MODELAMIENTO MATEMÁTICO Y OPTIMIZACIÓN DEL PROCESO DE PRODUCCIÓN DE POLIHIDROXIALCANOATOS EMPLEANDO LA BACTERIA Burkholderia cepacia B27 A PARTIR DE ÁCIDOS GRASOS. Daniel Alexander Méndez Reyes Universidad Nacional de Colombia Facultad de Ingeniería Departamento de Ingeniería Química y Ambiental, Bogotá D.C., Colombia 2016 MODELAMIENTO MATEMÁTICO Y OPTIMIZACIÓN DEL PROCESO DE PRODUCCIÓN DE POLIHIDROXIALCANOATOS EMPLEANDO LA BACTERIA Burkholderia cepacia B27 A PARTIR DE ÁCIDOS GRASOS. Daniel Alexander Méndez Reyes Tesis presentada como requisito parcial para optar al título de: Magister en Ingeniería Química Director: Ph.D. Carlos Arturo Martínez Riascos Codirectora: M.Sc. Nubia Carmenza Moreno Sarmiento Línea de Investigación: Biopolímeros Grupo de Investigación: Bioprocesos y Bioprospección Universidad Nacional de Colombia Facultad de Ingeniería Departamento de Ingeniería Química y Ambiental, Bogotá D.C., Colombia 2016 A mis padres, quienes nunca alcanzaría a devolver lo mucho que me dieron, y a mi hermano que es mi sangre. Agradecimientos A mis padres Maria Cecilia Reyes y Arnulfo Mendez Barrios quienes pusieron la piedra angular de quien soy y lo que llevo, a mi familia por estar ahí siempre. Agradecer a mis profesores Carlos Martínez y Nubia Moreno, por haber creído en mí y brindarme todo el apoyo y condiciones necesarias junto al Instituto de Biotecnología y la Universidad Nacional para realizar y culminar este trabajo de investigación. A la planta docente tanto del instituto de Biotecnología como del Departamento de Ingeniería Química y Ambiental, por los conocimientos adquiridos para mi desarrollo profesional y Académico. A mis compañeros de laboratorio Iván Cabeza, Jeimy Macias y Diana Vergara, por su colaboración y enseñanzas en el desarrollo de mi trabajo de investigación. A todas las personas que directa o indirectamente aportaron en la construcción de este trabajo de tesis, muchas gracias, un reto más superado. Gracias a todos. Resumen En el presente trabajo se desarrolló un modelo matemático que reproduce el comportamiento de la bacteria Burkholderia cepacia B27 en el proceso de producción de PHAs (Polihidroxialcanoatos) con aceite vegetal, con el fin de ser utilizado para plantear alternativas de optimización del proceso. Los efectos de inhibición y limitación por la fuente de carbono y nitrógeno fueron verificados con experimentos en Erlenmeyer y bioreactor, otros fenómenos como la inhibición por producto y biomasa fueron estudiados, encontrando que la consideración de inhibición por biomasa permite predecir los experimentos por lote con alta concentración de sustratos. También se observó cambio en el rendimiento biomasa-nitrógeno dependiendo de la disponibilidad de nitrógeno en el medio de cultivo, por lo que se incluyó una función para este parámetro. El modelo desarrollado presentó un buen ajuste para los perfiles de biomasa, producto y sustratos (E≈ 0.85), lo que indica que el modelo propuesto explica correctamente el proceso de producción de PHAs. Para la optimización del proceso se evaluaron diferentes estrategias operacionales, alcanzándose concentraciones de biomasa de 15.5 g/L peso seco con acumulación del 86 % en polímero. Como resultado de la optimización, se lograron mejoras en el rendimiento de la producción, aproximadamente del 20 %. Finalmente, se observa que es necesario evaluar la influencia de diversos factores (biomasa, concentración de polímero) que impiden obtener concentraciones de biomasa mayores, con el fin de aumentar los rendimientos y la productividad del proceso. Palabras clave: Burkholderia cepacia, polihidroxialcanoatos, optimización modelamiento, aceite vegetal, bioproceso. Abstract In the present work a mathematical model which simulate the behavior of the bacteria Burkholderia cepacia B27 with vegetal oil as substrate for the production of polyhydroxyalkanoates (PHA) was developed. The model was thereafter extrapolated to fed-batch to identify various nutrients feeding regimes during the biorreactor cultivation to improve the PHB production. The inhibition and limitation effects of carbon source and nitrogen on growing were verified with flask experiments and biorreactor, other phenomena as inhibition by product and biomass were studies, the results showed inhibition by biomass allows fittest prediction for high substrate concentration experiments. Modifications on biomass-nitrogen yield depending on nitrogen availability were also observed, since a function for this parameter was included. The developed model shows a good fitting with experimental data (E≈ 0.85), which means model explain the PHAs production process. In the process optimization, several operational strategies were evaluated, the best results reached biomass concentration of 15.5 g/L with an overall PHA content of 86 %. The optimization improves the production in, approximately, 20 %. Finally, it is necessary make more efforts to evaluate the influence of inhibition factors, to obtain better process productivity. Keywords: Burkholderia cepacia, polyhydroxyalkanoates, optimization, modelling, vegetal oil, bioprocess. Contenido Pág. Resumen ........................................................................................................................ IX Lista de figuras ............................................................................................................. XV Lista de tablas ............................................................................................................ XVII Lista de Símbolos y abreviaturas ............................................................................. XVIII Introducción .................................................................................................................. 22 1. Objetivos ................................................................................................................. 25 Objetivo General ............................................................................................ 25 Objetivos Específicos..................................................................................... 25 2. Marco Teórico ......................................................................................................... 27 Producción de polihidroxialcanoatos .............................................................. 28 Bacterias para producción de PHAs .............................................................. 30 Fuente de carbono......................................................................................... 32 Modelos no estructurados .............................................................................. 32 2.4.1 Suposiciones para el desarrollo de modelos no estructurados ............ 34 2.4.2 Estimación paramétrica ....................................................................... 35 2.4.3 Modelos no estructurados en producción de PHAs ............................. 37 2.4.4 Aplicación de modelos matemáticos en el análisis de la produccion y optimización de PHA ...................................................... 39 Regímenes operacionales de cultivo. ............................................................ 49 2.5.1 Cultivo por lote .................................................................................... 49 2.5.2 Cultivo continuo................................................................................... 49 2.5.3 Cultivo en lote alimentado ................................................................... 50 3. Materiales y métodos ............................................................................................. 51 Microorganismo y medio de cultivo ................................................................ 51 Tren de inóculo .............................................................................................. 51 Estudios preliminares de inhibición y limitación de sustrato ........................... 52 Experimentos en biorreactor escala laboratorio ............................................. 53 Métodos analíticos ......................................................................................... 54 3.5.1 Cuantificación de biomasa .................................................................. 54 3.5.2 Cuantificación de amonio residual ....................................................... 54 3.5.3 Cuantificación de PHA ........................................................................ 55 3.5.4 Cuantificación del aceite vegetal residual ........................................... 55 Métodos matemáticos ................................................................................... 56 3.6.1 Ajuste de parámetros del modelo........................................................ 56 3.6.2 Verificación del modelo ....................................................................... 