1

INSTITUTO TECNOLGICO DE TUXTLA GUTIERREZ

MAESTRA EN CIENCIAS EN INGENIERA BIOQUMICA


Optimizacin de la viabilidad del Lactobacillus
plantarum encapsulado por secado de aspersin
empleando redes neuronales

Protocolo


PRESENTA:
IBQ. Gerardo Alfredo Culej Vzquez

DIRECTOR DE TESIS:
Dr. Miguel Abud Archila


Tuxtla Gutirrez, Chiapas Noviembre de 2013

2

ndice
Resumen ............................................................................................................................... 4
1.0 Introduccin ................................................................................................................... 5
2.0 antecedentes ................................................................................................................... 6
2.1 probiticos .................................................................................................................. 6
2.2.Tipos de estrs a los que son sometidos los probiticos .......................................... 6
2.3 Factores que afectan el crecimiento de los probiticos ............................................ 7
2.4.Factores que afectan la supervivencia de los probiticos ........................................ 8
2.5.Estabilizacin de los probiticos mediante el encapsulamiento ................................. 9
2.5.1 Encapsulamiento por liofilizacin .......................................................................... 9
2.5.2 Encapsulamiento por secado de aspersin ............................................................ 9
2.5.3 Encapsulamiento por emulsin y extrusin ......................................................... 10
2.6 Microencapsulacion de microorganismos por secado de aspersin ........................ 10
2.7 Parmetros que afectan la viabilidad de los probiticos en la encapsulacin por
secado de aspersin ............................................................................................................. 11
2.7.1 Agentes encapsulantes ........................................................................................... 11
2.7.2 Temperatura del aire entrante .............................................................................. 12
2.7.3 Flujo de atomizacin y alimentacin .................................................................... 12
2.8 Modelacin y optimizacin del secado por aspersin ......................................... 13
2.8.1 Modelos empricos ................................................................................................. 13
2.8.2 Mtodo de superficie y respuesta .......................................................................... 15
2.8.3 Redes neuronales artificiales ................................................................................ 16
2.8.3.1 Estructura de un sistema neuronal artificial .................................................... 17
2.8.3.2 Aplicacin de las redes neuronales en el secado por aspersin ....................... 17
2.8.3.3 Modelo neuronal de multica-Perceptron con algoritmos de retropropagacin
........................................................................................................................................... 18
3. Planteamiento del problema .......................................................................................... 20
4. Justificacin ..................................................................................................................... 21
5.0bjetivos ........................................................................................................................ 22
5.1 Objetivo general .................................................................................................... 22
5.2 Objetivo especifico ................................................................................................. 22
3

6.0 Materiales y mtodos .............................................................................................. 23
6.1 Reactivacin de la cepa Lactobacillus plantarum................................................... 23
6.2 Microencapsulacion por secado de aspersin ........................................................ 23
6.3 Determinacin de la supervivencia de Lactobacillus plantarum despus del
proceso de secado por aspersin .................................................................................... 23
6.4 Determinacin del rendimiento del proceso ......................................................... 24
6.5 Determinacin de la actividad de agua (aw) .......................................................... 24
6.6 Determinacin del color de la partcula .................................................................. 24
6.7 Condiciones de almacenamiento ............................................................................. 24
7.0 Diseo experimental .................................................................................................... 25
7.1 Superficie y respuesta ............................................................................................... 25
7.2 Diseo de red neuronal artificial .............................................................................. 26
7.3 Validacin de la red neuronal con datos experimentales ...................................... 27
8.0 Cronograma de actividades ........................................................................................ 28
9. Bibliografa ................................................................................................................................ 29













4

Resumen
La aplicacin de redes neuronales en las ltimas dcadas como una herramienta ms para
la optimizacin del proceso de secado por aspersin ha tomado un inters por su capacidad
de generalizacin de datos no-lineales. Investigaciones sobre la aplicacin de las redes se
encuentra en la protemica, genmica y proceso biologios (fermentaciones) y en el rea de
medicina. Dentro de las aplicaciones de las redes neuronales en secado por aspersin se
encuentran en la prediccin de las propiedades fisicoqumicas en ciertos alimentos (frutas y
verduras) despus del secado, sin embargo no existe reportes sobre la modelacin de redes
neuronales en la optimizacin del proceso en la microencapsulacion del probiticos. Por lo
tanto este trabajo tiene la finalidad de aplicar las redes neuronales artificiales para la
optimizacin del proceso de secado por aspersin, empleando variables de entrada: 100 y
180C, flujo de alimentacin, 3 y 12 mL/min, y como variables de respuesta: viabilidad
celular (% de supervivencia), color de la muestra, rendimiento y aw. Se empleara un diseo
factorial 3
2
con tres replicas en el punto central, generando un total de 12 experimentos
completamente al azar. Todos los resultados sern analizados mediante un anlisis de
varianza con un P<igual 0.05. Para la optimizacin del secado por aspersin con la red
neuronal artificial se emplear la red neuronal artificial multicapa perceptrn de
retroalimentacin (feed-forward-MLP), con el algoritmo de retropropagacin (BP) para
desarrollar el modelo de prediccin. Los resultados esperados por la simulacin de la red
sern entre un rango de aproximacin (70-100% de supervivencia y 50-100% de
rendimiento) con una R=0.9-1, para concluir que ser posible aplicar este tipo de sistemas a
los proceso de secado por aspersin.











5

1. Introduccin
Durante las ltimas dcadas, se ha considerado laencapsulacin de microorganismos por
secado de aspersin, como un proceso en el cual las clulas son encapsuladas dentro de una
membrana (polisacridos) con la finalidad de reducir daos celulares durante el
almacenamiento (temperatura, humedad) y digestin (pH, sales biliares y proteasas). Las
principales ventajas del secado de aspersin incluyen alta velocidad del secado, fcil
operacin, sin embargo dicho proceso para su optimizacin en la microencapsulacin de
probiticos se hace muy complejo debido a que deben controlarse las variables de entrada
(temperatura, flujo de alimentacin, flujo del atomizador) para interactuar entre ellos para
generar una variable de respuesta (rendimiento, tamao de partcula, aw y % de
supervivencia) la interaccin de las variables de entrada y salida son relaciones no-lineales
que hacen difcil para su modelado y optimizacin. El mtodo de optimizacin en los
procesos no-lineales se encuentra el mtodo estadstico de Superficie y Respuesta, esta
tiene la capacidad de relacionar las variables de entrada con la salida para generar un
modelo matemtico, siendo uno de los mtodos ms aplicables. Sin embargo una
herramienta aplicable a sistemas altamente no-lineales en el secado por aspersin son las
redes neuronales artificiales, por su naturaleza estructural tienen la capacidad de relacionar
ms de una variable de entrada para generar los valores de salida y estn aprenden con el
entrenamiento prcticamente simulan la capacidad de un cerebro en su anlisis de datos,
estos modelos no generan modelos matemticos.












