A microbiologia preditiva é uma área da microbiologia que utiliza modelos matemáticos baseados em dados experimentais tais como atividade de água, pH, temperatura, entre outros, para modelar as curvas de crescimento ou diminuição de concentração dos micro-organismos em determinado alimento. Dessa forma, ela permite prever o comportamento dos micro-organismos no alimento durante a sua vida de prateleira comercial, ou ainda o melhor tratamento do alimento para garantir sua segurança.
Existem três tipos de modelos preditivos: o modelo primário, que gera curvas (de temperaturas diferentes) em um gráfico de concentração do micro-organismo (UFC/mL) por tempo (minutos), sem levar em consideração as variáveis do ambiente; o modelo secundário, que explica como a curva do gráfico primário varia conforme os diferentes ambientes podem se alterar, tais como pH, temperatura, etc., pois as atividades metabólicas dos micro-organismos podem acelerar ou desacelerar conforme aumentam ou diminuem algumas dessas variáveis, e os valores podem ser verificados experimentalmente; e o modelo terciário, que pode combinar os dois primeiros, utilizando softwares para calcular como o micro-organismo se comportará, visando a predição de seu comportamento conforme as mudanças dos fatores externos, utilizando as equações do primário e do secundário e calculando as suas probabilidades de adequação.
Ao se analisar os diferentes modelos preditivos para um conjunto de dados de decaimento microbiano em uma matriz láctea, pode-se verificar principalmente qual é o modelo que tem o maior valor de R2 (coeficiente de ajuste, que varia de 0 a 1, indicando percentualmente o quanto os dados obtidos correspondem ao modelo), pois quanto mais próximo este coeficiente estiver de 1 significa que os dados obtidos estarão mais ajustados ao modelo de decaimento do micro-organismo frente às condições impostas pelo tratamento. Também são utilizados o fator bias (que representa o quanto os valores preditos estão na região segura ou insegura da predição) e o fator exatidão (que indica a precisão dos valores preditos em relação aos encontrados experimentalmente).
Ainda na década de 80, foram criados os primeiros softwares para modelagem preditiva de micro-organismos em alimentos. Com relação aos produtos lácteos, existe um de microbiologia preditiva próprio para se avaliar quantitativamente o risco biológico em produtos lácteos, o Dairy Products Safety Predictor, onde se pode especificar o produto lácteo e o micro-organismo estudado, simulando distintos cenários. A partir disto, pode-se obter uma estimativa do risco à saúde humana proveniente de uma possível infecção, toxi-infecção ou intoxicação alimentar. O uso da microbiologia preditiva no processamento de produtos lácteos tem sido relatado com êxito em vários exemplos na literatura científica, o que demonstra sua utilidade e aptidão para atender os anseios da indústria de leite e derivados.
O consumo de leite e derivados encontra-se em crescimento no Brasil e no mundo, e por esta razão, a microbiologia preditiva deve ser utilizada sempre para o auxílio nas pesquisas da segurança dessa categoria de produtos. A microbiologia preditiva constitui-se uma das ferramentas mais seguras para se calcular o tempo de prateleira de um alimento, como também para se calcular as melhores formas de inibir o crescimento de patógenos, garantindo assim a segurança do alimento, embora ainda não se consiga prever todas as suas variáveis, como por exemplo, a interação com outros micro-organismos. Novos estudos devem ser realizados para o aperfeiçoamento dos modelos preditivos já existentes.
Referências
Baranyi, J. & Roberts, T.A. (1994): A dynamic approach to predicting bacterial growth in food. International Journal of Food Microbiology. 23, 277-294.
Cruz, A., Oliveira, C., Corassin, C. H., & Sá, P. (2018). Microbiologia, Higiene e Controle de Qualidade no Processamento de Leite e Derivados. Rio de Janeiro: Elsevier. 356 pp.
Geeraerd, A. H., Valdramidis, V. P., & Van Impe, J. F. (2005). GInaFiT, a freeware tool to assess non-log-linear microbial survivor curves. International Journal of Food Microbiology, 102, 95-105.
Melo, E. S. de, Amorim, W. R. de, Pinheiro, R. E. E., Nascimento Corrêa, P. G. do, Carvalho, S. M. R. de, Santos, A. R. S. S., … & Sousa, F. V. de (2018). Doenças transmitidas por alimentos e principais agentes bacterianos envolvidos em surtos no Brasil. PUBVET, 12, 131.
Oliveira, R. B., Baptista, R. C., Chincha, A. A., Conceição, D. A., Nascimento, J. S., Costa, L. E., … & Sant’Ana, A. S. (2018). Thermal inactivation kinetics of Paenibacillus sanguinis 2301083PRC and Clostridium sporogenes JCM1416MGA in full and low fat “requeijão cremoso”. Food Control, 84, 395-402.
Portela, J. B., Coimbra, P. T., Cappato, L. P., Alvarenga, V. O., Oliveira, R. B. A., Pereira, K. S., Azeredo, D. R. P., Sant’Ana, A. S., Nascimento, J. S., & Cruz, A. G. (2019). Predictive model for inactivation of Salmonella in infant formula during microwave heating processing. Food Control, 104, 308-312.
Schlei, K. P., Reiter, M. G. R., Bertoli, S. L., Licodiedoff, S., de Carvalho, L. F., & de Souza, C. K. (2018). Microbiologia Preditiva: Aspectos Gerais e Tendências. Revista Eletrônica Perspectivas da Ciência e Tecnologia, 10, 52.
Autores: Roberto P. S. Pires (1), Gustavo L. P. A. Ramos (1,2), Janaína S. Nascimento (1), Adriano G. Cruz (1)*
1 Instituto Federal de Educação, Ciência e Tecnologia do Rio de Janeiro (IFRJ), Departamento de Alimentos
2 Universidade Federal Fluminense (UFF), Faculdade de Medicina Veterinária
