MODELAGEM PREDITIVA E SIMULAÇÃO DO CRESCIMENTO DE Staphylococcus aureus EM CONDIÇÕES ISOTÉRMICAS EDINÂMICAS UTILIZANDO O SOFTWARE COMBASE

Este capítulo faz parte da coletânea de trabalhos apresentados na VII Semana de Alimentos (Semal), publicado no livro: Avanços e Pesquisas em Ciência dos Alimentos: Novas Tendências e Aplicações. – Acesse ele aqui.

DOI: 10.53934/agronfy-2025-03-37

ISBN:

Thyago Henryque Oliveira ; Gustavo Henrique Sousa Martins ; André Lima Leite ; Alfredina dos Santos Araújo ; Larissa da Silva Santos Pinheiro ; Ellen Godinho Pinto ; Ana Paula Stort Fernandes ; Dayana Silva Batista Soares ; Danielle de Sousa Severo ; Wiaslan Figueiredo Martins

*Autor correspondente (Corresponding author) – Email: wiaslan.martins@ifgoiano.edu.br

RESUMO

Este estudo avaliou o crescimento de Staphylococcus aureus em condições isotérmicas (7,5 °C, 15 °C, 20 °C e 25 °C) e dinâmicas de temperatura (perfis crescente e decrescente) utilizando modelagem matemática com o software ComBase. Dados de crescimento microbiano foram analisados em meio de cultura com aw = 0,997, NaCl 0,5% e pH 6,0, ajustando-se modelo primário (Baranyi e Roberts) e modelos secundários (Exponencial e Raiz Quadrada). Os resultados demonstraram a influência crítica da temperatura na velocidade específica máxima de crescimento (µmáx), sendo a maior velocidade observada a 25 °C e o menor crescimento registrado a 7,5 °C. As simulações indicaram que, após iniciado o crescimento, ele pode prosseguir mesmo com a redução da temperatura, evidenciando desafios na manutenção da cadeia do frio. O modelo Exponencial apresentou o melhor ajuste aos dados experimentais (R2 = 0,9949), enquanto o modelo de Raiz Quadrada estimou a temperatura mínima teórica de crescimento (Tmín = 3,12 °C). Os achados reforçam o papel da modelagem preditiva como ferramenta essencial para a microbiologia de alimentos, fornecendo subsídios para a previsão de níveis críticos de contaminação e a formulação de estratégias de controle microbiológico. Esses resultados têm aplicações práticas no setor alimentício, contribuindo para a segurança dos produtos, o desenvolvimento de políticas de qualidade e a proteção da saúde pública contra toxinas produzidas por S. aureus.

Palavras-chave: ComBase; modelagem preditiva; segurança de alimentos; simulação dinâmica; Staphylococcus aureus

INTRODUÇÃO

O Staphylococcus aureus é amplamente reconhecido como um indicador de condições inadequadas de higiene durante o processamento e manipulação de alimentos, sendo uma das principais causas de gastroenterite alimentar em nível global (1). A intoxicação alimentar associada a S. aureus ocorre pela ingestão de alimentos contaminados com enterotoxinas estafilocócicas, as quais são notavelmente estáveis ao calor (2). Quantidades tão pequenas quanto 20–100 ng de enterotoxinas por grama de alimento são suficientes para causar intoxicação alimentar. O risco para o consumidor é elevado quando os níveis de S. aureus em alimentos atingem 105 UFC/g, concentração necessária para a produção de quantidades detectáveis de enterotoxinas (3).

A microbiologia preditiva, enquanto campo científico, busca compreender o comportamento microbiano em matrizes alimentares, utilizando modelos matemáticos para prever a dinâmica de contaminação e crescimento sob condições específicas. Para ocontrole eficaz de S. aureus, é crucial que o comportamento do microrganismo seja analisado diretamente na matriz alimentar em questão (4).

Embora diversos modelos matemáticos tenham sido desenvolvidos para descrever o efeito da temperatura sobre o crescimento de S. aureus (5,6,7), os dados brutos subjacentes a essas previsões frequentemente não estão prontamente disponíveis, mesmo para pesquisadores, o que dificulta comparações e validações rápidas entre modelos (8). Além disso, diferentes métodos de registro de dados tornam a padronização e a interoperabilidade um desafio.