56 3.6.3 Optimización de las condiciones operacionales .................................. 57 4. Resultados y discusión ......................................................................................... 58 Desarrollo del modelo inicial con parámetros constantes .............................. 58 4.1.1 Análisis de limitación e inhibición en escala matraz ............................ 58 4.1.2 Ajuste del modelo en escala biorreactor (Bioflo 7 L) ........................... 63 4.1.3 Estimación teórica de consumo de aceite vegetal ............................... 63 Desarrollo del modelo con inhibición y parámetro variable ............................ 69 Optimización del proceso .............................................................................. 81 4.3.1 Régimen por pulso de sustratos.......................................................... 83 4.3.2 Régimen por alimentación constante de sustratos .............................. 85 5. Conclusiones y recomendaciones ....................................................................... 88 Conclusiones ................................................................................................. 88 Recomendaciones......................................................................................... 89 Bibliografía .................................................................................................................... 91 Lista de figuras Pág. Figura 2-1: Esquema de las vías metabólicas que generan intermediarios de para la síntesis polihidroxialcanoatos. ........................................................................................ 29 Figura 2-2: Diagrama de flujo para la construcción de modelos matemáticos. .............. 33 Figura 2-3: Esquema de reacción simplificado de los modelos no estructurados. ......... 35 Figura 4-1: Comportamiento de la velocidad especifica de crecimiento (𝝁) como función de la fuente de nitrógeno en condiciones de limitación (A) y exceso (B)... 60 Figura 4-2: Comportamiento de la velocidad específica de crecimiento (𝝁) como función de la fuente de carbono en condiciones de limitación (A) y exceso (B)..... 61 Figura 4-3: Cinética en biorreactor 5 L, con concentraciones iniciales de 20 g/L (A), 5 g/L aceite vegetal (B) y 40 g/L(C) y sulfato de amonio de 2.8 g/L. ........................ 66 Figura 4-4: Cinética en biorreactor 60 L, con concentración inicial de aceite y sulfato de amonio de 4 g/L. ........................................................................................................ 69 Figura 4-5: Ajuste de ecuaciones de saturación de velocidad de crecimiento, para predecir el rendimiento biomasa sulfato de amonio dependiente de la relación C/N. ..... 73 Figura 4-6: Ajuste del modelo con parámetro variable de rendimiento con aplicación de termino de inhibición por (A) producto, (B) fracción polímero biomasa y (C) biomasa, en régimen lote a escala 100 L con concentraciones iniciales de (1) 100 g/L A.V y 2.8 g/L S.A., (2) 140 g/L A.V y 6.6 g/L. ..................................................... 75 Figura 4-7: Ajuste del modelo con parámetro variable de rendimiento con aplicación de término de inhibición por producto (A), fracción polímero/biomasa (B) y biomasa (C), para corridas de 5 L con concentraciones iniciales de 5 g/L A.V y 2.8 g/L S.A.. ................................................................................................................. 76 Figura 4-8: Datos simulados frente a datos experimentales del modelo con parámetro variable de rendimiento con aplicación de termino de inhibición por (A) producto, (B) fracción polímero biomasa y (C) biomasa, en régimen lote a escala 100 L con concentraciones iniciales de 40 g/L, 4 g/L. ..................................................... 78 Figura 4-9: Ajuste del modelo para experimento con pulsos de 20 g/L. ......................... 83 Figura 4-10: Ajuste del modelo para experimento con pulsos de 40 g/L......................... 84 Figura 4-11: Ajuste del modelo para experimentos con alimentación para reposición de nutrientes. ....................................................................................................................... 85 Figura 4-11: Ajuste del modelo para experimentos con flujo de alimentación constante.86 Lista de tablas Pág. Tabla 2-1: Diferentes tipos de modelos para la cinética celular...................................... 34 Tabla 2-2: Ecuaciones propuestas por diferentes autores para la modelación y optimización de procesos de producción de PHAs. ........................................................ 43 Tabla 3-1: Concentraciones para los experimentos a escala matraz ............................. 53 Tabla 4-1: Parámetros y coeficiente de correlación para los modelos propuestos para la velocidad específica de crecimiento. .................................................................. 62 Tabla 4-2: Parámetros para el modelo completo con parámetros constantes. ............... 67 Tabla 4-3: Valores de eficiencia Nash–Sutcliffe, para el modelo con parámetros constantes. ..................................................................................................................... 68 Tabla 4-4: Concentraciones iniciales a escala Bioflo ..................................................... 69 Tabla 4-5: Rendimiento biomasa/sulfato de amonio obtenidos y relación inicial C/N en los experimentos a escala Bioflo. ....................................................................... 72 Tabla 4-6: Parámetros reportados para los diferentes modelos propuestos para inhibición adicional, con rendimiento biomasa/sulfato de amonio variable. ..................... 79 Tabla 4-7: Valores de eficiencia Nash–Sutcliffe, para los modelos con inhibición y rendimiento biomasa/sulfato de amonio variable. ........................................................... 80 Tabla 4-8: Modelo matemático para producción de PHAs por B. cepacia. ..................... 81 Tabla 4-9: Cuadro comparativo de los resultados del presente trabajo frente a otros trabajos realizados en el IBUN y externos. ..................................................................... 87 Lista de Símbolos y abreviaturas Símbolos con letras latinas Símbolo Término Unidad SI D Dilución 1/h 𝐹 Flujo L/h Caudal 𝐹1 Flujo 1 L/h Caudal 𝐹2 Flujo 2 L/h Caudal 𝐹𝑛 Flujo nitrógeno L/h Caudal Fracción - Relación producto biomasa Constantes - Constantes de ajuste de modelo 𝐾𝑐𝑖 Constante de inhibición por sustrato carbono g/L - 𝐾𝑛𝑖 Constante de inhibición por sustrato nitrógeno g/L - 𝐾𝑝𝑖 Constante de inhibición por producto g/L 𝐾𝑠𝑝 Constante de afinidad por producto g/L - 𝐾𝑠𝑛 Coeficiente afinidad de sustrato al nitrógeno g/L Concentración de sustrato en la que la bacteria empieza a crecer 𝐾𝑠𝑐 Constante de afinidad con fuente de carbono g/L Concentración de sustrato en la que la bacteria empieza a crecer 𝑓𝑃𝐻𝐴 𝑘1 , 𝑘2 𝑘3 , 𝑒 Definición Símbolo Término Unidad SI Definición 𝑚𝑛 Mantenimiento por fuente nitrógeno g/g.h Gramos nitrógeno por gramos de biomasa 𝑚𝑐 Mantenimiento por fuente de carbono g/g.h Gramos carbono por gramos de biomasa 𝑆𝑛 Sustrato fuente de nitrógeno g/L Gramos de sulfato de amonio por litro 𝑆𝑐𝑚 Constante de sustrato inhibitorio g/L Concentración máxima de la fuente de carbono inhibitoria 𝑆𝑚𝑆𝑛 𝑆𝑐 Constante de relación nitrógeno carbono máxima de inhibición - Valor máximo de la relación carbono nitrógeno 𝑆𝑛𝑚 Constante de sustrato inhibitoria g/L Concentración máxima de la fuente de nitrógeno inhibitoria 𝑆𝑛𝑓 Fuente de nitrógeno g/L Concentración sustrato en flujo de alimentación 𝑆𝑐𝑓 Fuente de carbono g/L Concentración sustrato en flujo de alimentación 𝑆𝑐 Sustrato fuente de carbono g/L g sustrato / L de medio V Volumen L X Biomasa g/L gramos de biomasa por litros de medio Rendimiento biomasa producto por fuente de carbono g/g gramos de biomasa y producto por gramos de carbono Rendimiento biomasa nitrógeno g/g gramos de biomasa por gramos de nitrógeno 𝑌𝑥+𝑝 𝑆𝑐 𝑌𝑥 𝑆𝑛 Símbolos con letras griegas Símbolo α, β, 𝛾 Término Constantes relacionadas al producto Unidad SI Definición g/g, g/gh Símbolo Término µ Velocidad específica de crecimiento 1/h Velocidad específica máxima de crecimiento 1/h 𝜇max Subíndices Subíndice Término c carbono m máxima n nitrógeno 0 Inicial 1 Tipo de sustrato 2 Tipo de sustrato Superíndices Superíndice Término 𝑎1, 𝑎2 Exponente, potencia 𝑚 Exponente, potencia 𝑛 Exponente, potencia Abreviaturas Abreviatura Término A.V. Aceite vegetal S.A. Sulfato de amonio Unidad SI Definición Abreviatura Término Exp. Experimental PHA polihidroxialcanoato Introducción El problema ambiental generado por la acumulación de los residuos de plásticos no biodegradables ha llegado a alcanzar los 25 millones de toneladas al año (Choi & Lee, 1997; Murray & King, 2012; Somleva et al., 2013). Aunque los materiales plásticos se han hecho necesarios en nuestras vidas debido a su versatilidad, propiedades mecánicas y relativo