6

2. Antecedentes
2.1.Probiticos
Los probiticos son microorganismos vivos, que al ser administrados en dosis adecuadas,
confieren un beneficio de salud en el husped (FAO/OMS, 2002). Durante las dos ltimas
dcadas los consumidores son ms conscientes y preocupados por su estilo de vida y esto
ha aumentado la demanda de alimentos que promueven la salud y el bienestar, tales como
los productos funcionales que contienen microorganismos probiticos, los cuales tienen un
efecto benfico sobre el equilibrio de la microbiota intestinal. Dentro de los beneficios que
tienen los probiticos se encuentran la reduccin y la prevencin de la diarrea, la mejora del
equilibrio microbiano intestinal debido a la actividad antimicrobiana, la prevencin de
alergias a los alimentos y el aumento del potencial inmune (Aureli et al,2011). Entre los
microorganismos probiticos ms comnmente utilizados por la industria alimentaria
corresponden a aquellos del genero Lactobacillus. Sin embargo a travs de los aos,
muchas especies de microorganismos han sido utilizadas como probiticos y no slo
consisten en bacterias cido lcticas (Lactobacilos, Streptococos, Enterococos, Lactococos,
Bifidobacterias), sino tambin se han incluido los Bacillus y algunos hongos, tales como
Saccharomyces y Aspergillus. Cada uno de estos gneros de probiticos posee mecanismos
de accin diferente sobre la salud, uno de los factores ms importantes de los probiticos es
que deben ser ingeridas a concentraciones 10
6
y 10
7
UFC/g. (Gonzales, 2013; Furtado et
al, 2013).
2.2.Tipos de estrs a los que son sometidos los probiticos
Los probiticos son aislados de muchas fuentes naturales, la flora microbiana de humanos
(boca, tracto intestinal y aparato reproductor femenino), leches fermentadas, quesos,
mantequillas, pulque, entre otras fuentes (Soda et al, 2003; Gonzales, 2013). El cambio de
su fuente natural en su reproduccin en el laboratorio en medios sintticos y las condiciones
de cultivo (T, pH, concentracin de sales), provoca un estrs celular. Cuando se cultiva en
un fermentador por lote, el crecimiento de las bacterias se produce durante cuatro fases:
fase-lag, fase-log, estacionaria y la muerte, las respuestas de estrs de cultivos varan en
funcin de la fase de crecimiento. Las bacterias en la fase-log, debido a la privacin de
carbono y el agotamiento de las fuentes de alimentos disponibles se activan respuestas al
estrs para permitir la supervivencia de la poblacin celular. Las bacterias que entran en la
fase estacionaria desarrollan una resistencia general al estrs y son por lo tanto ms
resistentes a diversos tipos de estreses. Por lo tanto, la fase de crecimiento ptima para la
supervivencia en la deshidratacin es la fase estacionaria.
Las bacterias probioticas crecen en un rango de temperatura de 2-53 C, sin embargo la
temperatura ptima vara entre 28-44 C. Estos son microorganismos acidricos, por lo que
crecen ptimamente un pH entre 4.2 y 6.4 y toleran un rango de 4 a 6.5 % de NaCl (Estela
7

et al, 2007). En cultivos por lote, al realizar cambios en la temperatura o el pH, se induce un
estrs celular. Sin embargo estos cambios propicios no son letales cuando son sometidos a
cambios muy bajos, tales como los pretratamientos trmicos suaves pueden conducir a una
adaptacin de la membrana celular mediante el aumento de la saturacin y la longitud de
los cidos grasos con el fin de mantener la fluidez ptima de la membrana y la actividad de
las protenas intrnsecas. Por lo tanto, el efecto benfico de estrs por calor puede ser por la
produccin de protenas de choque trmico (HSPs) que promueven el correcto plegamiento
de los polipptidos, ensamblaje de complejos protenas, la degradacin y la translocacin
de las protenas. Los dos grupos de protenas principales involucrados en la correccin son
las chaperonas de la familia DnaK 70-kDa y la familia GroEL 60-kDa (Gobbetti et al,
2004). Desmond et al (2004), reportaron que la protena chaperona GroEL fue una de las
protenas ms fuertemente expresado en la clula en condiciones de adaptacin al calor.
El cambio de pH propicia estrs celular, este fenmeno puede alterar el estado fisiolgico
de las clulas bacterianas que conducen a una mayor sntesis de protenas de choque
trmico (Meng et al, 2006). El cultivo de L. delbrueckii bajo pH no controlado aumenta la
produccin de protenas de choque trmico (Silva et al, 2005). Una viabilidad de 80% de
supervivencia fue obtenido por liofilizacin cuando L. reuteri fue cultivado a un pH 5.0 con
2 horas de mantenimiento en la fase estacionaria (Meng et al,2008). Por lo tanto Las
bacterias responden a los cambios en su entorno por una reprogramacin metablica que
conduce a un estado celular de mayor resistencia (Pichereau et al, 2000).
2.3.Factores que afectan el crecimiento de los probiticos
La composicin del medio de cultivo es un factor que contribuye a la tasa de crecimiento de
los cultivos probiticos durante el secado, y en este sentido, se ha demostrado la
importancia de la presencia de hidratos de carbono. El crecimiento de L. delbrueckii. y L.
bulgaricus en presencia de azcares, tales como lactosa, sacarosa y trehalosa, o
crioprotectores qumicos, tales como, glicerol, muestra que las clulas pueden adaptarse a
la congelacin y la descongelacin por un estrs osmtico. La supervivencia de L. sakei al
ser sometido por secado de aspersin se mejor cuando las clulas fueron cultivadas en la
presencia de sacarosa. Otros azcares, tales como fructosa y el sorbitol tambin
proporcionan un mejor crecimiento a los probiticos que la glucosa. El mecanismo para la
proteccin de los azcares en el medio de cultivo radica probablemente a que el
crecimiento en presencia de diversos sustratos de azcar produzca clulas con distintas
caractersticas morfolgicas y fisiolgicas, lo que refleja la resistencia a diferentes
tratamientos de estrs. Otros factores, incluyendo la presencia sales como de cloruro de
sodio en el medio de crecimiento tiene efectos sobre la supervivencia de los probiticos
cultivadas despus de la deshidratacin (Meng et al, 2008).