Nesse contexto, o banco de dados ComBase surge como uma solução valiosa, consolidando dados enviados por instituições colaboradoras e extraídos da literatura científica (9). Ele fornece uma interface acessível que facilita o uso de modelagem preditiva, especialmente para profissionais sem experiência em modelagem matemática, tornando-se uma ferramenta indispensável para “não modeladores”.

Diante disso, objetivou-se modelar o crescimento de S. aureus em meio de cultura sob temperaturas entre 7,5 °C e 25 °C, utilizando ferramentas de modelagem preditiva para analisar parâmetros microbianos. Adicionalmente, foram realizadas simulações para prever o comportamento do microrganismo sob condições dinâmicas de temperatura e diferentes níveis de atividade de água, contribuindo para o entendimento de sua dinâmica em ambientes controlados e para o desenvolvimento de estratégias mais eficazes de controle microbiológico.

MATERIAL E MÉTODOS

DADOS DE CRESCIMENTO

Os dados de crescimento em diferentes temperaturas foram obtidos no banco de dados ComBase (www.combase.cc), utilizando a busca pelo microrganismo “Staphylococcus aureus” e faixa de temperatura entre 5 °C e 25 °C. Foram selecionados dados do crescimento (log10 UFC/mL) de S. aureus em caldo de cultivo com atividade de água (aw) 0,997, 0,5% de cloreto de sódio e pH = 6,0, em quatro temperaturas de armazenamento: 7,5 °C, 15 °C, 20 °C e 25 °C. Os dados foram reportados do Instituto de Pesquisa Alimentar (Institute of Food Research).

MODELAGEM MATEMÁTICA

Modelagem primária

Para uma avaliação mais biológica sob a presença de microrganismos e as consequências que eles desencadeiam no alimento armazenado foi utilizado o modelo matemático primário. Ele analisa a dinâmica do microrganismo em função do tempo, o modelo matemático primário sigmoidal com função de ajuste, Baranyi e Roberts (10) (Equações 1, 2 e 3) que foi ajustado às curvas experimentais de S. aureus em caldo em diferentes temperaturas.

Nas equações, y(t) representa o logaritmo da concentração de microrganismos N (UFC/mL) no tempo t (horas), ou seja, y(t) = log [N(t)]. O parâmetro μmáx corresponde à velocidade específica máxima de crescimento (h–1); λ indica a duração da fase de latência (h); y é o logaritmo da concentração inicial de microrganismos, com y0 = log (N0); Ymáx é o logaritmo da concentração máxima, com Ymáx = log (Nmáx); h0 é um parâmetro relacionado ao estado fisiológico das células (adimensional); e F(t) representa a função do modelo de Baranyi e Roberts.

Modelagem secundária

Os modelos secundários Exponencial e Raiz Quadrada (11) (Equações 4 e 5, respectivamente) foram usados para descrever o efeito da temperatura na velocidade máxima específica de crescimento (μmáx), em que a, b e c são parâmetros empíricos, T é a temperatura de armazenamento (°C) e Tmín é a temperatura teórica mínima de crescimento (°C).

Simulação do crescimento em condições dinâmicas de temperatura

Para simular o crescimento de S. aureus em condições dinâmicas de temperatura, foram elaborados dois perfis distintos: um com aumento gradual da temperatura, de 7,5 °C a 25 °C, e outro com diminuição progressiva, de 25 °C a 7,5 °C. Além disso, foram realizadas predições de crescimento considerando quatro diferentes valores de atividade de água (aw: 0,997, 0,980, 0,974 e 0,961).