bajo precio, la mayoría de estos productos afectan el medio ambiente por los prolongados tiempos de degradación y acumulación en el ambiente. Lo anterior ha promovido en los últimos años el interés creciente en el desarrollo de polímeros biodegradables que puedan remplazar a aquellos generados por síntesis química; entre dichos polímeros se encuentran los polihidroxialcanoatos (PHAs), los cuales poseen propiedades similares al polipropileno y se han convertido en una alternativa potencial para combatir la contaminación por plásticos a base de petróleo. Desde su descubrimiento en 1926, la producción de PHAs ha sido ampliamente estudiada en diferentes microorganismos, los cuales son seleccionados para generar altos rendimientos con bajos costos de producción a escala industrial (Bohmert et al., 2002). Los PHAs son poliésteres de hidroxialcanoatos, termoplásticos, biodegradables, producidos por numerosos microorganismos bajo diferentes condiciones de cultivo (Lai et al., 2013). Varios autores han demostrado que en la mayoría de casos bajas concentraciones de amonio, fósforo o magnesio entre otros, durante la fermentación, inducen la producción de PHAs con diferentes características (Lee et al., 1999; Suzuki et al., 1986), sin embargo, esto dependerá de la elección del microorganismo; así mismo, el microorganismo tendrá una alta influencia en factores como la fuente de carbono utilizada en el proceso, las velocidades específicas de crecimiento, la tasa de biosíntesis, la calidad y cantidad de PHA, así como en el costo de los procesos de recuperación; (Kahar et al., 2004; Verlinden et al., 2007). Un resultado importante de diversos estudios es que las materias primas pueden generar alrededor del 50% de los costos de producción (Choi & Lee, 1999 y 1997). Es por esto, que Capítulo 2. Marco teórico 23 diferentes investigadores se han dedicado a viabilizar el uso de sustratos de menor costo, así como a la identificación de cepas con mayor eficiencia, entre ellas la Burkholderia cepecia, la cual es capaz de consumir diversos sustratos, con buenos rendimientos (Chee et al., 2010 y 2012; Keenan et al., 2004; Obruca et al., 2014; Pan et al., 2012; Wang & Liu, 2014; Wang et al., 2010). De este modo B. cepacia presenta un alto potencial para su uso en la producción de PHAs. Igualmente se han buscado materias primas renovables de bajo costo, que generen buenas propiedades al polímero producido y que tengan rendimientos altos en el proceso, es por eso que se ha optado por desarrollar procesos a partir de subproductos de procesos industriales. En el procesamiento de aceites vegetales se obtienen grandes cantidades de ácidos grasos como subproducto que pueden ser una alternativa como fuente de carbono para la producción de PHAs (Ballistreri et al., 2001; Chee et al., 2012). Adicionalmente, a partir de ácidos grasos se pueden obtener altos rendimientos en la producción, cercanos a 1 gramo de PHA por gramo de ácido graso consumido. El alto rendimiento se debe a la gran cantidad de átomos de carbono que son direccionados por el metabolismo bacteriano hacia la producción de PHAs a partir de ácidos grasos (Akiyama et al., 2003). Lo anterior se contrasta con la producción a partir de azucares, donde la descarboxilación en la vía glicolítica reduce drásticamente el rendimiento. A pesar de los diferentes esfuerzos por reducir costos en la producción de PHAs, mencionados anteriormente, a nivel comercial factores como la reducción de los precios del petróleo hacen que la producción de estos biopolímeros no pueda competir en el mercado con los plásticos elaborados por síntesis química (Wang et al., 2014). Es por ello que el Instituto de Biotecnología de la Universidad Nacional (IBUN) en conjunto con la Facultad de Ingeniería ha realizado diferentes trabajos con el fin de mejorar la eficiencia del proceso de producción de PHAs. Entre los desarrollos realizados está la estimación de la cinética de crecimiento con Ralstonia Eutropha ATCC 17699, (Barbosa, 2002); así mismo la evaluación de sistemas de fermentación con el fin de determinar técnicas que incrementen los rendimientos en el proceso con flujo de alimentación continuo e intermitente en lote alimentado (Figueroa et al., 2005), y se ha incursionado en el desarrollo de modelos matemáticos como herramienta en el incremento de la producción de PHAs con Burkholderia cepacia nativa (Acosta, 2007). Siguiendo la línea de mejoramiento del proceso de producción, en el presente trabajo se incursiona en la implementación de estrategias de Ingeniería de Sistemas de Procesos (PSE, 24 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Process System Engineering) lo que requiere modelos predictivos que describan el proceso para definir las mejores condiciones operacionales. Para el desarrollo de dichos modelos, se hace imprescindible conocer el comportamiento de la cepa de interés frente a diferentes factores ambientales que inciden directamente en la producción del metabolito deseado, el análisis del proceso mediante modelos matemáticos permite la definición de las condiciones más adecuadas para la producción del polímero y así aumentar tanto la eficiencia como la productividad del proceso; adicionalmente, el uso de modelos predictivos facilita el escalamiento de los resultados obtenidos en laboratorio y en planta piloto a escala industrial. Diferentes autores han propuesto alternativas con el fin aumentar la productividad en el bioprocesos de producción de PHAs, basadas principalmente en el control de la alimentación de la fuente de carbono y de otros nutrientes, en fermentaciones tipo fed-batch (Lai et al., 2013). Shang et al. (2007) construyeron modelos matemáticos y definieron la mejor operación por lote alimentado considerando alta densidad celular con la cepa R. eutropha, para la producción de PHB; de igual forma, Johnson et al. (2009) ajustaron un modelo metabólico para las velocidades específicas de conversión y generación de biomasa en sistemas aeróbicos en reactores por lote secuenciales y por lote alimentado. Igualmente Faccin et al. (2012) presentaron cuatro diferentes modelos para la predicción de datos experimentales, los resultados presentados muestran que estos modelos pueden ser usados como herramientas para mejorar la producción en bioprocesos. De esta forma, la optimización del proceso de producción, empleando un modelo matemático que prediga con buena aproximación la producción de PHAs para una cepa identificada como eficiente (Burkholderia cepacia) con un sustrato de bajo costo, es una alternativa prometedora para lograr un proceso competitivo. En el presente estudio, como estrategia para reducir los costos de producción, se busca modelar y mejorar la producción de biopolímeros del tipo PHAs empleando la bacteria Burkholderia cepacia B27, con ácidos grasos como fuente de carbono. El modelo generado será no estructurado y no segregado, pues predecirá los cambios en las concentraciones de biomasa, producto y substratos, sin considerar los componentes de la biomasa, y analizando la biomasa como una población celular homogénea, donde su comportamiento se aproxima al de una célula promedio. De este modo, la disponibilidad de un modelo predictivo validado permitirá generar estrategias para reducir los problemas de operación y mejorar la productividad global del proceso. 1. Objetivos Objetivo General Modelar y optimizar el proceso de producción de PHAs utilizando la bacteria Burkholderia cepacia B27 y ácidos grasos como fuente de carbono. Objetivos Específicos Identificar los principales fenómenos (limitación, inhibición, muerte celular, consumo para mantenimiento) que inciden en el proceso de producción de PHAs por la bacteria Burkholderia cepacia B27 Formular, ajustar y validar un modelo matemático no estructurado, no segregado para el crecimiento y producción de PHAs en Burkholderia cepacia B27, empleando ácidos grasos como fuente de carbono. Seleccionar el régimen operacional más adecuado para el proceso e identificar las variables de control para su optimización. Estimar las condiciones operacionales experimentalmente estos resultados. óptimas para el proceso y validar 2. Marco Teórico La dependencia y demanda global por los plásticos derivados del petróleo, principalmente por sus bajos costos en el proceso de producción, versatilidad, y estabilidad, ha estimulado su uso durante décadas, posicionándolos como unos de los materiales insignia de la época contemporánea, incrementado su demanda en países de economía crecientes como India y China (Murray & King, 2012; Somleva et al., 2013). Es así, como la producción de plásticos derivados del petróleo para el 2014 alcanzó 311 millones de toneladas a nivel mundial (PlasticEurope, 2015). Ese gran volumen de producción, sumado a la alta permanencia en el ambiente por la ausencia de enzimas producidas de forma natural que los degraden eficazmente, dificulta la