Professional Documents
Culture Documents
̂
y= β0 + ∑𝑘
𝑘−1 βi xi + 𝜀 ,
Como se puede ver, el análisis clásico de PB sólo puede estimar los efectos principales
de los factores con un reducido número de experimentos, pero cada uno de ellos tiene
como confusión parcial, todas las interacciones de 2 factores en las que el factor principal
en cuestión no está involucrado. La validez de un PB radica en la asunción de que todos
los
términos que representan interacciones son despreciables. Esta validez es cuestionable
ya que se encuentra presente el riesgo de evaluar erróneamente algunos factores (por
ejemplo: no considerar un efecto importante, considerar incorrectamente un efecto
irrelevante) cuando el efecto verdadero radica en los términos de interacción, que han
sido previamente considerados como despreciables (Montgomery, 1991)., citado por
Giordano P. …..)
En cuanto a la Metodología de Superficie de Respuesta, podemos describirla como una
colección de técnicas estadísticas que se basa en el uso de análisis multivariado y es
ampliamente empleada para diseñar experimentos, construir modelos, evaluar efectos
simultáneos de varios factores y buscar las condiciones óptimas de un proceso con un
limitado número de experimentos. Ha sido aplicada satisfactoriamente en la optimización
de bioprocesos y formulación de productos (Almeida Bezerra y col., 2008; Didier y col.,
2007; Virkutyte y col., 2010, Myers y col., 2004, Giordano P. ….). La Metodología de
Superficies de Respuesta (RSM) es un conjunto de técnicas matemáticas utilizadas en el
tratamiento de problemas en los que la respuesta que nos interesa está influenciada
por varios factores de carácter cuantitativo. Estas técnicas tienen como propósito diseñar
un experimento que proporcione valores razonables de la variable respuesta y que
permita determinar el modelo matemático que mejor se ajusta a los datos obtenidos. Se
dice que que el valor real esperado, η, que toma la variable de interés está influido por los
niveles de k factores cuantitativos, X1, X2, ..., Xk, cuando existe alguna función de X1, X2,
..., Xk que proporciona el correspondiente valor de η para alguna combinación dada de
niveles:
La relación η= f (X1, X2, ..., Xk) existente entre η y los niveles de los k factores puede
representarse a través de una hipersuperficie (subconjunto de un espacio euclídeo de
(k+1) dimensiones) a la que llamaremos superficie de respuesta (Sánchez M. T. y col.
2015)
El análisis de una superficie de respuesta se facilita siguiendo una serie de etapas: en
primer lugar se requiere comprender el problema en profundidad y definir el objetivo;
definir que tipo de respuestas experimentales que se van a observar asegurándose de
que proveen información acerca del proceso en estudio; identificar el dominio
experimental de interés y los factores teniendo en cuenta las diversas restricciones de tipo
experimental, técnica o económica; generar los diseños experimentales apropiados para
realizar la selección de los factores que tienen mayor influencia en la respuesta
(screening) y para determinar la optimización, es decir la combinación de fórmulas de
valores que esperamos que produzcan respuestas óptimas. La experimentación debe
realizarse en forma aleatoria para asegurar que no se introduzca confusión de resultados
debida a factores o contemplados, e interpretar los resultados analizándolos mediante
métodos estadísticos a fin de aportar objetividad al proceso de toma de decisiones; y
finalmente extraer conclusiones de los resultados y recomendar los pasos que se deben
seguir (Massart y col., 1997, Giordano P…..).
.
Para los estudios del tipo que nos convoca, se suelen elegir técnicas de ajuste
polinómico, como la metodología de superficies de respuesta porque permiten determinar
las condiciones de máxima productividad y/o máxima estabilidad de un sistema dado,
haciendo uso del diseño experimental. Esta es una metodología muy utilizada para el
desarrollo y optimización de diversos procesos como cepas bacterianas de interés
comercial (Almeida e Silva y col., 2003), entre otros
Otro de los recursos que puede aplicarse al análisis de este tipo de problemas es la
herramienta del algoritmo genético o G.A.. Estos son métodos adaptativos que se
emplean para resolver problemas de búsqueda y optimización y se inspiran en el proceso
de evolución biológica de los organismos vivos (Goldberg, 1989). Son eficaces en cualquier
función pero especialmente se las emplea cuando se necesitan calcular funciones no
derivables. Los GA en el mundo biológico evolucionan mediante iteraciones, llamadas
generaciones. En cada generación, los cromosomas son evaluados usando alguna
medida de aptitud. Las siguientes generaciones (nuevos cromosomas), se crean
aplicando en forma repetitiva un conjunto de operadores genéticos llamados de
selección, cruzamiento, mutación y reemplazo.. Los principios básicos de los GA fueron
establecidos por J. H. Holland (Holland, 1975). En la naturaleza, los individuos de una
población compiten entre sí en la búsqueda de recursos tales como comida, agua y
refugio. Los genes de los individuos mejor adaptados se propagarán en sucesivas
generaciones. Los GA usan una analogía directa con este comportamiento natural, los
algoritmos provocan la evolución de una población compuesta por un determinado
número de individuos, sometiéndola a acciones aleatorias similares a las que operan en la
evolución biológica (mutaciones y recombinaciones genéticas), así como también a una
selección de acuerdo con algún criterio, en función de cual que se decide cuáles son los
individuos más adaptados, que sobreviven, y cuáles los menos aptos, que son
descartados (Li y col., 1992, Giordano P., revisar plagio).
