VIDA COMERCIAL: ¿CÓMO NOS PUEDE AYUDAR LA MICROBIOLOGÍA PREDICTIVA?

0
VIDA COMERCIAL: ¿CÓMO NOS PUEDE AYUDAR LA MICROBIOLOGÍA PREDICTIVA?

La calidad de la mayoría de los alimentos y bebidas disminuye durante el tiempo de almacenamiento hasta que llega un momento que resulta inaceptable su consumo. Este tiempo desde que el producto está acabado hasta el momento anterior en el que se vuelve inaceptable es la vida útil y lo determina el fabricante. Este último también tendrá en cuenta, para definir la vida comercial del producto, factores como el coste y beneficio económico, y que nunca llegue a ser rechazable durante su comercialización ya que eso repercutiría en quejas de los consumidores y daño del prestigio de la marca comercial.

Para establecer la vida útil de un alimento se debe realizar un estudio que abarque una serie de controles preestablecidos en el tiempo hasta alcanzar el nivel de deterioro elegido como limitante o hasta alcanzar los límites prefijados. En los últimos años, se han descrito diferentes procedimientos para establecer la vida útil, basados fundamentalmente en la detección de la alteración microbiana, físico-química y sensorial. Generalmente se cuenta con poca información previa en relación a los grupos microbianos alterantes del alimento, su crecimiento, y la vida comercial del producto en general, por lo que se deben programar controles simultáneos de calidad microbiológica, físico-química y sensorial y realizar test de desafío o challenge test, inoculando en el alimento de estudio los microorganismo alterantes o patógenos a estudiar.

Se deben obtener datos seguros sobre los materiales crudos utilizados, la formulación de productos, el montaje del producto, las técnicas de procesado, condiciones higiénicas, envasado utilizado, procedimientos de almacenamiento y distribución, y por supuesto manipulación del consumidor final. Únicamente cuando todas estas áreas están representadas puede ser posible establecer una predicción segura de vida media. Seguir un procedimiento para calcular la vida media puede implicar una utilización extensa de fuentes tecnológicas y financieras. Sin embargo, el desarrollo de modelos predictivos seguros podría reducir en gran medida la magnitud de estas fuentes y mejorar la utilización del tiempo.

La microbiología predictiva es un área de la microbiología de los alimentos que estudia las repuestas microbianas a factores medioambientales bajo condiciones controladas y definidas; por esta razón, la microbiología predictiva se viene denominando en los últimos tiempos “ecología cuantitativa microbiana de los alimentos” (Ross y McMeekin, 2003). Las respuestas son cuantificadas y resumidas mediante ecuaciones matemáticas que, mediante interpolación, pueden predecir respuestas microbianas a nuevas condiciones, es decir, aquéllas que no han sido estudiadas (Ross y McMeekin, 1995).

En los últimos años la aplicación de modelos predictivos ha ido encaminada a la cuantificación del crecimiento de microorganismos patógenos y alterantes en alimentos con objeto de determinar la vida comercial. Para la aplicación de modelos predictivos es necesario, en primer lugar, conocer el criterio que más importante que altera el alimento y por lo tanto determinará la vida comercial del producto. En caso de que el crecimiento microbiano sea determinante se deberá seleccionar un criterio microbiológico que se utilizará como indicador de la aceptabilidad del producto. La vida comercial basada en la alteración microbiológica ha sido llevada a cabo en muchos estudios mediante la selección del grupo de “microorganismos alterantes específicos (MAE)” (Dalgaard et al., 2002; Koutsoumanis y Nychas, 2000). Este grupo se define como aquél responsable directo de la alteración del producto bajo un rango determinado de factores ambientales.

El periodo de vida comercial estaría determinado por el tiempo que tardarían los MAE en alcanzar un nivel de alteración (ts), o bien, cuando la concentración de un metabolito producido en el alimento durante el almacenamiento alcanza una concentración inaceptable. En el caso que se nos presenta, los microorganismos aerobios mesófilos así como las bacterias ácido-lácticas han sido utilizados como grupo indicador de la alteración microbiológica en productos cárnicos (Mataragas et al., 2006).

Con objeto de determinar el nivel de alteración microbiológica para un alimento dado, se requiere tener un conocimiento previo de la cinética de crecimiento del grupo microbiano responsable a lo largo del almacenamiento del alimento en cuestión. A este respecto, los modelos predictivos de crecimiento son los que más se han desarrollado. En función de su grado de desarrollo, se pueden dividir en primarios, secundarios y terciarios o software de predicción.