disposición final de este tipo de material y por lo tanto lo ha transformado en un problema de contaminación cada vez más preocupante para la sociedad (Kumar & Sudesh, 2013). Una de las estrategias de valorización de los plásticos a nivel mundial está centrada en la incineración con fines energéticos debido al alto poder calorífico de estos materiales. Sin embargo, debido a su origen fósil, la cuantificación de las emisiones de gases de efecto invernadero debe ser tenida en cuenta con el objeto de evaluar completamente su ciclo de vida y el efecto de esta práctica en el calentamiento global (Eurostat, 2001; OECD, 2013). El problema de contaminación medioambiental generado por el uso masivo de los materiales plásticos derivados de la industria petroquímica ha suscitado gran interés en la implantación de procesos sostenibles (Bueno et al., 2009; Delgado-Rodríguez et al., 2010; Dorado et al., 2010). Estos procesos implican la utilización de la biomasa derivada de residuos para generar materiales alternativos a los polímeros de origen petroquímico (Lai et al., 2013; Rehm & Steinbüchel, 2005). Lo anterior ha promovido en los últimos años más y más estudios para viabilizar la producción comercial de biopolímeros amigables con el medio ambiente, identificándose un gran número de 28 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. posibles fuentes de obtención a partir de proteínas (animal y vegetal), lípidos y polisacáridos, también desde monómeros bio-derivados como es el caso de los originado a partir del maíz, los cuales son polimerizados a través de rutas ya estandarizadas, para obtener ácido poliláctico (PLA) que es hasta ahora uno de los biopolímeros con mayor disponibilidad en el mercado. La gran variedad de fuentes para la obtención de biopolímeros incrementan el número de aplicaciones en las que se pueden utilizar por las diferentes características que puedan conferir, convirtiéndolos en candidatos potenciales para aplicaciones biomédicas por ejemplo (Bugnicourt et al., 2014). En contraste, los polihidroxialcanoatos (PHAs) son poliésteres biogénicos que pueden ser acumulados en cultivos microbianos los cuales han tenido una considerable atención durante las pasadas tres décadas (Escapa et al., 2012), principalmente por su reconocido ciclo de degradación, que los hace amigables con el medio ambiente (Koller et al., 2013). Lo anterior ha conducido a que se presenten como una posible alternativa para reemplazar algunos plásticos de origen petroquímico, ya que poseen propiedades similares a estos (Rodríguez-Contreras et al., 2013; Sudesh, 2013; Sudesh et al., 2000) con excelentes propiedades mecánicas y químicas, además de la biocompatibilidad, por lo que su uso es reconocido en diferentes campos de aplicación (Nicolò et al., 2014). Producción de polihidroxialcanoatos Los PHAs de origen bacteriano son una única familia de polímeros sintetizados como alternativa de almacenamiento energético por más de 300 especies de bacterias Gram-negativas y Grampositivas así como un gran rango de bacterias de la familia archea (Qi et al., 1998). Sintetizada como inclusiones citoplasmáticas insolubles, en presencia de exceso de carbono cuando otros nutrientes esenciales como oxígeno, fosforo o nitrógeno son limitados, estos materiales poliméricos pueden ser acumulados en elevadas concentraciones desde que no alteren sustancialmente el equilibrio osmótico de la bacteria (Anderson & Dawes, 1990), el polímero producido tiene propiedades hidrofóbicas, insolubilidad en agua y estabilidad en el aire indefinidamente, también son termoplásticos o elastómeros, no tóxicos y poseen una alta pureza dentro de la célula (Filomena et al., 2000) además los polímeros resultantes son piezoeléctricos y biocompatibles. Por otro lado, la especificidad de la polimerasa (o PHA sintasa) influye en el Capítulo 2. Marco teórico 29 tipo de monómeros que serán incorporados en el polímero por el metabolismo de la bacteria (Chen, 2009), otros factores que afectan el tipo de monómero que forma el polímero son: tipo de microorganismos (Gram-negativos o Gram-positivas), componentes en el medio de fermentación, condiciones y tipo de fermentación (lote, lote alimentado, continua) y los procesos posteriores de recuperación (Keshavarz & Roy, 2010). Una amplia variedad de microrganismos se ha venido reportando durante años para la producción de PHAs, entre las cuales se encuentran bacterias Gram- negativas y Gram-positivas, como Bacillus spp., Alcaligenes spp., Pseudomonas spp., Aeromonas hydrophila, Rhodopseudomonas palutris, Echerichia coli, Burkholderia sacchari, Halomonas boliviensis y Rhalstonia eutropha entre otros (Kahar et al., 2004; Patniak, 2009; Verlinden et al., 2007). Estos microorganismos pueden tener una o varias de las rutas metabólicas para la producción de PHAs, entre las más conocidas se encuentran la ruta por Entner-Doudoroff, la síntesis de novo de ácidos grasos y la -oxidación de ácidos grasos (Doi & Abe, 1990; Doi, Kitamura, & Abe, 1995) las cuales se resumen en la Figura 2-1. Carbohidratos Ácidos Grasos Biosíntesis de β-oxidación de ácidos grasos ácidos grasos phaA – cetotioasa phaB – cetoacil-CoA reductasa phaC – PHA sintasa phaG – ACP-Co transacilasa Figura 2-1: Esquema de las vías metabólicas que generan intermediarios para la síntesis de phaJ – Enoil-CoA reductasa (r) específica polihidroxialcanoatos. Adaptado de Aldor & Keasling (2003). 1 – Ceto reductasa 2 - Epimerasa 30 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Estas tres rutas sintetizan la 3-hidroxiacil CoA con la cual se generan los PHAs mediante la PHA sintasa (Rehm & Steinbüchel, 2005). De esta forma, el uso de cada sustrato dependerá de la cepa seleccionada, haciendo que esta decisión sea fundamental para la implementación del proceso, así como para las características finales del polímero. Aunque en laboratorio se han obtenido buenos resultados en la generación de PHAs, la producción a escala comercial demanda costos de materias primas de alrededor del 50% del costo global de producción (Choi & Lee, 1997, 1999), propiciando la búsqueda de materias primas de bajo costo. Muchas fuentes de carbono renovable han sido implementadas para producir PHAs, entre las cuales se encuentran fuentes de carbono de primera generación como granos, azúcar de remolacha y de caña, almidones y aceites comestibles así como las de segunda generación como melazas, residuos lignicelulósicos, suero, biodiesel, residuos del biodiesel como glicerol, y residuos grasos (S. Y. Lee, 1996, 2000). Además de otros carbohidratos como la xilosa, galactosa, glicerol, borra del café (Annuar et al., 2007; Keenan et al., 2004; Obruca et al., 2014), siendo las anteriores fuentes de carbono, buenas alternativas de reducción en el costo de producción, para aumentar la viabilidad de la producción de los polímeros biodegradables. Bacterias para producción de PHAs El Instituto de Biotecnología de la Universidad Nacional de Colombia en conjunto con la Facultad de Ingeniería ha realizado diferentes trabajos con el fin de mejorar la eficiencia del proceso de producción de PHAs. Entre las alternativas propuestas está la evaluación de diferentes cepas como Pseudomonas putida, Burkholderia cepacia 2G57 (Suárez, 1997), y Ralstonia Eutropha ATCC 17699 (Barbosa, 2002) esta última obtenida a través de aislamientos consecutivos de microorganismos con alta capacidad de producción del polímero (Moreno & Serrato, 2004; Moreno et al., 2004) logrando los mejores resultados de producción de PHA reportados hasta entonces (0.22 g/l) (Garzón & Moreno, 2005). Por otro lado, se han realizado trabajos dirigidos a la amplificación del gen de la PHA sintasa, el cual es de gran importancia por ser el principal gen que promueve la producción de PHA en la mayoría de microorganismos. Dicha amplificación permite una mejor identificación para la selección de bacterias hiperproductoras (Revelo, 2005). Así mismo, se han realizado pruebas con diversas fuentes de carbono como ácido octanóico, fructosa y glucosa (Moreno et al., 2004). Capítulo 2. Marco teórico 31 La Burkholderia cepacia es una bacteria Gram-negativa que puede utilizar gran variedad de fuentes de carbono para producir PHAs de cadena corta incluyendo los homopolímeros polihidroxibutirato y polihidroxivalerato bajo estrategias específicas de alimentación (Keenan et al., 2004), además ha demostrado adaptación en el consumo de varios compuestos tóxicos (Pan et al., 2012) así como extractos hidrolizados de madera (Wang & Liu, 2014), aceites vegetales (Chee et al., 2010) y hasta borra de café (Obruca et al., 2014). Esta versatilidad para consumir diferentes sustratos la ha convertido en candidata para procesos de recombinación con la Aeromonas caviae (Chee et al., 2012), demostrando la posibilidad de mejora genética y el potencial de esta bacteria para los procesos de producción de PHAs. La bacteria empleada