Para operar los GA se trabaja en las diferentes generaciones realizando operaciones:
la primera generación se conoce como inicialización y consiste en generar aleatoriamente
la población inicial, que está constituida por un conjunto de cromosomas que representan
las posibles soluciones del problema. La segunda generación, llamada evaluación, asigna
a cada cromosoma una puntuación de acuerdo a una función de aptitud de manera de
evaluar la solución que representa. Finalmente, en la última generación, se realizan cuatro
operaciones: la selección, en la que después de saber la aptitud de cada cromosoma
se procede a elegir los que serán cruzados en la siguiente generación; la recombinación,
que representa la reproducción sexual y opera sobre dos cromosomas a la vez para
generar dos descendientes en los cuales se combinarán las características de los
cromosomas padres; la mutación, que consiste en modificar al azar parte de cada uno de
los cromosomas, y abre la posibilidad de llegar a espacios de búsqueda que no estaban
contemplados por la generación anterior, y el reemplazo, que consiste en seleccionar los
mejores cromosomas surgidos de la recombinación y colocarlos en el lugar de los peores
de la generación previa. De esta forma en cada generación se produce una nueva
población de posibles soluciones, la cual reemplaza a la anterior y contiene una mayor
proporción de buenas características en comparación con la población anterior. Esto hace
que a lo largo de las generaciones las buenas características se propaguen a
favoreciendo así el cruce de cromosomas mejor adaptados, y van siendo exploradas las
áreas más prometedoras del espacio de búsqueda (Bramlette,1991, Giordano P.). Las
operaciones continúan hasta que se alcanza el criterio previsto para la finalización. Como
se desconocen las variables que optimizan el modelo, generalmente se emplean dos
criterios: correr el GA un número máximo de iteraciones (generaciones) posible de
acuerdo a los límites del experimento. o detenerlo cuando no se produzcan más cambios
en la población.
3. OBJETIVOS
3.1 Objetivo general
Desarrollar un proceso de producción de lactasa mediante el aprovechamiento de
efluentes de industrias lácteas.
3.2 Objetivos específicos
Aplicar herramientas quimiométricas para la puesta a punto de un medio de cultivo
específico para la maximización de la producción de lactasa.
Determinar la capacidad de hidrólisis de la enzima extraída sobre los efluentes
previamente caracterizados.
4. MATERIALES Y METODOS
4.1 Permeado de suero de leche
El permeado de suero de leche fue gentilmente provisto por MILKAUT S.A., Franck,
Santa Fe.
5. RESULTADOS Y DISCUSIÓN
5.1 Etapa exploratoria:
5.1.1 Cultivos en medios de composición indefinida: se evaluaron 3 medios de cultivo:
indefinido con glucosa (IG), con lactosa (IL) y con permeado de suero de leche (IP). Las
Figuras 1A, 1B y 1C muestran la evolución de las concentraciones de glucosa y azúcares
reductores, y de la actividad enzimática en función del tiempo de cultivo de A. niger
creciendo en medios IG, IL e IP, respectivamente.
Figura 1. Evolución de las concentraciones de glucosa y azúcares reductores, y de la
actividad enzimática en un cultivo de A. niger en medio IG. Los valores mostrados son
promedios (n = 3).
Los resultados fueron analizados empleando algoritmos genéticos (GA) y las conclusiones
obtenidas se resumen en la Tabla 2, la cual muestra los valores de probabilidad para cada
efecto ejercido por los factores y/o sus interacciones sobre cada respuesta, además de
los valores de R2 para cada modelo obtenido.