8

2.4.Factores que afectan la supervivencia de los probiticos
Las condiciones de almacenamiento, tales como la temperatura de almacenamiento, el
contenido de humedad del polvo, la humedad relativa, la composicin del polvo, contenido
de oxgeno, la exposicin a la luz y los materiales de almacenamiento, tienen una influencia
significativa en la supervivencia de los probiticos en los polvos secos, establecer las
condiciones correctas son esenciales para mantener la viabilidad de las bacterias
probiticas secadas por aspersin. La viabilidad de las bacterias probiticas durante el
almacenamiento de polvo est inversamente relacionada con la temperatura de
almacenamiento. La viabilidad de un nmero de especies de Bifidobacterias disminuye
cuando se seca por aspersin en un vehculo a base de leche desnatada y se almacena a 15
C y 25 C disminuye su viabilidad (Simpson et al, 2005).
El contenido de humedad de los polvos de probiticos es un factor crtico que influye la
estabilidad de la vida til de las bacterias vivas. El contenido de humedad ptimo para el
almacenamiento L. salivarius despus del proceso de liofilizado est en un rango de 2.8% a
5.6%. La viabilidad de probiticos liofilizados en la leche descremada es inversamente
proporcional a presin relativa de vapor (PRV), con 11,4% PRV produciendo ms alta
viabilidad durante el almacenamiento a temperatura ambiente (Meng et al. 2008).
Algunos estudios han demostrado que la presencia de polisacridos (sacarosa,
maltodextrina) puede estabilizar la membrana celular de los probiticos durante la
congelacin y almacenamiento, por ejemplo, se ha propuesto que el sorbitol previene el
dao de la membrana por la interaccin con la membrana y estabiliza la estructura y
funcionalidad de la protena (Meng et al. 2008).
Otro factor deterioro de la viabilidad durante el almacenamiento est relacionada con la
oxidacin de los lpidos de la membrana. Lpidos acilo insaturados tales como el cido
oleico, que no pueden ser considerados como constituyentes de los alimentos estables
durante el almacenamiento de alimentos, como la presencia de uno o ms grupos alilo
dentro de la molcula de cido graso se oxidan fcilmente a hidroperxidos, por lo tanto los
productos de la peroxidacin lipdica induce a un dao en el ADN provocando la muerte
celular (Meng et al. 2008).
La rehidratacin de polvos probiticos es el paso crtico final para la reactivacin de las
clulas despus de la deshidratacin. El proceso de reconstitucin en agua se puede dividir
en cuatro pasos: humectacin, inmersin, dispersin y disolucin. La solucin de
rehidratacin en s (en trminos de la osmolaridad, pH y la fuente de energa nutricional),
as como las condiciones de rehidratacin (en trminos de temperatura de rehidratacin y
volumen) pueden afectar significativamente la tasa de recuperacin al estado viable, y por
lo tanto influir en el porcentaje de supervivencia (Carvalho et al, 2004). Para obtener
resultados ptimos, se recomienda secar las clulas en la fase estacionaria de crecimiento y
9

de utilizar procedimientos de rehidratacin lentos. Algunos autores indican que se debe
rehidratar con la misma solucin con la que fue crioconservada (microencapsulada). La
razn de esto es que tal solucin proporciona un entorno de alta presin osmtica que
podran controlar la velocidad de hidratacin, y por lo tanto evitar el choque osmtico. La
temperatura de rehidratacin de los probiticos liofilizados o por secado de aspersin
tambin influye en la recuperacin de clulas. La rehidratacin a 15-25 C produce el
mayor nmero de clulas de Salmonella anatum recuperados, en comparacin con la
temperatura de 35 C y 45 C, donde la recuperacin celular fue menor (Meng et al. 2008).

2.5. Estabilizacin de los probiticos mediante el encapsulamiento
Aunque el contenido de agua es un componente esencial para el funcionamiento de la
clula, la retencin de la viabilidad durante el almacenamiento es a menudo mayor cuando
la cantidad de contenido de agua es baja. Por lo tanto, la deshidratacin se utiliza
comnmente como una tcnica para estabilizar los probiticos para facilitar su
almacenamiento, manipulacin, transporte, y su aplicacin en alimentos funcionales. La
liofilizacin es la tcnica ms extendida para la deshidratacin de cultivos probiticos y los
productos lcteos, mientras que el secado por aspersin se ha aplicado a la deshidratacin
de un nmero limitado de cultivos probiticos (Meng et al, 2008).
2.5.1 Encapsulamiento por liofilizacin
El encapsulado por liofilizacin se ha usado para la fabricacin de polvos con probiticos
durante dcadas y se basa en la sublimacin, que ocurre en tres fases; las clulas son
sometidas a una congelacin de temperatura de -196 C y posteriormente se introduce a una
cmara de vaco para realizar la separacin del agua por sublimacin. Sin embargo las
clulas sufren una inactivacin que se produce sobre la etapa de congelacin, el 60-70% de
las clulas que sobrevivieron a la etapa de congelacin pueden sobrevivir al momento de la
hidratacin. Durante la congelacin, la formacin de hielo extracelular provoca un aumento
en la osmolalidad extra-celular, tan pronto como se forma hielo fuera de la clula en
solucin, la clula comienza a deshidratarse. La eliminacin del agua ligada de las clulas
bacterianas durante el proceso de secado conduce al dao de protenas de la superficie,
pared celular y la membrana celular. El agua ligada juega un papel importante en la
estabilizacin estructural y funcional de la clula. En consecuencia, la eliminacin del agua
durante la desecacin puede conducir a la desestabilizacin de la integridad estructural, por
lo que resulta la prdida o muerte celular de la bacteria (Meng et al, 2008).
2.5.2 Encapsulamiento por secado de aspersin
El secado por aspersin es una unidad operacional, en la que una alimentacin liquida se
pone en contacto con una corriente de gas (aire) caliente para obtener un producto seco
10

instantneamente. El producto seco puede obtenerse como un polvo granulado o
aglomerado, lo cual depende de la naturaleza de la materia y las condiciones del secado por
aspersin. El secado por aspersin es usado en la industria alimentaria para asegurar la
estabilidad microbiolgica de los productos. El secado por pulverizacin produce un polvo
muy fino (10-50 m) o partculas de gran tamao (2-3 mm) dependiendo del material de
alimentacin y las condiciones de funcionamiento. El proceso de secado su principal
funcin es eliminar el contenido de agua de la muestra (Gharsallaoui et al, 2007).
2.5.3 Encapsulamiento por emulsin y extrusin
La tcnica de emulsin consiste en atrapar a bacterias en una solucin de agua / sistema de
aceite. El material encapsulado, por ejemplo, alginato de sodio, se mezcla primero con las
clulas bacterianas y la mezcla se suspende en un bao de aceite que contiene tween 80
como emulsificante. La emulsin se rompe mediante la adicin de CaCl2, y las
microcpsulas formadas son recogidas por centrifugacin. Otros materiales, tales como la
carragenina con KCl como interruptor de la emulsin, se pueden utilizar para encapsular los
probiticos mediante la tcnica de emulsin. El tiempo de reaccin afecta a la formacin
de microcpsulas y, por otro lado, la supervivencia de los microorganismos. El tamao de
las cpsulas de alginato de calcio se ha observado que disminuye a medida que la
concentracin de lauril sulfato sdico y Tween 80 incrementan. Tambin es posible
controlar el tamao de las microcpsulas mediante el uso de una membrana de vidrio
microporosa en el mtodo de emulsin (Rustran, 2012).
En la tcnica de extrusin, una solucin hidrocoloide es preparada como primer paso, un
inculo de microorganismos es adicionado y la solucin es dosificada a travs de una aguja
de la jeringa o la boquilla. Las gotitas pueden caer en una solucin de endurecimiento. En
esta tcnica se han utilizado alginato, carragenina, goma xantana con almidn de maz y
protenas de suero de leche, como materiales de microencapsulacin para lactobacilos y
Bifidobacterias. El tamao de las microcpsulas es afectado por el tamao de la boquilla de
la geringa. Tambin el dimetro de las cpsulas de alginato se incrementan cuando la
concentracin del alginato de sodio.
2.6. Microencapsulacion de microorganismos por secado de aspersin
Investigaciones recientes consideran la encapsulacin de microorganismos como un
proceso en el cual las clulas se mantienen dentro de una membrana de encapsulado para
reducir daos celulares y ha sido ampliamente utilizado para proteger a los
microorganismos como probiticos (Rustran, 2012). Las principales ventajas de la
microencapsulacin por secado de aspersin incluyen alta velocidad de secado, baja
temperatura de alimentacin, y mayor solubilidad de los productos, fcil operacin y
control. Tal tcnica muestra una gran perspectiva en aplicacin industrial, especialmente
para materiales sensibles al calor (Yu et al, 2008). Sin embargo el secado por aspersin
11