en este trabajo pertenece al Phylum: Proteobacteria; Clase: βProteobacteria; Orden: Burkholderiales; Familia: Burkholderiaceae; Genero: Burkholderia; Especie: cepacia; Sub especie: B27. Es una bacteria Gram negativa, bacilo no fermentador, aerobio estricto, mesófila crece en rangos de temperatura de 30-35 °C, organismo quimioorganotrófico, Oxidasa y Catalasa (+). B. cepacia puede encontrarse en diferentes ambientes, como suelo, agua, y plantas en una variedad de regiones geográficas, fuentes animales y muestras clínicas diferentes. En el proceso de mejoramiento de la cepa, se generó la sobreproducción de PHA en mutantes de la cepa Burkholderia cepacia 2G57 (BC_2G57), previamente aislada de suelos colombianos. Inicialmente, se obtuvo la secuencia del genoma para BC_2G57, anotado respecto al genoma de referencia de Burkholderia cenocepacia J2315, y los genes que codifican PHA fueron identificados y localizados en la cepa BC_2G57. A partir de la cepa Burkholderia sp 2G57 se realizó un proceso de mutación y selección de la cepa de mayor acumulación de polihidroxialcanoatos. Se utilizó la cepa B27 y se mejoraron sus condiciones de crecimiento y acumulación del biopolímero, evaluando la temperatura (25 – 35 °C), la fuente de carbono (aceite vegetal (A.V.) y ácido oleico) y su concentración (10 – 40 g/L), así como la aireación del fermentador (1-2,5 vvm) manteniendo los parámetros y el medio de cultivo evaluados para la cepa 2G57, encontrando que para una temperatura de 32 °C, 15 g/L de ácido oleico y 2 vvm de aireación se obtienen concentraciones máximas de 10,8 g/L y 7,9 g/L de biomasa y PHA, respectivamente, equivalente a 73 % de acumulación. La productividad del cultivo fue de 0,27 y 0,19 g/L-h de biomasa y PHA respectivamente. (Moreno et al; 2015). 32 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Fuente de carbono El bajo nivel de producción de PHA de cadena media, el cual posee mejores propiedades físicoquimicas, junto al limitado uso de sustratos por las diferentes especies de bacterias productoras, limitan la producción de este tipo de polímero. Se ha observado que cuando una bacteria es alimentada con ácidos grasos, estos pasan hacia la ruta biosintética de la betaoxidación para producir PHAs; en consecuencia la cadena de ácido graso únicamente pierde 2 átomos de carbono por cada ciclo, aumentando los rendimientos a partir de este tipo de fuente de carbono (Liu et al., 2011; Chung et al., 2011), lo anterior ha demostrado que los rendimientos de PHA a partir de aceites vegetales son superiores con respecto a otros sustratos evaluados como sacarosa, con el cual se obtienen rendimientos de 0.32 g de polímero por g de carbohidrato (Nonato et al., 2001). El rendimiento del proceso con el uso de aceites es aproximadamente 1 g de polímero por g de ácido graso (Akiyama et al., 2003). En la literatura se encuentra algunas publicaciones donde se han empleado utilizan ácidos grasos insaturados tales como ácido oleico (C18:1), aceite de soya, maíz, oliva y palma, para producir polímeros de cadena media con cadenas laterales de monómeros insaturados, lo que reduce en gran medida la necesidad de mejorar las propiedades mecánicas de los polímeros resultantes y aumenta el aprovechamiento de este tipo de fuentes de carbono de cadena larga (da Cruz Pradella, Ienczak, Delgado, & Taciro, 2012; Fukui & Doi, 1998; Gumel, Annuar, & Heidelberg, 2012; Kahar et al., 2004). Modelos no estructurados Los diferentes modelos matemáticos tienen una importancia generalizada en diferentes campos y disciplinas, ya que son capaces de traducir fenómenos reales en conceptos abstractos, permitiendo predecir la realidad con ciertos niveles de confianza; sin embargo, estos modelos tienden a estar contenidos en un proceso cíclico de mejora, en el cual el viejo modelo es rechazado por un nuevo postulado (Harder & Roels, 1982), como se presenta en la Figura 2-2. Por lo tanto, la utilidad de los modelos para correlacionar los datos provenientes de mediciones reales y proveer una forma concisa de pensar acerca del sistema o proceso, permite predecir cualitativamente el funcionamiento de un proceso el cual debe estar claramente definido en un Capítulo 2. Marco teórico 33 rango de validez en el que puede predecir, esto quiere decir, que las condiciones en las que pueden aplicarse un modelo son limitadas a un intervalo que debe ser claramente definido (Harder & Roels, 1982). Figura 2-2: Diagrama de flujo para la construcción de modelos matemáticos. (Harder & Roels, 1982). A pesar de lo anterior, los modelos matemáticos son una herramienta de gran utilidad para reducir la cantidad de ensayos experimentales en el diseño u optimización de un proceso. De esta forma, los modelos matemáticos pueden brindar un acercamiento más conciso sobre el proceso o sistema, lo que puede dar una guía al diseño de experimentos que conduzca a aislar los parámetros más importantes para comprender la naturaleza del sistema, con el fin de estimar los parámetros más acertados que arrojen modelos de mayor confiabilidad (Fredrickson et al., 1970). Además, el uso de modelos simples como los no estructurados permite un acercamiento a la teoría biológica del comportamiento del microorganismo sin una complejidad abrumadora, por lo que su aplicación es recomendable para etapas iniciales de una investigación donde se desee indagar el modelamiento de los procesos realizados por microorganismos. Así mismo se debe tener en cuenta que un mecanismo altamente específico (modelos estructurados) no debería ser postulado sin evidencia empírica, lo que requiere más tiempo y ensayos experimentales. Por otro 34 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. lado, la modificación de un modelo simplificado con nueva evidencia empírica es más simple y conduce a modelos de gran utilidad y al igual que todos los modelos, se gana una comprensión más acertada del mecanismo biológico en estudio y se crea un marco conceptual, el cual debe ser validado, lo que conduce necesariamente a una nueva experimentación del mismo para mejorarlo. Por último, aunque exista la posibilidad de que aparezca un nuevo número de propiedades del sistema biológico de interés, la construcción de un modelo simple hace que las suposiciones complejas sean innecesarias (Williams, 1967). 2.4.1 Suposiciones para el desarrollo de modelos no estructurados Frente a la gran complejidad y las necesidades referentes a la predicción del comportamiento de los microorganismos, la formulación de algunas suposiciones frente a la gran complejidad del microorganismo, su crecimiento y reproducción, nos permite llegar a modelos simples, pero de gran utilidad en el diseño de fermentadores, así como en la predicción del comportamiento celular. Una de las consideraciones consiste en representar todos los microorganismos como un único individuo, esta suposición se soporta por el hecho de que cuando el microorganismo se duplica, este duplica igualmente todos los componentes cuantificables de la población celular; la segunda suposición es que la masa de la población celular está distribuida uniformemente en el cultivo tomándose como un cultivo homogéneo (Lee, 1994). La Tabla 2-1 muestra las consideraciones relacionadas a los modelos no estructurados no segregados y su diferenciación frente los estructurados segregados. Tabla 2-1: Diferentes tipos de modelos para la cinética celular. según la según los componentes celulares población no estructurado estructurado no segregado los microorganismos son representados por un único componente, el cual está distribuido uniformemente en el cultivo múltiples componentes celulares distribuidos uniformemente en el cultivo, los cuales interactúan unos con otros segregado los microorganismos son representados por un único componente, pero este forma una mezcla heterogénea microorganismos compuestos por diferentes componentes, los cuales forman una mezcla heterogénea Capítulo 2. Marco teórico 35 Fuente (Tsuchiya et al., 1966). Aunque los modelos no estructurados simplifican el problema real, no significa que no sean importantes en procesos de producción, su importancia radica en que las ecuaciones propuestas tienen un sentido físico acertado y se toma al microorganismo, no tanto como un organismo complejo, si no como una especie reactante sencilla (Almudena et al., 1999). El esquema que incorpora la mayoría de modelos no estructurados se basa en parte en el esquema mostrado en la Figura 2-3. . Figura 2-3: Esquema de reacción simplificado de los modelos no estructurados. Fuente (Almudena et al., 1999) 2.4.2 Estimación paramétrica El modelamiento del comportamiento cinético de los microrganismos es una estrategia para alcanzar un conocimiento fundamental en los bioprocesos. Para el modelamiento es importante la recolección de datos experimentales que permitan la estimación de parámetros antes de cualquier uso o aplicación del modelo, lo