Avaliação da capacidade preditiva de diferentes modelos matemáticos para o crescimento microbiano em condições não-isotérmicas

Abstract

Um dos principais fatores que afetam a estabilidade microbiana dos alimentos durante o armazenamento é a temperatura, cuja variação modifica a dinâmica do crescimento microbiano. O uso de modelos matemáticos que consideram variações da temperatura de armazenamento pode ser muito útil na predição da vida de prateleira de alimentos, sendo que na literatura há um grande número de modelos que podem ser usados para descrição do crescimento microbiano. Assim, o presente estudo avaliou a capacidade preditiva dos principais modelos primários e suas versões não-isotérmicas para o crescimento de Lactobacillus plantarum em meio MRS sob condições de temperatura variável. Dados experimentais do crescimento deste microrganismo em condições isotérmicas foram obtidos nas temperaturas de 4, 8, 12, 16, 20 e 30 °C, sendo usados para estabelecer os modelos primários e secundários. O crescimento de L. plantarum em condições não isotérmicas foi testado para três diferentes perfis (4 12 °C, 5 15 °C e 20 30 °C) com variação de temperatura a cada 12 horas. Os valores dos índices estatísticos RMSE, fatores bias e accuracy indicaram que todos os modelos avaliados fornecem predições seguras do crescimento deste microrganismo nas condições não-isotérmicas testadas (fatores bias maior que 1). A capacidade preditiva dos modelos em descrever o crescimento microbiano em condições não-isotérmicas depende muito do bom ajuste dos modelos primários e secundários. Em geral, não foi possível apontar um modelo com melhor capacidade preditiva para as condições não-isotérmicas testadas, embora o modelo Logístico modificado por Corradini e Peleg tenha apresentado melhores valores de RMSE, fatores bias e accuracy em relação aos outros modelos testados, enquanto o modelo de Huang apresentou predições mais distantes. Constatou-se também que a capacidade preditiva dos modelos é menor quando ocorrem variações bruscas de temperatura, especialmente para baixas temperaturas, pois os modelos não podem prever os complexos mecanismos de adaptação microbiana. Incorporar esses mecanismos nos modelos preditivos é um desafio a ser vencido.

One of the main factors affecting the microbial stability of foods during storage is temperature, whose variation changes microbial growth dynamics. The use of mathematical models which take storage temperature variations into account can be very useful in predicting the shelf life of foods. Lactobacillus plantarum can be considered one of the main lactic acid bacteria and has received researcher's attention in studies on meat products. The current study assessed the predictive ability of the main primary models and their non-isothermic versions for Lactobacillus plantarum growth in MRS medium under variable temperature conditions. Experimental data on this microorganism's growth in isothermic conditions were obtained at 4, 8, 12, 16, 20, and 30 °C, which were used to establish the primary and secondary models. L. plantarum growth in non-isothermic conditions was tested for three different profiles (4-12 °C, 5-15 °C, and 20-30 °C) with the temperature varying every 12 hours. The RMSE, bias factor, and accuracy factor values indicate that all models assessed provide safe predictions of the growth of this microorganism at the non-isothermic conditions tested (bias factor greater than 1). The predictive capacity of the models for describing the microbial growth in non-isothermal conditions largely depends on the good fit of the primary and secondary models. Overall, it was not possible to point out a model with the best predictive ability for non-isothermic conditions, although the modified logistic model by Corradini and Peleg had the best RMSE, bias factor, and accuracy factor values compared to the other models assessed, while Huang's model had the worst values. It was also seen that the predictive ability of the mathematical models is lower when there are abrupt temperature variations, mainly in lower temperatures, since the models cannot predict the complex microbial adaptation mechanisms. Incorporating these mechanisms into the predictive models is a challenge yet to be overcome.