A simulação foi conduzida utilizando a função “Growth Model Dynamic” do software. O microrganismo “Staphylococcus aureus” foi selecionado, e o software automaticamente atribuiu o valor do estado fisiológico das células (h0) como 1,3e-2, mantendo-se esse valor padrão. Para os parâmetros adicionais, foi definida uma contagem inicial de 3,14 log10 UFC/mL, calculada como a média das contagens iniciais experimentais nas quatro temperaturas avaliadas, um pH constante de 6,0 e os diferentes valores de atividade de água mencionados. Essas configurações permitiram prever o comportamento do microrganismo em condições dinâmicas, oferecendo subsídios para análises mais robustas sobre o impacto de variações térmicas e de aw no crescimento bacteriano.

ÍNDICES ESTATÍSTICOS

Os ajustes do modelo primário aos dados experimentais de crescimento de S. aureus em diferentes condições isotérmicas foram realizados utilizando a interface online DMFit, disponibilizada pelo ComBase. O ajuste foi realizado em uma única etapa, permitindo a obtenção dos parâmetros de crescimento microbiano.

Para avaliar o desempenho do modelo, foram utilizados o Coeficiente de Determinação (R2) e o Erro Padrão (EP), ambos calculados pelo DMFit. Já os ajustes dos modelos secundários foram realizados no programa Microsoft Excel®, assegurando a descrição matemática do efeito da temperatura sobre o parâmetro μmáx obtido no modelo primário. Esses procedimentos permitiram validar a capacidade dos modelos emrepresentar com precisão o comportamento de S. aureus sob diferentes condições de crescimento.

RESULTADOS E DISCUSSÃO

As curvas de crescimento de S. aureus em caldo de cultivo, sob temperaturas de armazenamento de 7,5 °C, 15 °C, 20 °C e 25 °C, bem como os ajustes realizados pelo modelo de Baranyi e Roberts, estão representadas na Figura 1. Na Tabela 1, são apresentados os parâmetros de crescimento estimados a partir do ajuste aos dados experimentais, juntamente com os índices estatísticos que avaliam o desempenho do modelo.

Com base nos resultados apresentados na Figura 1 e na Tabela 1, verificou-se que todas as curvas de crescimento exibiram um formato sigmoidal, com as fases lag, exponencial e estacionária bem definidas. Ao analisar o comportamento de S. aureus cultivado em meio com concentração constante de NaCl de 0,5% (aw = 0,997 e pH = 6), constatou-se que a temperatura exerceu uma influência significativa sobre seu crescimento. A velocidade específica máxima de crescimento (µmáx) foi o parâmetro mais impactado pela variação da temperatura de incubação, especialmente a 25 °C, próxima à temperatura idealpara o crescimento de S. aureus. Esse cenário indica condições altamente favoráveis à sua multiplicação. Em contrapartida, em temperaturas mais baixas (7,5 °C), o crescimento foi consideravelmente retardado, resultando em valores menores de µmáx.

A temperatura é um fator determinante no desenvolvimento microbiano, sendo que todos os microrganismos apresentam uma faixa de temperatura em que se multiplicam, incluindo limites mínimo, ótimo e máximo. Esse parâmetro afeta diretamente o crescimento microbiano e a velocidade de multiplicação, que é mais alta quando a temperatura está próxima ao seu valor ótimo e diminui gradualmente à medida que se distancia desse ponto (12).

Os índices estatísticos apresentados na Tabela 1 permitiram avaliar o desempenho do modelo de Baranyi e Roberts, que demonstrou um bom ajuste aos dados experimentais de S. aureus em caldo de cultivo em todas as temperaturas analisadas. No entanto, em 15 °C, o modelo apresentou um Erro Padrão de 0,597 e um coeficiente de determinação (R2) de 0,88, valores que refletem o comportamento atípico da curva experimental (representada na Figura 1, losangos amarelos). Após atingir a fase exponencial, observa-se uma redução no crescimento bacteriano por volta de 120 horas, seguida de uma manutenção do valor de log10 UFC/mL até 168 horas de cultivo. Posteriormente, o crescimento é retomado por volta de 191 horas, sugerindo a ocorrência de uma fase lag intermediária. Esse fenômeno já foi descrito por outros autores, como Longhi et al. (13), para o crescimento de bactérias ácidolácticas, como Lactiplantibacillus plantarum, em condições não isotérmicas.