que conlleva al problema clásico de la estimación paramétrica. Mientras que los datos obtenidos de la simulación con un modelo existente se generan de cálculos matemáticos y carecen de ruido u otro tipo de error, los datos usados para la elaboración del modelo, por ser experimentales, pueden contener errores debido a la limitación en observación y en los instrumentos, lo que afecta la capacidad del modelo (S. Liu, 2013). En ocasiones donde no es posible tener acceso al conocimiento teórico fundamental del microorganismo, lo que sucede frecuentemente, se pueden generar dificultados en el modelamiento, lo que puede ser en parte resuelto, con el uso de datos experimentales que 36 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. permiten identificar relaciones o tendencias entre las diferentes variables y buscar soluciones a la ausencia de conocimiento teórico. Además, en un proceso de optimización el modelo matemático se convierte en pieza fundamental, ya que provee la predicción de una nueva entrada o proceso de control sin haber sido probado en la práctica. Para un modelo matemático se debe antes que nada determinar si las variables tienen alguna relación con el modelo, entonces se determina cuán buena es dicha relación; aun así, el modelo matemático debe ser determinado a partir del conjunto de datos experimentales lo que nos introduce al problema clásico del análisis de correlación, o también llamado análisis de regresión o ajuste de la curva. Los tres tipos de análisis: estimación paramétrica, regresión y correlación están interrelacionados. La regresión o ajuste de curva, consiste en la selección de un modelo matemático en el cual se aplica la estimación paramétrica para determinar los coeficientes desconocidos. El modelamiento matemático es conocido como regresión del modelo. Por otro lado, la correlación, una terminología más conocida entre estos tres tipos de análisis, consiste en determinar si las variables están relacionadas o correlacionadas, es entonces cuando la regresión o ajuste de la curva es aplicado para encontrar la mejor relación para asociar las variables. Por el hecho de que las tres terminologías son un poco confusas debido a su relación en la solución de estimaciones paramétricas, frecuentemente se usa el término de correlación o ajuste de curva. Por ejemplo, en una situación en la que se pueden conseguir buenos ajustes a un conjunto de datos experimentales con diferentes funciones, se puede caer en la confusión de aceptar una buena correlación en lugar de un modelo matemático que se apoye en un factor físicamente sustentado. Ya que los datos experimentales contienen un error, el modelo con mejor ajuste no necesariamente representa una buena relación entre el modelo y los datos. La regresión por minimización de la varianza de los datos experimentales contra la predicción del modelo es uno de los métodos extendidamente adoptados, este acercamiento en general se presta para problemas de regresiones no lineales, donde el problema de regresión es esencialmente un problema de optimización: minimizar la varianza de los datos alrededor del modelo de regresión; cambiando los parámetros de regresión, en este sentido, no necesitamos otras técnicas especiales para ejecutar el análisis de regresión (Liu, 2013). Capítulo 2. Marco teórico 37 2.4.3 Modelos no estructurados en producción de PHAs Los modelos matemáticos son herramientas útiles para optimizar y controlar la formación de producto microbiano así como para comprender su metabolismo, además permiten revelar aspectos de la fisiología microbiana, mostrando interpretaciones razonables del trabajo experimental, resultando en el mejoramiento del conocimiento para alcanzar modelos matemáticos con predicciones cercanas a la realidad y por tanto al proceso (Lee et al., 1985; Nielsen et al., 1989). Los modelos cinéticos no estructurados fueron formalmente denominados de “caja negra”, en etapas iniciales, estos modelos matemáticos se enfocaron en la relación entre sustrato, biomasa y producto; una de las técnicas frecuentemente utilizadas consiste en realizar experimentos con medios de cultivo con fuente de carbón como sustrato limitante, mientras que los demás componentes se encuentran en exceso. Para este tipo de experimentos la ecuación de Monod para relacionar la velocidad de producción de biomasa con la concentración de sustrato ha sido frecuentemente incluida en las ecuaciones diferenciales de balance de masa de biomasa, sustrato limitante y producto (PHA), ya que sustenta el efecto limitante que puede tener un sustrato frente a la velocidad en que la bacteria se reproduce. Este tipo de aproximación puede ser aplicada en casos donde la producción de PHA se encuentra asociada al crecimiento (Novak, 2015). La posterior consideración de otros sustratos como limitantes para el crecimiento tuvo cierto efecto en las expresiones matemáticas para la velocidad de crecimiento de biomasa y producción de PHAs. En estos casos la velocidad especifica de crecimiento de la biomasa se expresó como una relación doble de la ecuación de Monod, un término para cada sustrato (Megee et al., 1972),tanto para mezclas de diferentes tipos de fuente de carbono, así como de nitrógeno (Dhanasekar et al., 2003). Sin embargo, este tipo de modificaciones a pesar de ser útiles a la hora de explicar los fenómenos de limitación no son suficientes para alcanzar un modelo cinético válido y acorde al comportamiento de la bacteria. Por otro lado, la introducción de nuevas especies y cepas modificadas genéticamente con comportamiento específico en su metabolismo para la biosíntesis de PHA, así como la aplicación de sustratos de bajo costo en la búsqueda de reducir los costos de producción, han propiciado la 38 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. búsqueda de mejores acercamientos en la construcción de modelos no estructurados; es el caso del efecto de inhibición de los sustratos el cual ha sido un factor de importancia introducido en las ecuaciones cinéticas, con el fin de adaptar los modelos matemáticos al comportamiento biológico. Diferentes términos de inhibición han sido reportados, como los propuestos por Aiba et al. (1968) y Moser (1985), en general, las aplicaciones de este tipo de efectos inhibitorios está influenciadas por: - La inhibición por fuentes de carbono orgánico (glicerol), efecto del pH (ácidos orgánicos), efectos generados por la presión osmótica (azucares), y efectos de supresión del catabolismo (comúnmente encontrado en cultivos con múltiples sustratos). - Los factores que dan comienzo a la acumulación de PHA en las fases finales del medio de cultivo son la limitación de nitrógeno o fósforo. Altas concentraciones de dichos compuestos actúan como inhibidores para la producción de PHA, por lo que un adecuado suministro de los mismos hace predominante la generación de más biomasa en lugar de PHA. La tercera adaptación realizada en los modelos no estructurados fue la introducción de la velocidad de consumo de fuente de carbono para energía de mantenimiento. Para dicho propósito la relación definida por Guthke para la ecuación de Monod es aplicada usualmente (Moser, 1985). Además, en experimentos bajo condiciones aerobias, se ha reconocido la influencia del oxígeno disuelto en la velocidad específica de crecimiento, así como en la formación de componentes metabólicos intracelulares como NADH, NADPH Y FADH2, los cuales son esenciales en la reducción de precursores de PHA (Acetoacetil-CoA) afectando así la velocidad de producción de PHA. Es así como algunos autores han hecho mejoras en modelos de baja estructuración, incluyendo el factor de oxígeno disuelto dentro de los modelos (Tohyama et al., 2002). Finalmente, la introducción del término de inhibición por producto en los modelos matemáticos se basa en que los gránulos generados por la célula participan en una fracción significativa de la masa celular; por lo tanto, el producto ocupa un alto porcentaje del volumen intracelular limitando su reproducción. Adicional a esto, se ha observado que algunas cepas detienen la producción de PHA cuando la fracción media del polímero sobrepasa cierto valor. Teniendo en cuenta las posibles restricciones en la biosíntesis de PHA algunos autores han implementado el término de Capítulo 2. Marco teórico 39 inhibición por producto para la velocidad específica de crecimiento, lo cual pueden ser descrito por la ecuación logística de acuerdo a Aiba et al. (1968) y la ecuación de Luong (Luong, 1985, 1987). 