MODELAGEM MATEMÁTICA DO CRESCIMENTO DE PSEUDOMONAS SPP. EM CARNE SUÍNA

Capítulo de livro publicado no livro: Ciência e tecnologia de alimentos: Pesquisas e avanços. Para acessa-lo  clique aqui.

DOI: https://doi.org/10.53934/9786585062060-31

Este trabalho foi escrito por:

Amanda Martins Santos ; Bianca Ferreira Augustinho ; Débora Rodrigues Vieira Toledo ; Thays Priscila de Sousa Alves ; Ellen Godinho Pinto ;

Maria do Socorro de Caldas Pinto ; Wiaslan Figueiredo Martins  

*Autor correspondente (Corresponding author) – Email: [email protected]

Resumo: O objetivo deste trabalho foi modelar o crescimento de Pseudomonas spp. em carne suína refrigerada às temperaturas de 4,5 °C, 7,1 °C, 9,1 °C e 10,4 °C utilizando o software ComBase. Os dados do crescimento de “Pseudomonas spp.” em carne suína foram adquiridos do trabalho de Zomer (1992) disponíveis na base de dados ComBase e o modelo de Baranyi e Roberts foi ajustado as curvas de crescimento estabelecendo modelagem primária e secundária. Pode-se afirmar que o modelo apresentou ótimo desempenho para descrever o crescimento de Pseudomonas spp. em carne suína nas quatro temperaturas avaliadas, com valores de R² entre 0,971 e 0,993 e Erros Padrão dos ajustes próximos de zero. As predições do crescimento em condições de oscilação de temperatura destacam a importância na manutenção da cadeia do frio, pois uma mínima alteração nessas condições pode provocar um aumento expressivo no crescimento do micro-organismo em estudo. Com isso, constata-se que o uso de softwares em microbiologia preditiva demonstra uma ferramenta importante para a indústria de alimentos, auxiliando principalmente no controle da vida útil e conservação da carne e dos produtos cárneos.

Palavras-chave: deterioração; microbiologia preditiva; vida útil

INTRODUÇÃO

A produção de carne suína no Brasil vem ganhando destaque em comparação as demais espécies. Segundo o IBGE (1), durante o 1º trimestre de 2022, foram abatidas 13,64 milhões de cabeças de suínos, representando aumento significativo comparado ao ano de 2021. Isso está associado a ascensão do consumo dessa carne, que no Brasil seu consumo per capita foi de 15,3 kg por habitante em 2020 (2). Da carcaça suína podem ser obtidos diversos cortes, como a paleta, sobrepaleta (copa-lombo), barriga, costela, carré, lombo, filezinho, pernil, joelhos, rabo, pés inteiros ou cortados, entre outros. Esses, ainda, podem sofrer o processo de industrialização, gerando novos produtos alimentícios de carne suína (3).

            A deterioração da carne e dos produtos cárneos é fortemente determinada pelo crescimento de bactérias na superfície da carne. Em condições de aerobiose e em armazenamento refrigerado as carnes são deterioradas predominantemente por aeróbios e anaeróbios facultativos, como: Pseudomonas spp., Brochothrix thermosphacta, Shewanella putrefaciens, Carnobacterium spp., Lactobacillus spp.,membros da família Enterobacteriaceae,entre outras bactérias ácido-lácticas (4).

O desenvolvimento de micro-organismos deteriorantes é influenciado por fatores intrínseco e extrínsecos. A carne e os produtos cárneos possuem em sua composição fatores intrínsecos favoráveis ao desenvolvimento microbiano, como atividade de água (aw), pH e nutrientes. Além disso, a temperatura é um fator extrínseco que influencia diretamente na velocidade de crescimento dos micro-organismos. Além disso, não possui constituintes antimicrobianos. E para estudar os parâmetros de crescimento, destaca-se a ferramenta da microbiologia preditiva (5, 6).

A microbiologia preditiva é uma ferramenta que utiliza modelos matemáticos para predizer os efeitos de vários fatores, como a temperatura, a quantidade de sal e de conservantes no comportamento microbiano nos alimentos. Foi desenvolvida por Bigelow, Esty e Meyer no início do século XX para descrever a cinética de morte bacteriana por calor. Sofreu diversos progressos com o decorrer dos anos, surgindo novos modelos e análises multivariadas e, atualmente, o conhecimento sobre estatística aplicada, engenharia e microbiologia estão integrados com a microbiologia preditiva. Assim, são encontrados softwares que utilizam modelos matemáticos que fornecem informações sobre os processos microbiológicos, que auxiliam na estimativa da vida útil e permitem a simulação da influência de diversos fatores (7).

            Portanto, objetivou-se, neste trabalho, modelar o crescimento de Pseudomonas spp. em carne suína refrigerada a 4,5 °C, 7,1 °C, 9,1 °C e 10,4 °C, utilizando o software ComBase.

