en la X de ecuación. De esta forma obtendremos el valor aproximado de la población en ufc/ml. 2.16. RESULTADOS Construir la curva experimental de absorbancia vs LnN empleando los datos recogidos en la siguiente tabla 2.1: Tabla 2.1. Tabla de resultados de la actividad práctica 2. Patrón (dilución del patrón) Población teórica (cel/ml) Absorbancia media (600 nm) Media Población (ufc/ml) Población real (Ln ufc/ml) 1 (100) 1,5x108 2 (10-1) 1,5x107 3 (10-2) 1,5x106 4 (10-3) 1,5x105 5 (10-4) 1,5x104 Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 40 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 6 (10-5) 1,5x103 7 (10-6) 1,5x102 Ajustar la curva a la función más adecuada (lineal, exponencial o logarítmica). Calcular la ecuación de predicción y corregir hasta obtener un R2 > 0,98. Trabajar con un mínimo de 4 valores de referencia. La ecuación así obtenida será la que se empleará para los cálculos de la población final a diferentes intervalos de tiempo en las prácticas siguientes. 2.17. NIVEL DE RIESGO Para el desarrollo de la presente práctica se ha definido un Nivel de Riesgo Medio o Nivel 2, ya que se manejaran microorganismos considerados oportunistas y que en algún momento por malas prácticas de laboratorio pueden conllevar algún peligro para los manipuladores. Por tanto, todo estudiante, auxiliar y docente que oriente e intervenga en el desarrollo de la misma deberá usar los siguientes equipamientos: Bata de Laboratorio manga larga, Guantes, Cofia, Tapabocas, Zapato Cerrado Bajo, Pantalón Largo. 2.18. BIBLIOGRAFÍA Schlessinger, D., Schaechter, M., Eisenstein, B.I. (1994). Biología de los agentes infecciosos, capítulo 3. En: Microbiología. Mecanismos de las enfermedades infecciosas, enfoque mediante la resolución de problemas. 2da edición. Editores: Schaechter, M., Medoff, G., Eisenstein, B.I., Guerra, H. Editorial Médica Panamericana, S.A. Buenos aires. Argentina. Págs. 47 – 76. http://www.cdc.gov/ncidod/dbmd/diseaseinfo/cholera/ch9.pdf. Fernández, C.M., González, M., Illnait, M.T., Martínez, G. (1998). Determinación de la concentración mínima inhibitoria de Anfotericina B en levaduras de interés médico. Rev CubanaMed Trop., 50(1): 48-53. Francois, A., Valero, A., Geeraerd, A.H., Van Impe, J.F., Debevere, J., García-Gimeno, R.M., Zurera, G., Devlieghere, F. (2007). Effect of preincubation temperature and pH on the individual cell lag phase of Listeria monocytogenes, cultured at refrigeration temperatures. Food Microbiol., 24: 32 – 43. ICONTEC. Instituto Colombiano de Normas Técnicas y Certificación. (2000). NTC 2455. Desinfectantes. Limpiadores líquidos. Desinfectantes para uso doméstico. Tercera actualización. 25-10-2000. Madigan, M.T., Martinko, J.M., Parker, J. (2001). Crecimiento microbiano, Capítulo 5. En: Brock Biología de los Microorganismos. 8ª edición revisada. Editorial Prentice Hall Iberia, Madrid, España. ISBN: 84-89660-36-0. 4ª reimpresión. Págs. 155 – 157. http://www.cdc.gov/ncidod/dbmd/diseaseinfo/cholera/ch9.pdf Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 41 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Willett, H.P. (1997). Fisiología del Crecimiento Bacteriano, Capítulo 5. En: Zinsser, Microbiología. 20ª edición. Editores: Joklik, W.K., Willett, H.P., Amos, D.B., Wilfert, C.M. Editorial Médica Panamericana, S.A. Buenos Aires. Argentina. Págs. 78 – 109. ANEXOS ANEXO 2.1. Escala de McFarland Fundamento: El patrón o la escala de McFarland consiste en una serie de tubos herméticamente cerrados, previamente calibrados y con una densidad óptica diferente originada por la aparición de un precipitado de sulfato de bario (SO4Ba) resultante de la reacción entre el cloruro de bario (Cl2Ba) al 1,175% (0,048 M) y el ácido sulfúrico (H2SO4) al 1% (0,36N). Esta turbidez puede interpretarse ópticamente o por métodos espectrofotométricos y cada una de ellas se corresponde a una concentración conocida de bacterias/ml. Para cada cepa bacteriana hay que establecer la equivalencia entre la turbidez de cada tubo y la masa o la concentración de bacterias (cel/ml) que genera una turbidez similar. Inconveniente: Es un método poco preciso, que solo se emplea cuando no hace falta exactitud, ha sido desplazado por los métodos espectrofotométricos. Conservación: El estándar de McFarland puede ser almacenado hasta por 6 meses en la oscuridad y a temperatura ambiente entre 22º a 25ºC. Sin embargo, se recomienda almacenarse a ser posibles en refrigeración. Cuidados: Descartar después de 6 meses o antes si su volumen es menor. Antes de cada uso, debe agitarse muy