Los modelos primarios son expresiones matemáticas que describen los cambios en concentraciones microbianas a lo largo del tiempo. Persiguen explicar el proceso de crecimiento con tan pocos parámetros como sea posible, y a la vez ser capaz de definir con exactitud las distintas fases del crecimiento bacteriano. El modelo de Baranyi y Roberts (1994) es el más ampliamente utilizado, dado su uso en condiciones medioambientales dinámicas, aunque existen otro tipo de funciones ampliamente utilizadas, como son el modelo de Gompertz, función logística o modelo lineal de tres fases. También hay modelos que describen la inactivación de los microorganismos especialmente indicados en los alimentos que sufren algún tipo de tratamiento.

El crecimiento microbiano en alimentos se representa en la Figura 1. Una curva de crecimiento se divide en fase de latencia, fase exponencial y fase estacionaria (McMeekin et al., 1993). El tiempo de latencia (tlag) tasa máxima de crecimiento (µmax) y concentración microbiana inicial y final (N0 y Nmax) son los parámetros que van a servir para cuantificar el crecimiento microbiano a lo largo del tiempo.

Figura 1. Representación gráfica de una curva de crecimiento microbiano junto con los parámetros cinéticos obtenidos a partir de un modelo primario.

Aquellas condiciones de almacenamiento más favorables para el crecimiento microbiano resultarán en la obtención de valores más altos de µmax y más pequeños de tlag, y viceversa. N0 determina la concentración microbiana inicial en el alimento, Nmax se define como la concentración máxima que alcanza la población microbiana.

Por tanto, la aplicación de un modelo primario reside en el cálculo del tiempo necesario para que los MAE alcancen un nivel considerado de alteración (Nc). La ecuación que se utilizaría sería la siguiente:

(1)

donde ts sería el tiempo estimado de vida comercial (basado en alteración microbiológica), y Nc es la concentración de MAE definida como criterio para determinar la vida comercial.

En el caso de que el rango de predicción del modelo tenga un margen relativamente estrecho (Ej. 0-12ºC), la vida comercial se puede determinar en base a la ecuación propuesta por Labuza y Fu (1993). Aquí, se asume una relación lineal entre el tiempo de vida comercial y la temperatura de almacenamiento.

(2)  

donde ts es el tiempo de vida comercial, T es la temperatura, t0 es el tiempo de vida comercial estimado a 0ºC y b es el coeficiente de regresión del modelo.

El límite microbiológico (Nc) que determina la vida comercial diferirá en función del tipo de alimento, formulación y condiciones de almacenamiento. Tradicionalmente, se utilizan valores entre 105-108 ufc/g de MAE para definir este criterio. Sin embargo, en el caso de patógenos, se debe establecer un margen de seguridad, por lo que se obtendrá un periodo de vida comercial más corto. Asimismo, la determinación de la vida comercial dependerá de la contaminación inicial en el producto. En productos cárnicos frescos y cocidos envasados en atmósfera modificada se han descrito valores de concentración Nc de 107 ufc/g de aerobios mesófilos.

Existen actualmente aplicaciones gratuitas a través de Internet así como complementos para MS Excel que se pueden utilizar para el ajuste de modelos primarios a datos experimentales. Entre ellas destacan la aplicación DMFit (http://www.ifr.ac. uk/safety/DMFit/default.html) diseñada por el Institute of Food Research (IFR, Norwich, Reino Unido) y GInaFit (http://cit.kuleuven.be/biotec/), elaborada por la Universidad de Lovaina (Bélgica).

Los modelos secundarios son aquéllos que describen el efecto de las condiciones medioambientales (físicas, químicas y/o biológicas) sobre los valores de los parámetros de un modelo primario. Los modelos secundarios más ampliamente utilizados son los modelos polinomiales (McClure et al., 1993), los modelos de raíz cuadrada (Ratkowsky et al., 1982) y el concepto Gamma (Zwietering et al., 1996).

Dado que la temperatura es el factor más importante a tener en cuenta a la hora de prevenir la alteración microbiológica de un alimento, se han desarrollado otros modelos secundarios para la determinación de la vida comercial en base a este factor. Uno de ellos es el modelo de Arrhenius que se utiliza para describir el efecto de la temperatura de almacenamiento sobre µmax o 1/tlag.

(3)

donde A es una constante (denominada factor de frecuencia), R es la constante universal de los gases (8.314 J·K-1), T es la temperatura (ºK) y Ea es la energía de activación (J·mol-1). Los valores de Ea generalmente asociados al crecimiento microbiano oscilan entre 50 y 90 KJ·mol-1.