MATERIAL E MÉTODOS

Os dados de crescimento em diferentes temperaturas foram obtidos no banco de dados ComBase (www.combase.cc), utilizando a categoria de alimento “Pork” e o micro-organismo “Pseudomonas spp.”. Foram selecionados dados do crescimento (log₁₀ UFC/g) de Pseudomonas spp. em carne suína em 4 diferentes temperaturas de armazenamento: 4,5 °C, 7,1 °C, 9,1 °C e 10,4 °C. Os dados foram reportados da pesquisa de Zomer (8), intitulada “Exploratory investigation into the experimental design of shelf-life tests with fresh meat as a model system (in Dutch)”, publicada no periódico “TNO report”. Os autores, nessa pesquisa, avaliaram o processo de desenvolvimento de Pseudomonas spp. em carne bovina (CB) ou suína (CS) embaladas em filme plástico de Poliestileno com alta permeabilidade ao oxigênio.

Para uma avaliação mais biológica sob a presença de micro-organismos e as consequências que eles desencadeiam no alimento armazenado, foi utilizado o modelo matemático primário de Baranyi e Roberts (9). Ele analisa a dinâmica do crescimento do micro-organismo em função do tempo, sendo um modelo matemático primário sigmoidal com função de ajuste e está representado pelas equações 1, 2 e 3. O modelo foi ajustado às curvas experimentais de Pseudomonas spp. em carne suína em diferentes temperaturas.

Nas equações, y(t) é o logaritmo da concentração microbiana N (UFC/g) no tempo t (horas), ou seja, y(t) = log [N(t)]. O parâmetroμ_máx é a velocidade máxima específica de crescimento (h^–1);λ é a duração da fase de latência (h); y é o logaritmo da concentração microbiana inicial, y₀ = log (N₀); y_máx é o logaritmo da população máxima, y_máx = log (N_máx); h₀ é o parâmetro relacionado ao estado fisiológico das células (adimensional); A(t) é a função do modelo Baranyi e Roberts.

O modelo secundário linear (Equação 4) foram usados para descrever o efeito da temperatura na velocidade máxima específica de crescimento (μ_máx), em que a e b são parâmetros empíricos, T é a temperatura de armazenamento (°C).

Os ajustes do modelo primário aos dados experimentais de crescimento de Pseudomonas spp. em carne suína nas temperaturas de armazenamento 4,5 °C, 7,1 °C, 9,1 °C e 10,4 °C foram realizados no DMFit online, na interface do ComBase. O ajuste foi realizado em apenas uma etapa, obtendo os parâmetros μ_máx, λ, y₀ e y_máx.

Para avaliar o desempenho do modelo primário, foram usados o Coeficiente de Determinação (R²) e o Erro Padrão (EP) do ajuste, obtidos no DMFit. Um valor de R² = 1 e EP = 0 indica que existe uma concordância perfeita entre todos os dados experimentais e os valores do ajuste dos modelos aos parâmetros μ_máx em função da temperatura de armazenamento.

RESULTADOS E DISCUSSÃO

Os dados de crescimento utilizados neste trabalho foram obtidos do artigo de Zomer (8). O comportamento de Pseudomonas spp. em carne suína foi analisado pelo autor, a fim de avaliar o crescimento desse micro-organismo nas temperaturas de 4,5 °C, 7,1 °C, 9,1 °C e 10,4 °C de armazenamento. O modelo de Baranyi e Roberts foi ajustado aos dados de crescimento utilizando o software DMFit do Combase. As curvas de crescimento de Pseudomonas spp.em carne suína e os ajustes do modelo de Baranyi e Roberts aos dados experimentais nas temperaturas entre 4,5 °C, 7,1 °C, 9,1 °C e 10,4 °C de armazenamento estão representadas na figura 1.

A temperatura é um fator interferente no desenvolvimento microbiano, todos os micro-organismos possuem uma faixa de temperatura, na qual se multiplicam, ou seja, um valor limite mínimo, ótimo e máximo. Esse fator afeta diretamente no desenvolvimento microbiano e na velocidade da sua multiplicação. Uma alta velocidade é adquirida com a faixa de temperatura próxima a ótima, e essa decresce à medida que se distancia desse valor (10). Ao observar a figura 1 e tabela 1 é possível verificar que a velocidade específica máxima de crescimento de Pseudomonas spp.em carne suína variou de 0,0413 h^-1 a 0,089 h^-1 para as temperaturas de 4,5 °C a 10,4 °C, respectivamente, demostrando que a velocidade é diretamente proporcional ao aumento de temperatura. Esse crescimento é devido a carne suína apresentar uma microbiota propicia ao desenvolvimento desse micro-organismo e está ser armazenada em temperatura de refrigeração, que o caracteriza como psicrotrófico. Segundo Fagundes et al. (11), o armazenamento em baixa temperatura é utilizado para diminuir a multiplicação microbiana, entretanto, salienta-se que, quanto maior o tempo de estocagem sob essa condição, maiores serão as possibilidades de alterações no produto, pela ação de micro-organismos psicrotróficos, com o predomínio do gênero Pseudomonas spp.