Esse comportamento ressalta a relevância de integrar dados provenientes de plataformas como o ComBase e de outros estudos disponíveis na literatura para gerar novas interpretações, entender as variações nos padrões de crescimento microbiano e otimizar experimentos futuros. A utilização dessas ferramentas pode auxiliar na formulação de hipóteses mais robustas e no desenvolvimento de soluções aplicáveis para estudar o comportamento de microrganismos de interesse, especialmente aqueles críticos para a segurança dos alimentos, contribuindo para a implementação de estratégias mais eficazes de controle microbiológico em diferentes cenários produtivos.

A influência da temperatura de incubação no parâmetro µmáx, que representa a velocidade específica máxima de crescimento de S. aureus, foi analisada por meio do ajuste dos modelos secundários Exponencial e Raiz Quadrada. A seleção do modelo mais adequado foi baseada na comparação dos coeficientes de determinação (R2) obtidos, conforme apresentado na Figura 2.

Todos os modelos secundários avaliados demonstraram bons ajustes aos dados experimentais, sendo que o modelo exponencial apresentou o melhor coeficiente de determinação (R2 = 0,9949). Este modelo mostrou-se particularmente adequado para descrever a dependência do parâmetro µmáx em relação à temperatura no crescimento de S. aureus.

Apesar do modelo da Raiz Quadrada não ter alcançado o melhor ajuste, ele fornece uma informação crucial: a estimativa da temperatura mínima teórica para o crescimento bacteriano, representada por Tmín (conforme descrito na seção “Modelagem secundária”, Equação 5). Como ilustrado na Figura 2b, o valor de Tmín foi estimado em 3,12 °C. Estudo atual, como os de Park et al. (14), relataram um valor de Tmín para S. aureus em gema de ovo fresca de 3,908 °C, um resultado muito próximo ao encontrado neste trabalho. Essa concordância reforça a confiabilidade dos modelos empregados e a importância de sua aplicação em diferentes matrizes alimentares para prever e controlar o crescimento microbiano em condições diversas.

As simulações do crescimento de S. aureus sob condições dinâmicas de temperatura, considerando perfis de armazenamento com variação crescente (7,5-15-20-25(a)(b)°C) e decrescente (25-20-15-7,5 °C), bem como as predições do crescimento para quatro valores de atividade de água, estão apresentadas na Figura 3.

Os resultados da simulação do crescimento de S. aureus em meio de cultivo sob perfil de temperatura crescente (Figura 3a) mostram que o aumento da temperatura influencia diretamente a velocidade de crescimento bacteriano. Observa-se que a bactéria entra na fase exponencial após aproximadamente 50 horas de cultivo, quando a temperatura atinge 20 °C. Nesse ponto, ocorre um rápido crescimento, embora a atividade de água (aw) também tenha influência significativa nessa fase. Em aw de 0,997, a curva de crescimento entra mais rapidamente na fase exponencial, enquanto, no menor valor de aw (0,961), o crescimento é retardado, embora ambas as condições resultem na mesma concentração final de log10 UFC/mL.

No perfil de temperatura decrescente (25-20-15-7,5 °C) (Figura 3b), a bactéria alcança a fase estacionária de crescimento em aproximadamente 25 horas, independentemente da queda gradual da temperatura. Uma vez que o microrganismo atinge a fase exponencial, ele continua crescendo, mesmo com a redução da temperatura. Esse comportamento tem implicações práticas importantes na manutenção da cadeia do frio, pois, se o crescimento bacteriano for iniciado devido a uma interrupção na refrigeração, ele(a)(b)continuará mesmo que a temperatura ideal seja restabelecida. Isso é especialmente crítico do ponto de vista da segurança de alimentos, considerando que, ao atingir concentrações de 105 log10 UFC/mL, há um alto risco de o alimento conter toxinas produzidas por S. aureus.