Mataragas et al. (2006) desarrollaron un modelo secundario para la predicción de la vida comercial de productos cárnicos cocidos y curados, empleando entre otros, el modelo de Arrhenius.

Los modelos terciarios de predicción proporcionan una interfaz entre las matemáticas subyacentes y el usuario, permitiendo la entrada de inputs y la observación de las estimaciones a través de outputs gráficos simplificados. Las matemáticas subyacentes no son otra cosa que una integración de los modelos primarios y secundarios. Algunos softwares de predicción que han cobrado gran importancia en los últimos años son el Pathogen Modeling Program (PMP) (http://ars.usda.gov/Services/docs.htm?docid=6786), ComBase Predictor (http://www.combase.cc/predictor.html), Perfringens Predictor, (http://www.ifr.ac.uk/Safety/GrowthPredictor/default.html), Seafood Spoilage and Safety Predictor (SSSP) (http://www.dfu.min.dk/micro/sssp/ Home/Home.aspx) y microHibro (http://www.microhibro.com/)

La microbiología predictiva es una herramienta muy eficiente para la estimación de la vida comercial y seguridad de los alimentos, permitiendo el cálculo de la vida útil comercial SIN necesidad de “challange test”.

Referencias

Baranyi, J. y Roberts, T. A. (1994). A dynamic approach to predicting bacterial growth in food. International Journal of Food Microbiology 23, 277-294.

Dalgaard, P. (2002). Modelling and prediction the shelf-life of seafood. In: Bremner, H.A. (ed.) Safety and quality issues in fish processing. Woodhead Publishing Ltd. pp. 191-219.

Koutsoumanis, K., Nychas, G. J. E. (2000). Application of a systematic experimental procedure to develop a microbial model for rapid fish shelf-life predictions. International Journal of Food Microbiology 60,171-184.

Labuza, T. P., Fu, B. (1993). Growth kinetics for shelf-life prediction: theory and practice. Journal of International Microbiology, 12, 309-323.

Mataragas, M., Drosinos, E. H., Vaidanis, A., Metaxopoulos, I. (2006). Development of a predictive model for spoilage of cooked cured meat products and its validation under constant and dynamic temperature storage conditions. Journal of Food Science, 71, M157-M167.

McClure, P. J., Baranyi, J., Boogard, E., Kelly, T. M. y Roberts, T. A. (1993). A predictive model for the combined effect of pH, sodium chloride and storage temperature on the growth of Brochothrix thermosphacta. International Journal of Food Microbiology 19, 161-178.

McMeekin, T.A., Olley, J., Ross, T., Ratkowsky, D.A. (1993). Predictive Microbiology: Theory and Application. Research Studies Press, Taunton, UK.

Ratkowsky, D. A., Olley, J., McMeekin, T. A. y Ball, A. (1982). Relationship between temperature and growth-rate of bacterial cultures. Journal of Bacteriology 149, 1-5.

Ross, T. y McMeekin, T. A. (1995). Predictive microbiolgy and HACCP. Cap. 13. En: Pearson A. M. y Dutson T. R. (eds.). HACCP in meat, poultry and fish processing. Advances in meat research series. Blackie Academic & Professional. Glasgow, UK, pp. 331-357.

Ross, T. y McMeekin, T. A. (2003). Modeling microbial growth within food safety risk assessments. Risk Analysis 23, 179-197.

Zwietering, M. H., Dewit, J. C. y Notermans, S. (1996). Application of predictive microbiology to estimate the number of Bacillus cereus in pasteurised milk at the point of consumption. International Journal of Food Microbiology 30, 55-70.

Rosa María García Gimeno

Doctora en Veterinaria, Catedrática de la Universidad de Córdoba, donde imparte docencia en asignaturas relacionadas con la seguridad alimentaria e higiene alimentaria en el grado de Veterinaria y en el de Ciencia y Tecnología de los Alimentos. Tiene una amplia experiencia en el campo de la microbiología predictiva aplicada a la estimación de calidad y seguridad alimentaria, estudiando el comportamiento de los patógenos en diferentes matrices alimenticias. Ha dirigido o participado en 23 proyectos, algunos de ellos internacionales como FLAIR, SCOOP, FAIR y COST y comparte proyectos europeos de coste y tiene más de 60 artículos científicos publicados en revistas de citación de alto impacto. La investigación que realiza es el estudio del comportamiento microbiano en alimentos y el desarrollo de modelos matemáticos, validaciones en matrices de alimentos y evaluaciones cuantitativas de riesgo de patógenos.