bien usando un shaker, hasta que el precipitado blanco de sulfato de bario se haya disuelto en todo el medio. Para asegurar la densidad del estándar de McFarland así preparado puede ser chequeado usando un espectrofotómetro con una celda de cuarzo de 1-cm; para el estándar 0,5 de McFarland, la absorbancia a una longitud de onda de 625 nm puede estar entre 0,08 a 0,1. Alternativamente, el aseguramiento del estándar de McFarland puede ser verificado por ajuste de una suspensión de una cepa control (por ejemplo, E. coli ATCC 25922) a la misma turbidez, preparando diluciones seriadas 1:10, y realizando el respectivo recuento en placa. La suspensión así ajustada puede tener un conteo de 1,5x108 ufc/ml. Para levaduras el estándar 0,5 de McFarland es equivalente a una suspensión de 106 ufc/ml (Andreu et al., 1998). Preparación: Se adicionan cantidades crecientes (o decrecientes según corresponda) de BaCl2*2H2O al 1,175% (p/v) en H2SO4 al 1% (v/v) de acuerdo a la siguiente tabla (Tabla 2.2.) para obtener la equivalencia deseada: Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 42 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 Tabla 2.2. Preparación del estándar de McFarland. Escala de McFarland BaCl2*2H2O (0.048M) H2SO4 (0.36N) ml final [ ] celular 1 0,1 9,9 10,0 3 x 108 2 0,2 9,8 10,0 6 x 108 3 0,3 9,7 10,0 9 x 108 4 0,4 9,6 10,0 12 x 108 5 0,5 9,5 10,0 15 x 108 6 0,6 9,4 10,0 18 x 108 7 0,7 9,3 10,0 21 x 108 8 0,8 9,2 10,0 24 x 108 9 0,9 9,1 10,0 27 x 108 10 1,0 9,0 10,0 30 x 108 Fuente: ICONTEC, 2000. Los estándares de turbidez se preparan en tubos similares a los que se emplearan para preparar la suspensión del inoculo. Después, el tubo debe ser bien tapado usando una tapa rosca con teflón, Parafilm, o algún otro medio que evite la evaporación del mismo. Esta escala de 3x108 a 3x109 bacterias por ml es de gran utilidad en cuanto que, en la mayoría de los experimentos, los conteos quedarán dentro de estos límites, excepto en los casos de muy bajo crecimiento. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 43 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 ANEXO 2.2. Procedimiento para la preparación y control de calidad del estándar 0,5 de McFarland (Equivalente a 1,5x108 bact/ml) Fuente: Fernández et al., 1998. Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 44 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 ANEXO 2.3. Esquema de trabajo curva de calibración de población por método turbidimétrico y recuento en placa. LECTURA TURBIDIMÉTRICA RECUENTO EN PLACA P7 PT = 102 PT =101 PT =102 Cultivo madre de E. coli / o S. aureus PT =101 PT =102 PT =101 PT =102 PT =101 PT =102 PT =101 PT =102 PT =101 PT =102 P1 PT = 108 P2 PT = 107 P3 PT = 106 P4 PT = 105 P5 PT = 104 P6 PT = 103 1 ml 1 ml 0,1 ml 1 ml 1 ml 1 ml 0,1 ml 1 ml 1 ml 1 ml 1 ml 0,1 ml 1 ml 1 ml 1 ml 1 ml 1 ml 0,1 ml 1 ml 1 ml 1 ml 1 ml 1 ml 1 ml 0,1 ml 1 ml 1 ml 1 ml 1 ml 1 ml M ed ir A b so rb an ci a a 60 0 n m 1 ml 1 ml 0,1 ml Fundamentos de Microbiología Predictiva: aplicaciones teóricas y prácticas Enrique Alfonso Cabeza Herrera, Ph.D. Código FMP V. 01 Página 45 de 103 Universidad de Pamplona – Facultad de Ciencias Básicas – Departamento de Microbiología – © 2011 ACTIVIDAD 3 INFLUENCIA DE LA TEMPERATURA SOBRE EL CRECIMIENTO BACTERIANO 3.1 OBJETIVO Al finalizar la práctica el estudiante estará en capacidad de: Comprender el efecto que la temperatura ejerce sobre la cinética de crecimiento bacteriano. Evidenciar la relación existente entre la temperatura de incubación y la velocidad de crecimiento bacteriano. Conocer el mecanismo básico de acción de la temperatura en el crecimiento y metabolismo a nivel de bacterias. 3.2 MARCO TEÓRICO Así como los humanos estamos adaptados a vivir y trabajar en diversas condiciones de temperatura, los microorganismos no escapan a esta regla. Por ejemplo cuando una persona está acostumbrada a vivir y trabajar en un clima frío, el hecho de desplazarse y realizar sus labores en clima cálido causa una afectación sobre su estado anímico y nivel de actividad, reduciendo el rendimiento que cabría esperarse de la misma que cuando se encuentra en su entorno natural. De esta forma podríamos decir que la temperatura afecta nuestras actividades, lo mismo ocurre con los microorganismos. Probablemente dentro de los factores físicos que influyen en el crecimiento, la temperatura es el principal factor que afecta la viabilidad y el desarrollo microbiano, es decir, determina la velocidad de crecimiento bacteriano (Adair et al., 1989; McDonald y Sun, 1999; Olson y
Compartir