hablando estrictamente de los probiticos plantea, un gran obstculo, en la preservacin de
la viabilidad durante y despus del secado. Los probiticos son sensibles al calor ya que la
mortalidad se incrementa con la temperatura de secado y acenta tpicamente por encima
de 51 C (Chvez et al, 2007). Sin embargo la exposicin de las partculas al calor es del
orden de unos pocos segundos y la rpida evaporacin del agua de la superficie durante su
solidificacin mantiene la temperatura del ncleo por debajo de 100C a pesar de las
temperaturas elevadas durante el proceso de desecacin. Esto le confiere la principal
ventaja del mtodo del secado por aspersin para su aplicacin a muchos productos
termolbiles (enzimas, microorganismos, antioxidantes) (Gharsallaoui et al. 2007; Rusian,
2012). En la microencapsulacion de probiticos la cantidad de humedad al final del proceso
de secado, debe contener una humedad por debajo de 4% que se requiere para la
estabilidad de almacenamiento (Chavez et al, 2007).

2.7. Parmetros que afectan la viabilidad de los probiticos en la encapsulacin por
secado de aspersin
2.7.1 Agentes encapsulantes
La eleccin de un agente de encapsulacin es muy importante para la eficiencia de la
encapsulacin y la estabilidad de las microcpsulas. Los criterios para la seleccin de un
material de pared se basan en las propiedades fisicoqumicas de la sustancia a encapsular
(porosidad, solubilidad) y del agente de encapsulacin (viscosidad, propiedades
mecnicas), la compatibilidad entre los dos (el material de la pared debe ser insoluble y no
debe reaccionar con el ncleo). Otro criterio a considerar es el tamao deseado de las
microcpsulas, debido a que un agente de encapsulacin por s sola no puede tener todas las
caractersticas requeridas, una combinacin de agentes de encapsulacin puede ser
utilizada. La microencapsulacin de los ingredientes alimentarios se consigue a menudo
con biopolmeros de diferentes fuentes. Algunos hidratos de carbono (por ejemplo,
almidn, maltodextrinas, dextrosa), gomas (por ejemplo, goma rabe, goma de acacia,
alginatos, carragenanos), protenas (por ejemplo, leche o suero de leche protenas, gelatina)
(Meng et al. 2008; Nogueiro et al. 2013). El uso de goma de acacia en el medio de cultivo
leche desnatada reconstituida (LDR) en el secado por pulverizacin a una temperatura de
salida de aire de 100-105 C, dio lugar a una mayor supervivencia del probitico de L.
paracasei NFBC 338, comparadas con el control que fueron cultivadas con 20% (p/v) de
leche desnatada (LD), mostrando as 10 veces mayor supervivencia. El medio LDR parece
ser un medio muy eficaz adecuado para el secado por pulverizacin de los cultivos
probiticos. Solutos compatibles tambin han demostrado ser beneficos en la proteccin de
la viabilidad de los probiticos en ambientes cidos. Por ejemplo, la presencia de 19,4 mM
de glucosa result con una supervivencia hasta 6-log10 Lactobacillus rhamnosus GG,
despus de 90 minutos de exposicin al jugo gstrico simulado a pH 2,0 en comparacin
12

con el control simple medio de leche desnatada. Estos aumentos de la supervivencia se
debe a la unin de ciertos enlaces de los agentes encapsulantes en la membrana celular
provocando rigidez celular y mayor resistencia a los sistemas adversos (Meng et al, 2008).
Otro factor importante es la proporcin de agente ya que al aumentar la cantidad de los
agentes encapsulantes (slidos totales en la mezcla) la eficiencia de microencapsulacion
aumenta. Trabajos recientes reportan que la encapsulacin en microcpsulas de alginato-
gelatina mejor exitosamente la sobrevivencia de L. casei ATTCC 393 y esta propuesta
puede ser til en cultivos probiticos Por otra parte, los distintos materiales encapsulantes,
como goma xantana y goma carragenato en particular, parecen ser tan eficaces como el
alginato en la proteccin de las clulas probiticas durante el almacenamiento en
condiciones ambientales (Rustran, 2012)
2.7.2 Temperatura del aire entrante
El proceso de secado por pulverizacin consiste en la inyeccin de un gas (aire) caliente
con una alta velocidad a temperaturas de hasta 200 C. En consecuencia, este proceso da
como resultado la exposicin del medio de secado a altas temperaturas durante un corto
perodo de tiempo, que pueden ser perjudiciales para la integridad de las clulas bacterianas
vivas. El proceso de secado por aspersin tiene un efecto sobre la membrana celular ya que
puede conducir a un aumento de la permeabilidad celular que puede resultar en la prdida
de componentes intracelulares de la clula en el medio ambiente circundante. La membrana
citoplasmtica se encuentra entre los sitios ms sensibles en las clulas bacterianas a las
tensiones asociadas con el secado por aspersin, el ADN y ARN tambin son afectadas, lo
que lleva a la prdida de la actividad metablica (Meng, et al, 2008). Varios estudios han
informado sobre el rendimiento de una variedad de probiticos durante el secado por
pulverizacin, y, en general, la tasa de supervivencia de cultivos probiticos depende de
factores tales como la cepa utilizada, las condiciones de operacin del secado, la
temperatura de entrada y salida, y el medio de encapsulamiento. Para encapsular L.
paracasei NFBC 338, ha demostrado que la tasa de supervivencia fue > 80% durante el
secado de aspersin usando leche descremada reconstituida con polisacridos, con una
temperaturas de salida de 85-90 C (Gardiner et al., 2002), mientras que bajo condiciones
similares (temperatura de salida de 80 C), Ananta y Knorr (2003) reportaron una tasa de
supervivencia mayor a 60% para L. rhamnosus GG. Por lo tanto las diferentes especies
bacterianas varan con respecto a la tolerancia al secado por aspersin.