2.4.4 Aplicación de modelos matemáticos en el análisis de la producción y optimización de PHA La aplicación de la modelación de la cinética de microorganismos en procesos de optimización de PHA se pueden apreciar en trabajos como el de Horvat et al. (2013). En ese trabajo la producción de PHA parcialmente asociada al crecimiento fue elegido como estrategia de modelamiento, de esa manera el modelo de Luedeking-Piret’s fue seleccionado como herramienta para describir el fenómeno de producción de PHA parcialmente asociada al crecimiento. Además, la velocidad especifica de crecimiento fue relacionada de acuerdo a (Megee III et al., 1972; Mankad & Bungay, 1988) adaptado a la limitación de dos sustratos (nitrógeno y carbono). La primera etapa del régimen de biorreactores en cascada fue modelada de acuerdo al principio de nutrición balanceada en un sistema de producción continuo de biomasa; la segunda fue modelada como un proceso de sustrato controlado, mientras que las siguientes tres etapas fueron ajustadas para una producción de PHB bajo alimentación continua de fuente de carbono con limitación de nitrógeno. La simulación resultante por aplicación del modelo matemático con optimización computacional indicó que la productividad de PHB puede ser incrementada con el ajuste en el factor de dilución, así como en la concentración de nitrógeno y de la fuente de carbono en la alimentación. Recientemente Mozumder et al. (2014) contribuyeron con un modelo mecanístico que describe la producción de PHB de forma similar al trabajo publicado por Horvat et al. (2013), en este caso un cultivo puro de C. necátor DSM 545 fue modelado y validado bajo dos sustratos glucosa y glicerol proveniente de la producción de biodiesel. En este caso la bacteria produce PHB de forma no asociada al crecimiento, y la producción se estimula con bajas concentraciones de nitrógeno. Sin embargo, la síntesis de PHB asociada al crecimiento fue observada, aunque se inhibió por la presencia de nitrógeno. Para el modelo, se incluyó el crecimiento de biomasa, PHB y la inhibición no-linear por el producto además se tuvo en cuenta cuatro procesos principales, Crecimiento de biomasa por carbono, crecimiento de biomasa utilizando el PHB, producción de PHB y energía 40 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. de mantenimiento. El modelo matemático desarrollado fue simulado satisfactoriamente para la producción de PHB y los comportamiento dinámicos relacionados al crecimiento de biomasa heterotrófica para las dos fases del sistema de cultivo puro (Mozumder et al., 2014). Por otro lado, diferentes modelos se han propuesto considerando diferentes cepas, sustratos, cinéticas y propiedades de cultivo. Raje & Srivastava (1998) han investigado la producción continua de PHA por C. necátor B4383 en un cultivo con limitación de nitrógeno. Para definir la velocidad específica de crecimiento (µ), los autores utilizaron una combinación linear de la cinética de Monod y el término sigmoidal propuesto por Hill (Hill, 1910), adicionalmente se adicionó una corrección de inhibición en el modelo con el término de Luong el cual contiene la relación C/N y la generación de producto PHA. Luego de algunos años Patwardhan & Srivastava (2008) aplicaron un modelo idéntico para la cepa Ralstonia eutropha. Otro ejemplo de construcción de modelos no estructurados es presentado por Wang et al. (2010) y Yu et al. (2002). En ambos trabajos se consideró la cepa C. necátor ATTC 17699 y como fuente de carbono ácidos grasos volátiles, específicamente ácidos propiónico, acético y butírico. Para la elaboración del modelo, se aplicó la cinética de Monod en la velocidad de crecimiento, que fue complementada con un término del efecto de la toxicidad de los ácidos sobre la actividad celular; así mismo se aplicó el término de Luedeking-Piret para la descripción de la velocidad de producción de PHA. El modelo fue probado con cada ácido graso y la mezcla de los mismos. En otro estudio, Shahhosseini (2004) realizó la investigación de cultivo por lote alimentado con la especie Ralstonia eutropha ATTC 17697 con fructosa y amonio. En el modelo propuesto se incluye el término de Monod para la descripción de µ con respecto a la relación carbono/nitrógeno; igualmente se propone el término de limitación descrito por la ecuación de Luong, previamente mencionada por Yu et al. (2002). El modelo también incorpora la dependencia de la velocidad de producción sobre la concentración de biomasa y velocidad de crecimiento. Otro tipo de modelo, donde se tiene en cuenta el efecto de los sustratos predominantes en la producción de PHA es el propuesto por Khanna & Srivastava (2006a) donde se aplica para los sustratos de fructosa y nitrógeno la expresión sigmoidal propuesta por Hill (Hill, 1910), corregida con el efecto doble de inhibición por ambos sustratos basado en la ecuación de Luong. La Capítulo 2. Marco teórico 41 producción de PHA fue descrita con la ecuación de Luedeking-Piret y el consumo de los sustratos limitantes consideró el mantenimiento celular, además no se incluyó la inhibición por producto. De igual manera, para un proceso por lote alimentado con la bacteria R. eutropha ACM 1296, Patnaik (2006) aplicó el argumento de la relación C/N en la velocidad específica de crecimiento, con la dependencia de dos sustratos. Otro caso donde se incluye la influencia de dos sustratos en el modelo cinético es el propuesto por Shang et al. (2007) con R. eutropha NCIMB 11599 bajo limitación de fosfato como iniciador de la acumulación de PHB. La velocidad específica de crecimiento fue expresada con la doble limitación inducida por los sustratos (fósforo y carbono) con dos términos de Monod, y la velocidad de producción de PHB fue caracterizada combinando los términos de Andrews (que considera inhibición por glucosa en altas concentraciones), Jerusalimsky (iniciador de acumulación PHA) y logístico (inhibición por producto causada por bloqueo estérico). Por último, se observó que las altas concentraciones de glucosa inhiben la síntesis de PHB. A continuación, se resumen algunos de los modelos no estructurados mencionados anteriormente y otros que se han indagado como soporte teórico para la elaboración del presente trabajo. Capítulo 2. Marco teórico 43 Tabla 2-2: Ecuaciones propuestas por diferentes autores para la modelación y optimización de procesos de producción de PHAs. Referencias Velocidad especifica de crecimiento 𝜇 Mulchandani 𝑆𝑐 } 𝑆𝑐 + 𝐾𝑠𝑐 {𝜇𝑚𝑎𝑥 ∗ et al. (1989) ∗ {1 − Dhanasekar {𝜇𝑚𝑎𝑥 ∗ et al. (2003) 𝑑𝑋 𝑑𝑡 𝑑𝑆 𝑑𝑡 𝜇∗𝑋 (2004) 𝜇𝑚𝑎𝑥 ∗ − 𝑑𝑋 − 𝑘5 ∗ 𝑋 𝑑𝑡 −𝑘3 ∗ 𝑑𝑃 𝑑𝑡 𝑑𝑋 𝑑𝑡 𝑑𝑋 + 𝑘2 𝑑𝑡 ∗𝑋 𝑘1 ∗ (𝑆𝑐)2 } (𝑆𝑐𝑚)𝑛 𝑆𝑐 } 𝑆𝑐 + 𝐾𝑠𝑐 𝜇∗𝑋 − ∗ (1 𝑆𝑛 𝑆𝑐 𝑆𝑛 + 𝐾𝑆𝑛 𝑆𝑐 𝑆𝑐 𝜇∗𝑋 ∗1 𝑆𝑛 𝑚 ( 𝑆𝑐 ) (𝑆𝑐𝑚/𝑆𝑛𝑚)𝑚 − 1 𝑑𝑋 1 𝑑𝑃 ∗ − ∗ − 𝑘1 𝑌𝑋 𝑑𝑡 𝑌𝑃 𝑑𝑡 𝑆 𝑋 − ) 𝑋𝑚 Shahhosseini −𝑘4 ∗ 𝑑𝑁 𝑑𝑡 𝐹 𝑉 ∗𝑋 _ ∝∗ 𝑑𝑋 +𝛽∗𝑋 𝑑𝑡 𝑆 ∗𝑋 𝑑𝑋 𝐹 − 𝑘5 ∗ 𝑋 + 𝑑𝑡 𝑉 𝑑𝑉 − ∗ 𝑆𝑐 𝑉 ∗ 𝑑𝑡 −𝑘4 ∗ 𝑑𝑋 𝑑𝑡 𝐹𝑛 + 𝑉 𝑑𝑉 − 𝑉 ∗ 𝑑𝑡 −𝑘3 ∗ ∗ 𝑆𝑛 𝑑𝑋 + 𝑘2 𝑑𝑡 𝐹 ∗𝑋− ∗𝑃 𝑉 𝑘1 ∗ 44 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 𝑆𝑛 𝑆𝑐 Patnaik 𝜇𝑚 ∗ (2006) 𝑆𝑛 + 𝐾𝑆𝑛 𝑆𝑐 𝑆𝑐 𝜇∗𝑋 ∗1 𝑆𝑛 𝑚 ( 𝑆𝑐 ) − (𝑆𝑐𝑚/𝑆𝑛𝑚)𝑚 − 𝐹 𝑉 ∗𝑋 𝑑𝑋 𝐹 − 𝑘5 ∗ 𝑋 + 𝑑𝑡 𝑉 𝑑𝑉 − ∗ 𝑆𝑐 𝑉 ∗ 𝑑𝑡 −𝑘4 ∗ 𝑑𝑋 𝑑𝑡 𝐹𝑛 + 𝑉 𝑑𝑉 − 𝑉 ∗ 𝑑𝑡 −𝑘3 ∗ 𝑑𝑋 + 𝑘2 𝑑𝑡 𝐹 ∗𝑋 ∗𝑃 𝑉 −𝑘1 ∗ ∗ 𝑆𝑛 Shang et al. {𝜇𝑚𝑎𝑥 ∗ (2007) 𝑆𝑐 𝐾1 ∗ 𝑆𝑐2 ∗ } 𝑆𝑐 + 𝐾𝑠𝑐1 𝑆𝑐2 + 𝐾𝑠𝑐2 𝜇∗𝑋 𝐹 ∗ 𝑆𝑐 − 1 𝑑𝑋 1 ∗ − 𝑌 𝑋 𝑑𝑡 𝑌 𝑃 𝑆𝑐 𝛽𝑚1 ∗ 𝑆𝑐 𝑑𝑃 ∗ − 𝑌𝑚 ∗ 𝑋 𝑘𝑓𝑜𝑠𝑓𝑎𝑡𝑜/𝑋 𝑑𝑡 𝑆𝑐 𝑆2 𝑆1 + 𝑘𝑆 + 𝐾𝑐 𝑠𝑐 ∗ ∗𝜇∗𝑋 𝑘2 ∗ (1 𝑘3 + 𝑆𝑛 − Gahlawat & Srivastava (2013) {𝜇𝑚𝑎𝑥 ∗ 𝑆𝑐 𝑆𝑐 + Ksc 𝑛1 ∗ (𝑆𝑛) } 𝑆𝑛𝑛1 + 𝐾𝑛𝑛1 (𝑆𝑛)𝑎 𝐾𝑐𝑖 ∗ {1 − ∗ } { } (𝑆𝑛𝑚)𝑎 𝐾𝑐𝑖 + 𝑆𝑐 (𝜇 − 𝐷) ∗𝑋 𝜇 − ( + 𝑚𝑐 ) ∗ 𝑋 + 𝐷 𝑌𝑋 𝑆 𝜇 −( 𝑌𝑋 𝑆𝑛 ∗ (𝑆𝑐𝑓 − 𝑆𝑐) + 𝑚𝑛 ) ∗ 𝑋 + 𝐷 ∗ (𝑆𝑛 − 𝑆𝑛𝑓 ) 𝑃 𝑃𝑚𝑎𝑥 ) −𝑘1 ∗ 𝜇 ∗ 𝑋 − 𝐷 ∗𝑃 Capítulo 2. Marco teórico Heinzle & Lafferty 45 𝑆𝑛 + 𝜇𝑚𝑎𝑥2 {𝜇𝑚𝑎𝑥1 ∗ 𝑆𝑛 + 𝐾𝑠𝑛1 −1 ∗𝜇∗𝑋 𝑌𝑋 𝜇∗𝑋 𝜇 ∗𝜇∗𝑋 𝑌𝑃 - 𝑋 𝑆𝑐 (1980) + 𝑛 𝑆𝑛 ( ) 𝐾𝑠𝑛2 ∗ } 𝑆𝑛 𝑛 1+( ) 𝐾𝑠𝑛2 Raje & Srivastava 𝑆𝑛 + 𝜇𝑚𝑎𝑥2 {𝜇𝑚𝑎𝑥1 ∗ 𝑆𝑛 + 𝐾𝑠𝑛1 (1998) 𝑆𝑛 ( ) 𝐾𝑠𝑛2 ∗ } 𝑆𝑛 𝑛 1 + (𝐾𝑠𝑛 ) 2 𝑆𝑛 𝑚 ( 𝑆𝑐 ) ∗ 1− 𝑛 { (𝑆𝑚𝑆𝑛 ) 𝑆𝑐 ∗ (−𝑘1 ∗ 𝑃 + 𝑘2 ∗ 𝑋) 𝜇∗𝑋 − 𝐹 𝑉 ∗𝑋 𝑛 𝑑𝑋 𝑑𝑃 +𝛽∗ +𝛾 𝑑𝑡 𝑑𝑡 𝐹1 𝐹 ∗ 𝑋) + 𝑆𝑐𝑓 − 𝑆𝑐 𝑉 𝑉 − (𝛼 ∗ −𝑑 ∗ 𝑑𝑋 𝐹1 + 𝑑𝑡 𝑉 ∗ 𝑆𝑛𝑓 𝐹 − 𝑆𝑛 𝑉 {𝑘1 ∗ (𝑋 − 𝑋𝑚𝑖𝑛 ) − 𝑘2 ∗ 𝑃)} 𝐾𝑠𝑛 𝐾𝑠𝑛 + 𝑆𝑛 𝑑𝑋 𝐹 +𝑒∗ − 𝑑𝑡 𝑉 ∗ ∗𝑃 } 𝐾𝑖 𝐾𝑖 + S 46 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Patwardhan & Srivastava 𝑆𝑛 + 𝜇𝑚𝑎𝑥2 {𝜇𝑚𝑎𝑥1 ∗ 𝑆𝑛 + 𝐾𝑠𝑛1 𝜇∗𝑋 (2004) 𝑛 𝑆𝑛 (𝐾𝑠𝑛 ) 2 ∗ } 𝑆𝑛 𝑛 1+( ) 𝐾𝑠𝑛2 𝑑𝑋 𝑑𝑃 + 𝑘2 ∗ + 𝑘3 𝑑𝑡 𝑑𝑡 𝐹2 𝐹 ∗ 𝑋) + ∗ 𝑆𝑐𝑓 − 𝑆𝑐 𝑉 𝑉 − (𝑘1 ∗ −𝑌 𝑋 ∗ 𝑆𝑛 𝑑𝑋 𝑑𝑡 {𝑘4 ∗ (𝑋 − 𝑋𝑚𝑖𝑛 ) 𝐹1 ∗ 𝑆𝑛𝑓 𝑉 𝐹 − 𝑆𝑛 𝑉 − 𝑘5 ∗ 𝑃)} + 𝐾𝑠𝑛 𝐾𝑠𝑛 + 𝑆𝑛 𝑑𝑋 + 𝑘6 ∗ 𝑑𝑡 𝐹 − ∗𝑃 𝑉 ∗ 𝑆𝑛 𝑛 ( ) ∗ 1 − 𝑆𝑐 𝑛 (𝑆𝑚𝑆𝑛 ) { Khanna & Srivastava (2006) 𝑆𝑐 {𝜇𝑚𝑎𝑥 ∗ } 𝑆𝑐 𝑛1 𝑆𝑐 𝑛1 + 𝐾𝑠𝑐 𝑛1 𝑛2 ∗ 𝑆𝑛 } 𝑆𝑛 + 𝐾𝑠𝑛𝑛2 𝑛2 ∗ {1 − ∗ {1 − (𝑆𝑐)𝑎1 } (𝑆𝑐𝑚)𝑎1 (𝑆𝑛)𝑎2 } (𝑆𝑛𝑚)𝑎2 𝜇∗𝑋 − 𝐹 𝑉 ∗𝑋 −(𝛼 ∗ 𝜇 + 𝛾) ∗ 𝑋 + 𝐹1 ∗ 𝑆𝑐𝑓 𝑉 𝑆𝑛 𝐹 − 𝑆𝑐 𝑉 −( ∗𝑋+ 𝜇 𝐹2 + 𝑚𝑛 ) ∗ 𝑋 + 𝑌𝑋 𝑉 𝑆𝑐2 ∗ 𝑆𝑐𝑓2 − 𝜇∗𝑋 − 𝑚𝑛 𝑌𝑋 𝑑𝑋 + 𝑘2 ∗ 𝑋 𝑑𝑡 𝐹 − ∗𝑃 𝑉 ∗ 𝑆𝑛𝑓 − 𝐹 𝑆𝑛 𝑉 𝐹2 𝑉 𝑘1 𝐹 𝑆𝑛 𝑉 Donde D corresponde a la dilución, 𝐹 a flujos de alimentación, los sub índices corresponden al número del flujo (𝐹1 , 𝐹2) de alimentación, 𝐹𝑛 flujo de alimentación que contiene únicamente fuente de nitrógeno. 𝑓𝑃𝐻𝐴 fracción de polímero en biomasa. 𝐾𝑖, 𝐾𝑛𝑖, 𝐾𝑐𝑖, 𝐾𝑝𝑖 constante de inhibición por nitrógeno, carbono y producto. 𝑆𝑛𝑚, 𝑆𝑐𝑚, 𝑆𝑚𝑆𝑛 𝑆𝑐 concentración máxima inhibitoria por nitrógeno, fuente de carbono, relación concentración fuente de nitrógeno y carbono. Capítulo 2. Marco teórico 47 𝐾𝑠𝑝, 𝐾𝑠𝑛, 𝐾𝑠𝑐, constante de afinidad por producto, nitrógeno y fuente de carbono. 𝑚𝑐 , 𝑚𝑛 constante de mantenimiento por fuente de carbono y fuente de nitrógeno. 