Ao observar o formato sigmoidal das curvas de crescimento nas temperaturas 9,1 °C e 10,4 °C, verifica-se que esse micro-organismo apresentou pouca variação em suas velocidades de crescimento, sendo essas 0,082 h^-1 e 0,089 h^-1, respectivamente. Essa semelhança ocorre devido a estreita variação de temperatura entre as variáveis. É possível verificar uma redução da fase lag (l) com o aumento de temperatura, com exceção de 4,5 °C (l = 10,28 h), em que o valor obtido foi inferior à de 7,1 °C (l = 21,4 h). Esse fato pode estar relacionado ao estado fisiológico das células durante o preparo do inóculo, no qual os micro-organismos já se encontravam adaptados e com elevado desenvolvimento quando submetido ao armazenamento, o que evidencia um menor tempo de adaptação em baixa temperatura.

O modelo de Baranyi e Roberts ajustou bem aos dados de crescimento de Pseudomonas spp. em carne suína, com valor de R² variando de 0,971 a 0,993 para as temperaturas de 9,1 °C a 7,1 °C, respectivamente, com destaque para a temperatura 7,1 °C, que apresentou R² de 0,993. Os valores de erro padrão variaram de 0,206 a 0,407, sendo esse menor na temperatura de 7,1 °C. Valores de R² próximos a 1 indicam melhor desempenho do modelo, e valores de erro padrão próximos a zero sugerem a melhor aproximação entre os valores preditos e observados (12).

CONCLUSÕES

É notório que o modelo primário de Baranyi e Roberts apresentou um bom desempenho ao descrever o crescimento de Pseudomonas spp. em carne suína em diferentes temperaturas (4,5 °C, 7,1 °C, 9,1 °C e 10,4 °C) de armazenamento. Ademais, o modelo secundário linear se mostrou adequado para descrever a influência da temperatura na velocidade de crescimento desse micro-organismo. Com isso, constata-se que o uso de softwares em microbiologia preditiva se demonstra uma ferramenta importante para a indústria de alimentos, auxiliando principalmente no controle da vida útil e conservação da carne e dos produtos cárneos.

REFERÊNCIAS

1. IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Indicadores: Estatística da Produção Pecuária. Rio de janeiro: IBGE, 2022.
2. ABPA – ASSOCIAÇÃO BRASILEIRA DE PROTEÍNA ANIMAL. Relatório Anual 2020 [Internet]. 2020. [acesso em 2023 Fev 22]. Disponível em: Disponível em: https://abpa-br.org/relatorios.
3. Sousa JK. A carne suína: legislação, cortes e comércio (uma revisão) [trabalho de conclusão de curso]. Brasília: Universidade de Brasília; 2018.
4. Doulgeraki AL, Ercolini D, Villani F, et al. Spoilage microbiota associated to the storage of raw meat in different conditions. International Journal of Food Microbiology 2012;157:130-141.
5. Mathias SP, et al. Alterações oxidativas (cor e lipídios) em presunto de peru tratado por Alta Pressão Hidrostática (APH). Ciência Tecnologia de Alimentos 2010;30:852-857.
6. Alcantara M, et al. Principais microrganismos envolvidos na deterioração das características sensoriais de derivados cárneos. Revista Brasileira de Higiene e Sanidade Animal 2012;7:1- 20.
7. Lira AL, et al. Uso da Microbiologia Preditiva na Segurança Alimentar de Produtos. Brazilian Journal of Development 2020;6:104223-104237.
8. Zomer. Exploratory investigation into the experimental design of shelf-life tests with fresh meat as a model system (in Dutch). TNO report 1992;92.603.
9. Baranyi J, Roberts TA. A dynamic approach to predicting bacterial growth in food. International Journal of Food Microbiology 1994;23:277-294.
10. Matos LR. Microbiologia Preditiva Aplicada à análise de amostras de carne de vaca e porco [dissertação]. Lisboa: Universidade de Nova Lisboa; 2014.
11. Fagundes CM, et al. Presença de Pseudomonas spp. em função de diferentes etapas da ordenha com distintos manejos higiênicos e no leite refrigerado. Ciência Rural 2006;36:568-572.
12. Perini FO. Avaliação da multiplicação de Bacillus thuringiensis no leite UHT por meio de modelagem matemática e microbiologia preditiva [trabalho de conclusão de curso]. Porto Alegre: Universidade Federal do Rio Grande do Sul; 2014.