2.7.3 Flujo de atomizacin y alimentacin
Dentro de los objetivos de atomizacin es la creacin de una superficie mxima de
transferencia de calor entre el aire seco y el lquido con el fin de optimizar las
transferencias de calor y masa. Los parmetros atomizadores ejercen un efecto significativo
13

sobre la distribucin del tamao de partcula de los polvos resultantes. Con frecuencia es
conveniente producir grandes partculas para favorecer la dispersin durante la
reconstitucin. Las partculas pequeas suelen ser de difcil dispersin puesto que tienden a
flotar sobre las superficies lquidas. El aumento del flujo de atomizacin es la que propicia
el tiempo de exposicin entre la temperatura y la muestra, cuanto mayor es el flujo de
atomizacin, la exposicin de las partculas al calor es del orden de unos pocos segundos
por lo tanto el dao por temperatura puede ser disminuido (Golowczyc et al, 201l).
2.8. Modelacin y optimizacin del secado por aspersin
La modelacin matemtica y optimizacin de un proceso permite aumentar la eficiencia del
proceso, esta etapa es considerada como una de las etapas ms importantes en un proceso
bioqumico (Bas et al.2007). El enfoque clsico para la optimizacin es la tcnica de un
factor-un-tiempo, lo que consume mucho tiempo, por otra parte, esta tcnica no describe los
efectos completos de los parmetros en el proceso. Debido a estos inconvenientes, los
investigadores han buscado mtodos alternativos. Uno de los mtodos ms populares
utilizados en las dos ltimas dcadas es la metodologa de superficie y respuesta (MSR) y
las redes neuronales artificiales (RNA) (Bas et al.2007; Zhang et al. 2010).
2.8.1 Modelos empricos
En la operacin de secado, la transferencia de calor y masa dentro de la pulverizacin participan
simultneamente, aunque la transferencia de calor es el mecanismo que controla el proceso. Los
secadores de aspersin y otros equipos el coeficiente de transferencia de calor, es la principal
causa que refleja la cintica del proceso de secado. La importancia del coeficiente de
transferencia de calor se debe: (a) es una cantidad fundamental para la evaluacin de los efectos
hidrodinmicos asociados con una cierta configuracin de flujo y su influencia en la transferencia
de calor; (b) que se utiliza para evaluar la capacidad de un dispositivo de secado o para la
comparacin entre diferentes tipos de equipos. El coeficiente de transferencia de calor se puede
estimar usando correlaciones experimentales (Riveros et al, 2009).
Para un secador por aspersin, Kessler propone la siguiente correlacin para el nmero de
Nusselt ecuacin 1:
( 1)


Donde el nmero de Reynolds (Rep) utiliza la velocidad de sedimentacin y el dimetro de
la gota atomizada. La entrada y la salida de la humedad, el flujo de alimentacin, y el
tiempo de permanencia de la partcula en el secador se pueden medir experimentalmente.
Adems, el dimetro de partcula se puede calcular a partir de correlaciones para el tipo de
14

boquilla de pulverizacin. De acuerdo con Coulson y Richardson una correlacin, para
estimar el dimetro de una gota de una boquilla de pulverizacin ecuacin 2 (Riveros et al,
2009):




Donde el nmero de flujo (FN) es una constante adimensional definida por la ecuacin 3:



Basndose en los resultados experimentales, la velocidad de secado (en un periodo de
velocidad de secado constante) y la transferencia de calor se calculan con la ecuacin 4 y 5:





El flujo de conveccin de calor tambin se puede calcular como el producto entre el
coeficiente de transferencia de calor global (determinado por el rgimen de dinmica de
fluidos de la partcula) y la diferencia entre el calor de bulbo seco del aire y temperaturas de
bulbo hmedo. Sin embargo, la transferencia de calor es debido a la conduccin y la
radiacin: la conduccin puede ocurrir debido a la colisin de las partculas con la pared de
la secadora, mientras que la radiacin es pequea en aquellos sistemas que operan a bajas
temperaturas y por lo tanto es pequea. Siguiendo esta lgica, los diferentes mecanismos
pueden agruparse en un coeficiente global de transmisin de calor ecuacin 6 (Riveros et al,
2009):

2
3
(4)
(5)
(6)
15

Donde es la media logartmica de la diferencia de temperatura entre el aire caliente-
partculas hmedas y est dado por ecuacin 7 (Riveros et al, 2009):


Es importante tener en cuenta que al utilizar estas ecuaciones, el coeficiente de
transferencia de calor slo puede ser aproximado, ya que es un fenmeno complejo y la
cuantificacin de la zona real de evaporacin de la gota durante el secado no es simple. El
coeficiente de transferencia de calor (U) no est relacionado con el volumen del secador por
aspersin, ya que, en los sistemas el volumen de las partculas es del orden de 1% del
volumen de la secadora en funcionamiento continuo. La transferencia de calor (U) con la
expresin de coeficiente volumtrico es definida por Tamir ecuacin 8 (Riveros et al, 2009):

Esta expresin del coeficiente compara la capacidad del equipo en funcin de su tamao,
utilizando esta relacin para predecir la capacidad de evaporacin de un prototipo de
tamao ms grande (Riveros et al, 2009).

2.8.2 Mtodo de superficie y respuesta
El mtodo de superficie y respuesta es un conjunto de tcnicas estadsticas y matemticas
tiles para el desarrollo y mejora de un proceso especifico, en los que una respuesta de
inters est influenciada por diversas variables que describen la relacin entre las entradas y
la salida. El efecto entre las variables que interviene sobre el parmetro del valor ptimo lo
representa en una grfica tridimensional. Esta metodologa experimental genera un modelo
matemtico, que describe el proceso (Bas et al.2007; Meena et al. 2011). Sin embargo, los
modelos basados en la metodologa de superficie y respuesta, son limitados por el nmero
de relaciones entre un nmero de parmetros de entrada y de salida. Esto plantea una
limitacin en el uso de los modelos para procesos altamente no lineales. Estas restricciones
han provocado el desarrollo de modelos basados en redes neuronales artificiales (Youssefi
et al. 2009). Un modelo en particular fue obtenido con un diseo experimental para la
encapsulacin de Lactobacillus acidophilus NRRL B-4495 y Lactobacillus rhamnosus
(7)
(8)
16

NRRL B-442 tomando como parmetros de entrada: Temperatura 100, 115 y 130 C. Con
flujos de alimentacin: 10, 15, 20 mL/min y slidos totales: relacin malto dextrina 1:1,
1:1.5 y 1:2. (Anekella et al. 2013).

Donde RMD= la relacin malto dextrina
F= flujo de alimentacin


Donde Te= temperatura de entrada
RMD= relacin malto dextrina
F= flujo de alimentacin


2.8.3 Redes neuronales artificiales
El estudio de las redes neuronales puede orientarse en dos direcciones, bien como modelos
del sistema nervioso y fenmenos cognitivos, o bien como herramientas para la resolucin
de problemas prcticos (Martin et al, 2007). Por lo tanto considerando el segundo punto de
nuestro inters, una red neuronal artificial (RNA), fue definida por Lin y Lee en 1996,
como un sistema de computacin constituidos por un nmero de seales simples pero
altamente interconectadas, como unidades de procesamiento de informacin denominadas
neuronas artificiales, que intenta simular la capacidad de procesamiento neurolgico del
cerebro humano (Taylan, 2006; Youssefi et al.2009). El fundamento del procesamiento de
la red neuronal artificial es idntica a una neurona biolgica (figura. 1a) que recibe datos
de entradas del exterior, procedentes de otras fuentes, las combina, analiza y genera una
operacin no lineal en el resultado de salida figura. 1 (b), donde las entradas estn
representadas por smbolo X(n). Cada una de estas entradas se multiplican por un peso de
conexin y estos pesos estn representados por w. (Bas et al, 2007). Por lo tanto las
neuronas artificiales son capaces de predecir por medio de aprendizajes utilizando la
experiencia a partir de las seales o datos provenientes del exterior (Meena, 2011).

