BECAS
GALANTE Nadia Soledad
congresos y reuniones científicas
Título:
Selección de variables de interés en la optimización de un medio de cultivo para la producción de biomasa de Staphylococcus xylosus ACU-12.
Autor/es:
GALANTE, NADIA; PALAVECINO PRPICH, NOELIA; CAYRÉ, MARÍA ELISA; CASTRO, MARCELA
Lugar:
Presidencia Roque Sáenz Peña
Reunión:
Jornada; Jornadas Provinciales de Investigación 2023; 2023
Institución organizadora:
UNCAUS, Ministerio de Educación del Chaco
Resumen:
Staphylococcus xylosus ACU-12 es un estafilococo coagulasa negativa aislado a partir de productos cárnicos fermentados elaborados artesanalmente en la provincia del Chaco e identificado mediante técnicas de biología molecular. En función de la evaluación de sus propiedades tecnológicas y de seguridad, este microrganismo fue seleccionado como potencial cultivo iniciador para la producción de salamines. En efecto, la cepa mostró una buena adaptación a las condiciones que prevalecen durante la fermentación y maduración de salamines y actividad nitrato-reductasa positiva. Además, no evidenció resistencia a antibióticos, actividad aminodescarboxilasa ni capacidad para formar biofilms. La ausencia de genes que codifican para la producción de enterotoxinas fue confirmada por PCR múltiple. Finalmente, el microorganismo fue utilizado en forma combinada con cultivos lácticos en la elaboración de salamines mostrando una buena performance. En función de su potencial aplicación en la industria cárnica local, surge la necesidad de optimizar las condiciones de cultivo para maximizar la producción de biomasa. La optimización de medios de cultivo para la obtención de biomasa microbiana o sus metabolitos a escala industrial es fundamental para garantizar una mayor productividad a un menor costo. La optimización se puede lograr usando métodos convencionales, estadísticos o una combinación de ambos. Los métodos estadísticos son más rápidos, fiables y rentables, ya que reducen considerablemente el número de ejecuciones experimentales. Los diseños de cribado se emplean comúnmente en las primeras etapas del proceso de optimización para explorar el espacio experimental. Los diseños Plackett-Burman (PB) son un ejemplo de diseño de cribado que resultan útiles para identificar las variables con mayor influencia en un proceso. Por otro lado, cada año se producen una gran cantidad de residuos y subproductos derivados de la industria alimenticia. La gran disponibilidad de estos materiales, su contenido de nutrientes y su bajo costo, los convierte en candidatos ideales para la producción de cultivos microbianos. En particular, la producción de concentrados y aislados de proteína de soja, utilizados en todo el mundo para formulaciones alimenticias, genera efluentes ácidos como resultado de los pasos de lavado y separación de las proteínas. Esta fracción líquida contiene carbohidratos, minerales y proteínas de bajo peso molecular que pueden ser aprovechados en la industria de la fermentación. En consecuencia, el presente trabajo tiene como objetivo evaluar el efecto de diferentes variables nutricionales sobre la producción de biomasa de S. xylosus ACU-12, empleando un diseño PB como primera etapa en el proceso de optimización. El diseño incluyó 6 variables: concentración de cerelosa, sacarosa(S), maltosa(M), extracto de levadura (EL), triptona (T) y efluente líquido derivado de la hidrólisis de harina de soja (HHS); y 12 corridas experimentales a las cuales se adicionaron 3 puntos centrales. Cada variable se testeó en dos niveles: 1 y 4 g/L para para los diferentes azúcares, 5 y 20 g/L para la triptona y el extracto de levadura y 5 y 30 g/L de harina de soja. Los medios se formularon con cantidades fijas de NaCl (5 g/L) y K2HPO4 (2.5 g/L) y las diferentes concentraciones de las variables nutricionales de acuerdo a las combinaciones establecidas por el diseño; el pH de cada uno se ajustó a 7. La harina de soja se homogeneizó con agua destilada y la mezcla se acidificó con HCl 2M hasta alcanzar pH = 4,5. La mezcla se mantuvo en agitación a 40 °C durante 30 min para facilitar la extracción de compuestos solubles y luego, se centrifugó (5000 rpm durante 20 min a 4 °C). El sobrenadante se ajustó a pH = 8 con NaOH 2M, se calentó a 115 °C por 10 min y, después de enfriar a temperatura ambiente, se centrifugó (5000 rpm durante 20 min a 4°C). El líquido obtenido se utilizó para preparar las diferentes formulaciones. Los medios se inocularon al 1% (v/v) con un cultivo activo del microorganismo (DO600 = 1,3±0,2) y se incubaron por 24 horas a 30°C. Al final del período de incubación la biomasa microbiana se determinó por peso seco y se expresó en g/L. Los datos experimentales se analizaron mediante ANOVA y las variables con p˂0,05 fueron seleccionadas para ensayos posteriores. La producción de biomasa para las diferentes combinaciones de las variables independientes varió entre un mínimo de 0,62±0,05 g/L y un máximo de 1,24±0,08 g/L. El análisis de varianza indicó un efecto significativo de la triptona, el extracto de levadura y el hidrolizado de harina de soja mientras que los azúcares evaluados no afectaron la producción de biomasa. El efecto de las variables significativas fue positivo evidenciando que el aumento en la concentración de estas sustancias promueve el crecimiento de S. xylosus ACU-12. En función de los valores estimados de los efectos, el hidrolizado de harina de soja (0,34) y la triptona (0,17) ejercieron un mayor efecto estimulante que el extracto de levadura (0,11). Se ajustó un modelo lineal para la biomasa en función de las variables significativas cuya ecuación fue: Biomasa = 0,581+0.011 x T+0.00 7 x EL+0.013 x HHS. El valor R2 = 0,92 del modelo y la prueba de falta de ajuste no significativa (p = 0,086) indicaron que el modelo fue adecuado para describir las variaciones en la producción de biomasa en función de las concentraciones de HHS, T y EL. Los resultados obtenidos permitieron seleccionar las variables de interés en el proceso de optimización. Además, los coeficientes del modelo lineal se usarán para determinar la dirección de la máxima respuesta mediante el método del paso ascendente en una segunda etapa de optimización.