CONCLUSÕES

Este estudo destacou a eficácia da modelagem preditiva como ferramenta para avaliar e prever o comportamento de Staphylococcus aureus em diferentes condições isotérmicas e dinâmicas, utilizando o software ComBase. Os resultados evidenciaram a influência significativa da temperatura no crescimento bacteriano, confirmando que a manutenção de condições adequadas de armazenamento é crucial para minimizar os riscos microbiológicos associados a esse patógeno. As simulações permitiram identificar pontos críticos, como a continuidade do crescimento mesmo após a redução da temperatura, enfatizando a necessidade de rigor no controle da cadeia do frio.

Além disso, a análise dos parâmetros de crescimento forneceu informações valiosas para estimar o tempo necessário para que S. aureus atinja níveis críticos de contaminação, contribuindo para a formulação de estratégias mais eficazes de controle microbiológico. O estudo reforça o papel da modelagem preditiva como uma ferramenta indispensável na microbiologia de alimentos, auxiliando tanto na segurança de alimentos quanto no desenvolvimento de políticas e práticas industriais voltadas à qualidade e saúde pública. Esses achados podem embasar intervenções práticas no setor alimentício, assegurando produtos mais seguros e prevenindo surtos relacionados a toxinas bacterianas.

REFERÊNCIAS

1. Soriano JM, Font G, Moltó JC, Mañes J. Enterotoxigenic staphylococci and theirtoxins in restaurant foods. Trends Food Sci Technol. 2002;13:60–7.

2. Scherrer D, Corti S, Muehlherr JE, Zweifel C, Stephan R. Phenotypic and genotypiccharacteristics of Staphylococcus aureus isolates from raw bulk-tank milk samplesof goat and sheep. Vet Microbiol. 2004;101:101–7.

3. Necidová L, Janštová B, Karpíšková R. Dynamics of staphylococcal enterotoxinproduction in model experiments simulating the fresh cheese environment. ActaVet. 2012;81(4):391–6. doi:10.2754/avb201281040391.

4. Schelin J, Wallin-Carlquist N, Cohn MT, Lindqvist R, Barker GC, Radstrom P. Theformation of Staphylococcus aureus enterotoxin in food environments and advancesin risk assessment. Virulence. 2011;2(6):580–92. doi:10.4161/viru.2.6.18122.

5. Kim HJ, Griffiths MW, Fazil AM, Lammerding AM. Probabilistic risk model forstaphylococcal intoxication from pork-based food dishes prepared in food serviceestablishments in Korea. J Food Prot. 2009;72:1897–908.

6. Lee YJ, Jung BS, Kim KT, Paik HD. Predictive model for the growth kinetics ofStaphylococcus aureus in raw pork developed using Integrated Pathogen ModelingProgram (IPMP) 2013. Meat Sci. 2015;107:20–5.

7. Mansur AR, Park JH, Oh DH. Predictive model for growth of Staphylococcusaureus on raw pork, ham, and sausage. J Food Prot. 2016;79:132–7.

8. Baranyi J, Tamplin ML. ComBase: a common database on microbial responses tofood environments. J Food Prot. 2004;67:1967–71.

9. ComBase. ComBase Modelling Toolbox. 2024 [citado 22 Nov 2024]. Disponívelem: https://combasebrowser.errc.ars.usda.gov/.

10. Baranyi J, Roberts TA. A dynamic approach to predicting bacterial growth in food.Int J Food Microbiol. 1994;23:277–94.

11. Ratkowsky DA, Olley J, McMeekin TA, Ball A. Relationship between temperatureand growth rate of bacterial cultures. J Bacteriol. 1982;149(1):1–5.

12. Dias DM. Presença de Staphylococcus aureus em alimentos (uma revisão) [trabalhode conclusão de curso]. Portugal: Universidade Fernando Pessoa; 2022.

13. Longhi DA, Franco BD, Favaro-Trindade CS, De Martinis EC. Assessing theprediction ability of different mathematical models for the growth of Lactobacillusplantarum under non-isothermal conditions. J Theor Biol. 2013;335:88–96.

14. Park JH, Kang MS, Park KM, Lee HY, Ok GS, Koo MS, et al. A dynamicpredictive model for the growth of Salmonella spp. and Staphylococcus aureus infresh egg yolk and scenario-based risk estimation. Food Control. 2020;118:107421.doi:10.1016/j.foodcont.2020.107421.