17


a) Neurona biolgica b) Neurona artificial.
Figura1. Estructura de una neurona biolgica comparada con una red neuronal artificial.
(a) Neurona biolgica y b) Neuronal artificial.

Estructura de un sistema neuronal artificial 2.8.3.1
Los sistemas de redes neuronales artificiales imitan la estructura de una neurona biolgica, con la
intencin de construir sistemas de procesamiento sobre la informacin en forma paralela,
distribuida y generativa, por tal razn le confiere la capacidad de simular. El elemento de partida
ser una neurona, donde se organizara en capas; como resultado de las capas se crea una red
neuronal artificial, junto con las interfaces de entrada y salida, constituirn el sistema global del
proceso figura 2.







Figura 2. Estructura jerrquica del sistema de redes neuronales artificiales

Aplicacin de las redes neuronales en el secado por aspersin 2.8.3.2
La seleccin de la estructura de la red neuronal artificial ptima incluye la determinacin
del nmero de capas ocultas, nmero de neuronas en cada capa, el nmero de enlaces entre
las neuronas, esta es definida como la inmensidad de la red. Dentro de los mtodos de
optimizacin de la estructura RNA se pueden dividir en los siguientes grupos: algoritmos
de construccin, los algoritmos de destruccin, mtodos empricos, los mtodos
combinados, algoritmos genticos, etc. Una red neural artificial RNA ptima por lo general
contiene un menor nmero de neuronas y conexiones que permiten su uso en aplicaciones a
en tiempo real (Krsi et al, 2013).
18

Las redes neuronales artificiales, tienen la capacidad de manejar mltiples variables
independientes X y dependientes Y, al mismo tiempo. Por ello los conocimientos previos
sobre la relacin funcional del proceso no necesitan ser conocidos. Pudiendo as modelar
fcilmente relaciones no lineales entre las variables. Por lo tanto la RNA difiere de los
mtodos computacionales tradicionales, por el estilo de procesamiento de datos, ya que
procesan la informacin paralelamente. Por otro lado, los mtodos tradicionales son
secuenciales y lgicos. De hecho, los mtodos tradicionales pueden aprender las reglas,
pero la RNA aprende con el ejemplo (Bas et al, 2007; Mihajlovic et al, 2011; Krsi et al,
2013). Otra de las caractersticas de las RNA es que no generan una ecuacin modelo
similar al MSR, pero su funcin como el cerebro humano le permite estimar la respuesta
sobre la base de los datos entrenados en el intervalo investigado (Gimeno et al. 2002).
Modelo neuronal de multica-Perceptron con algoritmos de retropropagacin 2.8.3.3
Las rede neuronal artificial se denomina procesador elemental como un dispositivo simple
de caculo que, a partir de un vector de entrada procedente del exterior o de otras neuronas,
proporciona una nica respuesta o salida. Los elementos que lo constituyen son los
siguientes (figura 3).





Los conjuntos de entradas x
j
(t) y w
ij
, representan la intensidad de interaccin entre cada
neurona.
La regla de retropropagacin permite obtener, a partir de las entradas y los pesos, el valor
del potencial postsinptico h
i
de la neurona ecuacin 9.
() ( ())
La funcin ms habitual es de tipo lineal, y se basa en la suma ponderada de las entradas
con los pesos sinpticos ecuacin 10.
()
La funcin de activacin proporciona el estado de activacin actual a
i
(t) a partir del
potencial postsinptico h
i
(t)y del propio estado de activacin anterior a
i
(t-1) ecuacin 11.
Figura 3. Modelo genrico de una neurona artificial
(9)
(10)
19

() (( ) ())

Funcin de salida, esta proporciona la salida global de la neurona y
i
(t) en funcin de su
estado de activacin actual a
i
(t) ecuacin 12.
y
i
(t)=F
i
(a
i
(t))
El modelo ms habitual para ejecutar las redes neuronales consiste en simular en un
ordenador convencional, como un PC, haciendo uso de escritos en lenguajes de alto
nivel Matlab,etc. ( Rajesh et al, 2006; Martin et al, 2007).

















(11)
(12)
20

3. Planteamiento del problema
El secado por atomizacin aunque se considera un proceso tecnolgico complejo, es una
tcnica que tiene una amplia gama de aplicaciones en la industria alimentaria y
farmacutica. La comprensin del cambio de los parmetros que afectan a las propiedades
fsico-qumicas del producto, es especialmente importante para la produccin. El secado
por pulverizacin permite el ajuste de muchos parmetros del proceso, como consecuencia
mejora los rendimientos del proceso y las caractersticas ptimas de partculas. La
aplicacin de diseo de experimentos (DE) y la red neuronal artificial (RNA) es un nuevo
enfoque en el estudio de los sistemas de secado, con importantes ventajas como la
modelizacin y optimizacin. Una RNA homogeniza los valores de los parmetros
utilizando la correlacin entre los parmetros medidos y los parmetros de destino. Los
modelos de RNA han sido utilizados con xito en la prediccin de los problemas en bio-
procesamiento y la ingeniera qumica. En el campo de secado, una RNA es una mejor
alternativa a modelos empricos y semi-empricos convencionales basado en regresiones
polinmicas y lineales, especialmente para los problemas que afectan a muchos parmetros,
como el secado por aspersin. Varios modelos de RNA se han desarrollado y probado para
el secado de atomizacin de materiales diversos, desarrollando un modelo que consiste en
un RNA hbrido que incluye un modelo de regresin polinmica y una RNA estndar para
la prediccin de la porosidad de 11 tipos de frutas y verduras. Otros investigadores han
desarrollado modelos de RNA para el modelado de secado de rodajas de patata, zanahorias,
tomate, Echinacea angustifolia, y la manzana (liofilizacin) (Hussain et al. 2005). Los
probiticos son microorganismos no patgenos que, cuando se ingiere en cantidades
adecuadas, ejercen una influencia positiva en la salud de su anfitrin (FAO / OMS, 2006).
Lactobacillus plantarum pertenece al gnero de Lactobacillus. Es una especie heterognea
y verstil que se encuentra en una variedad de nichos ambientales, incluyendo productos
lcteos, carne, pescado y muchos vegetales. Si bien existen modelos de RNA para
propiedades fsico qumicas de algunos alimentos, no existen modelos matemticos que
simulen la supervivencia de microorganismos de inters como probiticos mediante RNA.

















21

4. Justificacin
Los probiticos, debido a sus beneficios para la salud, han sido incorporados a una gran
variedad de productos lcteos, como yogures, quesos, helados, leche en polvo y postres
lcteos congelados. Sin embargo, todava existen varios problemas con respecto a la
disminucin de la viabilidad de las bacterias probiticas durante el secado, durante el
almacenamiento y durante la vida de anaquel de los productos. La microencapsulacin de
bacterias probiticas por secado de atomizacin puede ser utilizada para mejorar la
viabilidad durante el procesamiento (Anil et al. 2007). Por lo tanto, es importante
identificar los parmetros ptimos y las condiciones de procesamiento para asegurar la
conservacin o mejora de la calidad del producto. La aplicacin de RNA es un nuevo
enfoque en el estudio de los sistemas de secado de atomizacin para la optimizacin (Tijana
et al. 2011). En la modelacin matemtica de la viabilidad del probitico por secado de
aspersin mediante RNA no hay trabajos reportados, por lo tanto la novedad del presente
trabajo es la aplicacin de una RNA para la prediccin de la viabilidad microbiana que con
lleva a la optimizacin de las variables del proceso de secado.