Tabla 2: Valores de probabilidad (p) para cada efecto ejercido por los factores y/o
sus interacciones sobre cada respuesta
Factor o Valor de pa y efectob
interacción G AR AE X
EM 0,047 (+) 0,016 (+) - 0,001 (+)
TB - 0,013 (-) - 0,004 (-)
T 0,042 (-) - - -
CE - 2 x 10-5 (+) - -
V - - - -
TFC - - - -
EM/T8 - 0,050 (+) -
EM/C 0,033 (-) - - 0,036 (-)
EM/V - - 0,011 (-) -
R2 0,683 0,959 0,809 0,811
a
Valores de p menores o iguales a 0.05 indican un efecto significativo.
b
+: efecto positivo y un signo; -: efecto negativo.
Tabla 3: DCC construido para encontrar la combinación óptima de factores que maximice la
producción de lactasa en cultivos de A. niger.
Experiment Factores Respuestas
o EM TB T LP G AR AE X
(gL-1) (gL-1) (días) (gL-1) (gL-1) (gL- (UI) (gL-1)
1
)
1 8,7 9,0 5,75 26,2 0,00 10,3 0,14 6,21
5 0 5 9
2 8,7 9,0 3,25 8,75 0,00 4,40 0,05 10,21
5 0
3 8,7 3,0 5,75 8,75 0,00 4,68 0,08 14,53
5 0
4 26, 9,0 3,25 26,2 0,13 24,1 0,11 14,16
25 0 5 5
5 17, 6,0 4,50 17,5 0,01 10,7 0,08 16,08
50 0 0 4
6 26, 9,0 5,75 8,75 6,44 0,06 16,60
25 0
7 8,7 3,0 3,25 26,2 0,00 19,4 0,10 15,22
5 0 5 9
8 26, 3,0 3,25 8,75 0,06 6,79 0,07 9,54
25 0
9 17, 6,0 4,50 17,5 0,00 12,5 0,12 14,11
50 0 0 1
10 26, 3,0 5,75 26,2 0,00 15,2 4,84
25 0 5 6
11 26, 3,0 5,75 8,75 0,05 0,52 0,05 6,93
25 0
12 8,7 9,0 3,25 26,2 0,22 11,2 0,10 4,17
5 0 5 4
13 26, 3,0 3,25 26,2 0,22 22,1 0,03 6,71
25 0 5 0
14 8,7 3,0 3,25 8,75 0,13 4,82 0,07 2,88
5 0
15 26, 9,0 5,75 26,2 0,19 12,0 0,03 4,59
25 0 5 1
16 17, 6,0 4,50 17,5 0,11 2,47 0,10 8,67
50 0 0
17 8,7 3,0 5,75 26,2 0,23 13,5 0,01 2,08
5 0 5 7
18 8,7 9,0 5,75 8,75 0,21 0,26 0,08 3,73
5 0
19 26, 9,0 3,25 8,75 0,21 6,51 0,04 5,87
25 0
20 17, 6,0 4,50 17,5 0,19 1,70 0,07 7,27
50 0 0
21 17, 6,0 7,00 17,5 0,01 0,83 12,39
50 0 0
22 17, 12, 4,50 17,5 0,23 13,1 0,05 7,68
50 00 0 4
23 17, 6,0 4,50 0,00 0,00 0,23 0,07 15,64
50 0
24 17, 6,0 4,50 17,5 0,00 11,5 0,05 13,69
50 0 0 2
25 0,0 6,0 4,50 17,5 0,06 19,0 0,10 2,67
0 0 0 7
26 17, 6,0 4,50 17,5 0,09 1,87 0,03 11,26
50 0 0
27 17, 6,0 2,00 17,5 0,12 24,1 0,01 13,14
50 0 0 5
28 17, 6,0 4,50 35,0 0,12 3,40 0,03 9,03
50 0 0
29 17, 0,0 4,50 17,5 0,08 25,8 0,04 1,66
50 0 0 4
30 35, 6,0 4,50 17,5 0,04 0,03 11,17
00 0 0
Del análisis de los datos se desprende que las 4 respuestas se ajustan a modelos
cuadráticos, los cuales pueden ser representados matemáticamente mediante las
Ecuaciones (1) a (4).
donde y1, y2, y3 e y4 son las respuestas G, AR, AE y X, respectivamente, y x1, x2, x3 y x4
son los factores EM, TB, T y LP, respectivamente.
Los valores de los coeficientes R2 obtenidos fueron 0,753, 0,735, 0,602 y 0,869 para
las respuestas G, AR, AE y X, respectivamente, indicando que altos porcentajes de sus
variabilidades se explican con los modelos obtenidos.