22

5. 0bjetivos
5.1 Objetivo general
Simular la viabilidad de Lactobacillus plantarum despus del secado de aspersin empleando una
red neuronal de retropropagacin.
5.2 Objetivos especficos
Evaluar el efecto de las variables de proceso sobre el rendimiento y viabilidad de
Lactobacillus plantarum despus del secado por aspersin.

Disear la estructura arquitectnica de la red neuronal artificial multica Perceptron con el
algoritmo retropropagacin.

Validar la simulacin de la red neuronal con nuevos datos experimentales.






























23

6. Materiales y mtodos
6.1 Reactivacin de la cepa Lactobacillus plantarum
La cepa Lactobacillus plantarum previamente aislada de la taberna ser donado por el
Instituto Tecnolgico de Tuxtla Gutirrez del laboratorio de investigacin que fue aislada
de la taberna. Los cultivos stock se encuentran conservados en 40%(v/v) de glicerol a -
18C. La cepa se reactivar en un medio de cultivo MRS (DIBICO).
Se prepararn 250 mL de medio de cultivo MRS para transferir dos tubos de stock que
contiene la cepa, incubar por 12 h a 35C. Transferir 10%(v/v) de inculo a un matraz de
25 mL, se incubara 35C, agitacin de 80 rpm por 24 h. El medio de cultivo se centrifugar
a 8000 rpm a 25C durante 10 min. para separar la biomasa y se lavarn con agua estril
(Golowczyc et al, 2009; Riveros et al, 2009; Gonzales, 2012). Se tomara 1 mL del cultivo,
para realizar diluciones seriadas del orden de 10
-6
, tomar 0.1 mL de la dilucin de 10
-4
y 10
-
6
, y se sembrarn por la tcnica de vaciado en placa en medio de cultivo agar MRS
utilizando perlas de ebullicin, incubar a 35C por 48 h. La cuantificacin del crecimiento
se llevar a cabo mediante las unidades formadoras de colonias por mililitro (Gonzales,
2012).
6.2 Microencapsulacion por secado de aspersin
Se preparar la mezcla de emulsin Lactobacillus plantarum/ agente encapsulante, los agentes
encapsulantes sern maltodextrina (MD) 30% (p/v) y alginato de sodio (AL) 3%(p/v), cada agente
se rehidratar con agua esterilizada a 40C, se mezclarn ambas soluciones en una relacin de 60-
40% (v/v), y se esterilizar la mezcla de solucin a 121C por 15 min. El pellet se mezclar con el
agente encapsulante en una relacin de 1:1 en un matraz de 250 mL, a 7200 rpm por 2 minutos.
Se emplear el equipo de secado por aspersin BUCHI en el laboratorio de investigacin del
Instituto Tecnolgico de Tuxtla Gutirrez. El secado de la solucin se realizar utilizando una
temperatura del aire entre 100 y 160C y flujo de alimentacin de 3 y 12 mL/min. El polvo
obtenido despus del secado se almacenar en bolsas selladas al vaco (Su et al. 2007; Ding et al.
2009; Rustran, 2012) en condiciones de refrigeracin y congelacin.
6.3 Determinacion de la supervivencia de Lactobacillus plantarum despus del proceso de
secado por aspersin
Con base a la tcnica reportada por Riveros et al (2009) y Rustran (2012), se rehidratar el
polvo obtenido despus del proceso de secado con 9 mL de una solucin Ringer estril. Se
realizarn diluciones seriadas en tubos de ensaye con agua peptonada estril, hasta el orden
10
-6
. 0.1 mL de las diluciones sern sembradas en cajas de petri conteniendo agar MRS y se
incubarn por 72 h a 37C. Se calcular el porcentaje de supervivencia de Lactobacillus
plantarum despus del proceso de secado mediante la ecuacin 1.
24




Donde N (UFC/mL) es el nmero de microorganismos determinados al final del proceso y
Ni (UFC/mL) nmero de microorganismos determinados antes del proceso.
6.4 Determinacin del rendimiento del proceso
Para determinar la eficiencia de microencapsulacin se utilizar la ecuacin 2, reportado
por Su et al. 2007.



6.5 Determinacin de la actividad de agua (aw)
Para la determinacin de aw se utilizar el equipo medidor de actividad de agua HigroPalm
Rotronic
6.6 Determinacin del color de la particula
Para la determinacin del color de la muestra se emplear el equipo ColorTec PCM/PSM.
El ndice de blancura (IB) puede ser calculado por la siguiente ecuacin (3).



Donde L es la luminosidad que va de 0 (negro) a 100 (blanco). El valor de a (rojo-verde)
donde los valores positivos son rojos y los valores negativos son verdes y 0 es neutral. El
valor colorimtrico b (amarillo-azul) donde los valores positivos son amarillos, los valores
negativos es azul y 0 es neutral (Su et al. 2007; Anekella et al, 2013).

6.7 Condiciones de almacenamiento
La cepa Lactobacillus plantarum despus del proceso de secado sern almacenados en
condiciones de refrigeracin entre 4-8
o
C y en congelacin a -18
o
C y se determinar la
(1)
(2)
(3)
25

viabilidad cada mes mediante el conteo de unidades formadoras de colonias con diluciones
seriadas en agua peptonada (apartado 3.0).

7. Diseo experimental
7.1 Superficie y respuesta
Se emplear un diseo factorial 3
2
con tres replicas en el punto central, generando un total
de 12 experimentos completamente al azar (Tabla 1). Todos los resultados sern analizados
mediante un anlisis de varianza con un P . Se emplear la metodologa de superficie
de respuesta para optimizar el proceso de secado que permitir generar un modelo
polinomial.
FT F T F T Yk
k k k k k k

2 2

Donde
k
son los coeficientes a identificar, T la temperatura (C); F flujo de alimentacin
(mL/min).
Tabla 3. Diseo factorial 3
2
con tres replicas en el punto central
7.1 Tratamiento Temperatura (C) Flujo (ml/min)
1 100 3
2 130 12
3 130 3
4 160 3
5 100 7.5
6 160 7.5
7 100 12
8 130 7.5
9 160 12
10 130* 7.5*
11 130* 7.5*
12 130* 7.5*
* Punto central





(4)
26


7.2 Diseo de red neuronal artificial
Se emplear la red neuronal artificial perceptrn de retroalimentacin (feed-forward-
MLP), con el algoritmo de retropropagacin (BP) para desarrollar el modelo de prediccin.
Ya que su capacidad est documentada para modelar cualquier funcin (Hornik,
Stinchocombe, & White, 1989; Heinzow y Tol, 2003).
Consistir en dos capas de entradas, la temperatura y el flujo de alimentacin, las variables
de respuesta sern, % de supervivencia, aw, rendimiento y color de la mezcla generando asi
4 capas de salida. Por lo tanto se tiene dos capas de entrada y 4 capas de salida (figura 4).