Las figuras 10 y 12 muestran que el tiempo (días) tiene un efecto significativo sobre la
concentración de azúcares. A menor cantidad de días transcurridos del ensayo esta
concentración es elevada y a mayor cantidad de días baja la concentración. Esto
demuestra que existe una relación entre los días de cultivo y esta respuesta, lo cual
puede deberse a que el hongo consume los azúcares presentes en el medio.
Los gráficos muestran que transcurridos los 7 días de cultivo, la concentración de
azúcares presentes en el medio baja hasta alcanzar valores muy bajos o casi nulos.
Valores medios, alrededor de 4/5 días de cultivo, parecería bastar para obtener bajas
concentraciones de azúcares. Esto es importante porque se podría ahorrar tiempo e
insumos requeridos para el ensayo.En el caso del suero la cantidad utilizada no sería de
importancia ya que este es un desecho de la industria y por lo tanto no conlleva ningún
costo, pero cabe destacar que valores medios del mismo alcanzan para obtener los
valores deseados de azúcares reductores. Por otra parte, de la observación de las figuras
10 y 11, puede decirse que valores demasiado bajos o demasiado altos de TB provocan
que la concentración de azúcares aumente. Esto puede deberse a que, por ser esta la
única fuente de nitrógeno disponible para el microorganismo, y al disminuir
excesivamente, el hongo no puede metabolizar los azúcares presentes en el medio. Por el
contrario, un aumento de TB estaría causando una inhibición a la actividad del
microorganismo por lo que no consumiría el azúcar presente en el medio. La TB es un
insumo de valor, por lo que es conveniente bajar su concentración en los cultivos para
reducir así los costos pero no demasiado ya que esto perjudica la metabolización de los
azúcares por parte del hongo.
La observación de las figuras 13 a 15 permite dilucidar los efectos individuales y
combinados de los factores sobre la respuesta evaluada que en este caso es la glucosa
Figura 13. Superficie de respuesta para la G en función del EM y de la TB.
Verificación experimental
En la tabla 5 se observa una comparación entre los resultados obtenidos y los
predichos por los modelos matemáticos.
VI. CONCLUSIONES
Se definieron las variables de diseño y operativas de un medio de cultivo para la
producción de lactasa, a la vez que se aprovechó un material de desecho, con nulo o muy
bajo valor económico, en las formulaciones de los medios de cultivo como lo es el
permeado de suero de leche.
Se demostró que el permeado de suero de leche puede ser un excelente sustituto de
la lactosa comercial, y su incorporación en medios de cultivo sería una solución potencial
para industrias lácteas menores. Además se logró reducir la carga orgánica de este
efluente.
Al mismo tiempo, al aprovechar este material de desecho, se colaboró en la búsqueda
anticipada de potenciales problemas medioambientales, ya que se planteó una alternativa
a la disposición final que se realiza de éstos. Esto pudo concretarse gracias a la
aplicación de diferentes herramientas quimiométricas avanzadas, que permitieron predecir
las combinaciones óptimas de factores que aseguran concretar los objetivos planteados.
El empleo de herramientas quimiométricas como el diseño experimental y la
optimización sistemática permitieron encontrar una formulación óptima de un medio de
cultivo a base de permeado de suero de leche para la producción de lactasa, sintetizada
por Aspergillus niger, minimizando los costos y garantizando la máxima fiabilidad en los
resultados. La actividad enzimática obtenida fue baja, por lo cual, a futuro se propone
identificar las causas y solucionarlas. Por otro lado, la concentración de azúcares
reductores se redujo a valores casi nulos, lo cual indicaría que se podría lograr minimizar
el impacto provocado por su volcado directo en el ambiente.
La construcción de un diseño de Plackett-Burman y la metodología basada en
algoritmos genéticos permitió, primero identificar el efecto de diferentes factores sobre la
actividad enzimática, las concentraciones de glucosa, la biomasa y sobre los azúcares
reductores; y en segundo lugar evaluar los factores con efectos significativos. Mientras
que en una etapa posterior, aplicando un diseño central compuesto, se obtuvo más
información de cómo esos factores influyen solos o combinados sobre las respuestas,
permitiendo entender en profundidad el sistema.
Una vez desarrollados todos los cultivos, se procedió al análisis de datos mediante la
aplicación de software específicos, obteniéndose una formulación óptima de medio de
cultivo que incluyó permeado de suero de leche en su formulación y que garantiza la
maximización de la actividad enzimática de lactasa. De esta forma, se logró el
aprovechamiento de un subproducto industrial para la generación de un producto con
valor agregado.
Finalmente cultivando el sobrenadante con el permeado de suero se determinó la
capacidad de hidrólisis de la enzima presente en el sobrenadante y se encontró que la
misma no muestra actividad.