Para determinar el nmero de capas ocultas se seguir la metodologa Chegini, et al
(2008), el ajuste de los parmetros de ANN incluido el nmero de capas y las neuronas
ocultas, el tipo de funcin de transferencia, tasa de aprendizaje, el impulso, y el nmero de
patrones. El primer paso ser trabajar con modelos de redes de BP. Se seleccionarn el
mejor modelo basado en la precisin de la prediccin. El segundo ser trabajar con el
modelo para encontrar el nmero ptimo de las pocas y la funcin de activacin. El tercer
paso ser encontrar el valor de aprendizaje ptimo y los valores de impulso.
Para calcular la exactitud del modelo neuronal se evaluara mediante el clculo de error
absoluto medio (MAE) para cada valor de salida ecuacin 5.


Donde n es el nmero de datos, X
M
y X
P
son los valores de medicin, prediccin del
proceso y los parmetros del producto, respectivamente.


Figura 4.0. Nmero de capas en la entra y salida
(5)
Supervivencia
27

7.3 Validacin de la red neuronal con datos experimentales
En la validacin se empleara los datos de la red neuronal con las mejores predicciones que
se encuentren dentro del rango de 70-100% de supervivencia de los probiticos, y el
rendimiento, se comprobara con los datos experimentales que se obtendr con la parte
experimental en el secado por aspersin tal como en el aparatado 2.0, se realizara por
triplicado. Se comprobaran las medias mediante un anlisis de varianza con un valor de P
0.05.




















28

8. Cronograma de actividades

2013 2014 2015
Actividades Ago Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago
Revisin
bibliogrfica
Reactivacin
de la cepa
Preparacin
del inculo
Desarrollo
del
experimento
Diseo y
evaluacin de
la red
neuronal
Validacin
de la red
neuronal
Anlisis de
resultados
Redaccin de
tesis
Redaccin de
articulo
Obtencin de
grado

Actividades concluidas
Actividades por realizar









29

9. Bibliografa
Amiri, Z et al., 2010. Development of acidophilus milk via selected probiotics & prebiotics
using artificial neural network. Advances in Bioscience and Biotechnology, 1(3), 224-231.

Ba, D et al., 2007. Modeling and optimization II: Comparison of estimation capabilities of
response surface methodology with artificial neural networks in a biochemical reaction.
Journal of Food Engineering, 78(3), 846-854.

Chvez, B et al., 2007. Drying of probiotics: optimization of formulation and process to
enhance storage survival. Drying Technology, 25(7-8), 1193-1201.

Chegini, G., et al 2008. Prediction of process and product parameters in an orange juice
spray dryer using artificial neural networks. Journal of food Engineering, 84(4), 534-543.

Desai, K et al., 2006. Optimization of fermentation media for exopolysaccharide production
from Lactobacillus plantarum using artificial intelligence-based techniques. Process
Biochemistry, 41(8), 1842-1848.


Desai, K et al., 2008. "Comparison of artificial neural network (ANN) and response surface
methodology (RSM) in fermentation media optimization: case study of fermentative
production of scleroglucan." Biochemical Engineering Journal 41.3 (2008): 266-273.


Garcia, Gimeno et al., 2002. Improving artificial neural networks with a pruning
methodology and genetic algorithms for their application in microbial growth prediction in
food. International journal of food microbiology, 72(1-2), 19-30.

Geethalakshmi, S et al., 2010. Artificial neural network based soft sensor for fermentation
of recombinant Pichia Pastoris. In Advances in computer engineering (ACE), 2010
International Conference on (pp. 148-152). IEEE.

Ghandi, A et al., 2012. Effect of shear rate and oxygen stresses on the survival of
Lactococcus lactis during the atomization and drying stages of spray drying: A laboratory
and pilot scale study. Journal of Food Engineering, 113(2), 194-200.

Golowczyc, M et al., 2010. Preservation of probiotic strains isolated from kefir by spray
drying. Letters in applied microbiology, 50(1), 7-12.
30


Kailasapathy, K. 2002. Microencapsulation of probiotic bacteria: technology and potential
applications. Current issues in intestinal microbiology, 3(2), 39-48.
Lian, W et la., 2002. Survival of bifidobacteria after spray-drying. International Journal of
Food Microbiology, 74(1), 79-86.

Martin Bonifacio., 2007. Redes neuronales y sistemas borrosos, captulo 1-2. Ed.
Alfaomega. pp. 10-40.


Meena, G et al., 2011. Growth characteristics modeling of Bifidobacterium bifidum using
RSM and ANN. Brazilian Archives of Biology and Technology, 54(6), 1357-1366.

Meng, X et al., 2008. Anhydrobiotics: The challenges of drying probiotic cultures. Food
Chemistry, 106(4), 1406-1416.

Mihajlovic, T et al., 2011. Application of design of experiments and multilayer perceptron
neural network in optimization of the spray-drying process. Drying Technology, 29(14),
1638-1647.

Neshat, N et al., 2011. An enhanced neural network model for predictive control of granule
quality characteristics. Scientia Iranica, 18(3), 722-730.


Paz, R et al., 2012. Effect of heat treatment and spray drying on lactobacilli viability and
resistance to simulated gastrointestinal digestion. Food Research International. 48, 748
754


Rajesh, K., 2006. Artificial neural network for solving paper industry problems: A review.
Journal of scientific & industrial research, 65, 565-573.

Riveros, B et al., 2009. Spray drying of a vaginal probiotic strain of Lactobacillus
acidophilus. Drying Technology, 27(1), 123-132.

Rustrin Irene. 2012. Microencapsulacin del consorcio microbiano de la taberna
utilizando secado por aspersin. Tesis de maestra en ciencias bioqumicas del Instituto
Tecnologico de Tuxtla Gutierrez. pp. 26,31.


Salar-Behzadi, S et al., 2013. Impact of heat treatment and spray drying on cellular
properties and culturability of Bifidobacterium bifidum BB-12. Food Research
International. 54,93101.


31

Sivapathasekaran, C et al., 2010. Artificial neural network modeling and genetic algorithm
based medium optimization for the improved production of marine biosurfactant.
Bioresource technology, 101(8), 2884-2887.
Schuck, P et al., 2012. Spray drying of dairy bacteria: new opportunities to improve the
viability of bacteria powders. International Dairy Journal. 31, 12-17.

Su L, et al., 2012. Development of an oriental-style dairy product coagulate by
microencapsules containing probiotics and filtrates from fermente rice. Society of Dairy
Techology, 60 (1), 49-55.

Taylan, O. 2006. Neural and fuzzy model performance evaluation of a dynamic production
system. International journal of production research, 44(6), 1093-1105.

Youssefi, S et al., 2009. Comparison of artificial neural network (ANN) and response
surface methodology (RSM) in the prediction of quality parameters of spray-dried
pomegranate juice. Drying Technology, 27(7-8), 910-917.

Yu, C., et al., 2006. A neural network approach to predict survival/death and growth/no-
growth interfaces for< i> Escherichia coli</i> O157: H7. Food microbiology, 23(6), 552-
560.
Yu, C et al., 2010. Microencapsulation of Gram-Negative Bacteria by Spray Drying.
International Journal of Food Engineering, 6(2), 1556-3758.