𝑆𝑛, 𝑆𝑐 concentración de sustrato fuente de amonio y fuente de carbono. 𝑆𝑛𝑓 y 𝑆𝑐𝑓 concentración de fuente de nitrógeno y carbono en los flujos de alimentación. V volumen del reactor X, biomasa 𝑌𝑥+𝑝 rendimiento fuente de carbono biomasa y producto. 𝑌 𝑥 rendimiento fuente de amonio y biomasa. 𝑌𝑃 rendimiento 𝑆𝑐 𝑆𝑛 𝑆 sustrato producto. α, β, 𝛾 constantes relacionadas al producto. 𝑎1, 𝑎2, 𝑛2, 𝑛1, e constantes que relacionan la concentración inhibitoria de sustratos. 𝑘1 , 𝑘2 … 𝑘𝑛 , constantes relacionadas al producto, 𝜇max velocidad especifica de crecimiento máxima. Capítulo 2. Marco teórico 49 Regímenes operacionales de cultivo. 2.5.1 Cultivo por lote En la operación por lote, todos los componentes esenciales para el crecimiento del microorganismo y el inóculo son adicionados al principio del proceso de fermentación sin adicionar posteriormente más medio de cultivo al biorreactor; por consiguiente, las concentraciones de los componentes no son controladas, por lo tanto, las variaciones en la concentración en el biorreactor de los diferentes sustratos están sujetas al consumo de los microrganismos. Los productos tanto intracelulares como extracelulares, así como la biomasa son recolectados solamente al final del proceso. Por otro lado, el control de pH, temperatura, oxígeno disuelto y espuma es mantenido durante el periodo de fermentación. Teniendo en cuenta lo anterior, los únicos parámetros de optimización en este tipo de proceso es la composición inicial del medio así como parámetros de control, como pH y temperatura (Lim & Shin, 2013). 2.5.2 Cultivo continuo La operación en continuo consiste en la inyección, de forma continua, de corrientes de alimentación que contienen los nutrientes necesarios para el microrganismo, mientras que una corriente de salida conteniendo biomasa, productos y residuos son removidos, también continuamente. Es necesario reconocer que en el estado estacionario las velocidades de flujo tanto de salida como de entrada son iguales, lo que mantiene el volumen del reactor constante, así como los valores de la concentración de los nutrientes. El procesamiento en este régimen posee algunas desventajas, lo que lo hace poco dominante en las operaciones industriales, principalmente por la posibilidad de contaminación con otros microorganismos, así como por los procesos de mutación que pueden darse por los largos periodos en los que se debe mantener el bioproceso, además es frecuente que en operaciones en estado estacionario los rendimientos sean inferiores a los de procesos en estado dinámico (Lim & Shin, 2013). 50 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 2.5.3 Cultivo en lote alimentado El cultivo en lote alimentado es una clase de operación semi lote, en la que los nutrientes necesarios para el crecimiento celular y la formación de producto son alimentados intermitentemente o continuamente por medio de una o más corrientes de alimentación durante el transcurso de una operación por lote. El medio o cultivo es usualmente cosechado parcial o totalmente al final del proceso, en el caso de recolección parcial del medio de cultivo, se debe a que el remanente servirá como inóculo para una siguiente corrida. Este proceso puede ser repetitivo en un mismo reactor un gran número de veces, si las células mantienen su viabilidad y productividad. Es importante aclarar que el proceso no tiene corrientes de salida en el rector, por lo que el volumen se incrementa durante el transcurso del mismo hasta alcanzar, la mayoría de veces, el volumen máximo del reactor, en este punto se puede implementar un periodo de operación por lote, para que los nutrientes sean totalmente consumidos y se alcance el máximo provecho en biomasa o producto (Lim & Shin, 2013). El cultivo en lote alimentado es una operación dinámica, y las velocidades de alimentación y las concentraciones de los nutrientes limitantes pueden ser ajustadas tanto para mantener concentraciones constantes de los nutrientes, como para lograr perfiles de concentración optimizados o para alcanzar concentraciones máximas de producto, lo que hace de este modo de operación una alternativa interesante para diferentes biorreacciones. 3. Materiales y métodos Microorganismo El microorganismo empleado en el presente trabajo fue la cepa Burkholderia cepacia B27. Dicha bacteria se obtuvo a partir de una estrategia de mutación al azar mediante un transposón de la Ralstonia eutropha y Burkholderia sp 2G57 proveniente del Valle del Cauca la cual fue aislada y caracterizada en los trabajos realizados por Moreno & Serrato (2004) y Revelo (2005); después de las mutaciones se seleccionaron las cepas con mayor acumulación de PHA. Las cepas obtenidas por este método alcanzaron en procesos de fermentación una acumulación de PHA entre 53 % y 83 % en comparación con la 2G57. La cepa que presentó la mayor acumulación de PHA en 2,5 L utilizando las condiciones básicas de la cepa 2G57 hacen parte del grupo de las Burkholderia cepacia, la cual fue luego denominada como Burkholderia cepacia B27 Para garantizar que las cepas no sufrieran mutaciones genéticas en el transcurso del trabajo, y la concentración de biomasa fuera lo más homogénea posible durante la preparación del inóculo, fue necesaria la elaboración de un stock de trabajo que constó de 70 crioviales cada uno con 800 µL. Las bacterias fueron reproducidas en medio LB (Becerra, 2013) con un 30 % de glicerol como crioconservante y congeladas a una temperatura de –20 ºC. Tren de inóculo y medio de cultivo Para los diferentes ensayos realizados en el presente trabajo, se establecieron dos tipos de trenes de inóculo, uno para los experimentos a escala matraz y por otro lado el correspondiente a los desarrollados en biorreactor a escala laboratorio (todos los medios fueron esterilizados a 120 ºC por 30 minutos). Para el primero 500 µL de criovial son agregados a 45 mL de medio LB contenido en un matraz de 250 mL que es agitado a 200 rpm y 32 ºC durante 24 horas, luego de este tiempo el medio es inoculado en un matraz 52 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. de 1000 mL con 200 mL de medio LB y se incubó con las mismas características anteriormente mencionadas; finalmente se distribuyó 15 mL del medio inoculante en cada matraz para los experimentos en esta escala. Para la preparación del tren de inóculo en el biorreactor se tomaron 500 µL del criovial se adicionó a 45 mL de medio LB en un matraz de 250 mL que es agitado a 200 rpm y 32 ºC durante 24 horas, luego este es transvasado a otro matraz conteniendo 450 mL de medio de cultivo y 2000 mL de volumen total. La información completa sobre la composición del medio de cultivo esta condensado en el Anexo A. cabe aclarar que dicho medio ya viene optimizado del trabajo resultante del proyecto 29552 Convocatoria Colciencias 523 de 2011 “USO DE PLÁSTICOS VERDES (POLIHIDROXIALCANOATOS) PARA LA FABRICACIÓN RENTABLE DE EMPAQUES COMPLETAMENTE BIODEGRADABLES REQUERIDOS EN LA INDUSTRIA”. Estudios preliminares de inhibición y limitación de sustrato Los experimentos iniciales tuvieron como objetivo estudiar el comportamiento a escala matraz bajo condiciones de sustrato diferentes; estos experimentos se llevaron a cabo en Erlenmeyer de 500 mL con un volumen de medio de cultivo de 150 mL, el volumen del medio para esta parte del trabajo fue establecido con base en experimentos previos de espacio de cabeza, los cuales mostraron que la velocidad especifica de crecimiento no se ve afectada con el cambio de volumen de medio de 250 mL a 150 mL, volúmenes inferiores afectan la agitación y tienden a evaporar más rápido el medio induciendo al error de la biomasa cuantificada. Para los ensayos se asumió como sustratos limitantes aceite vegetal (A.V) comercial mazorca de oro (Grasco Ltda. Mezcla de aceite de maíz y de soya) y sulfato de amonio (S.A.) grado alimenticio, ya que son los componentes principales en la producción de biomasa y generación de PHA. El aceite vegetal fue seleccionado por su bajo precio comparado con un ácido graso; a pesar de que también se indago en un residuo del proceso de producción de aceite, este se descartó por las características físicas, las cuales eran complejas de manejar en el biorreactor por su estado semisoalido, además de aumentar más la variabilidad. Se evaluaron diferentes concentraciones de aceite vegetal en un rango de 0.5 a 170 g/L, con concentración constante de sulfato de amonio (2.8 g/L) y los demás componentes del medio de cultivo (Anexo A). De igual forma para el estudio del efecto del sulfato de amonio sobre la biomasa se estableció un rango de concentraciones desde 0.2 hasta 10 g/L de sulfato de amonio, con concentración constante Capítulo 3. Materiales y métodos 53 de aceite vegetal de 20 g/L, así como los demás componentes del medio. Los experimentos en matraz fueron realizados bajo condiciones de temperatura constante, 32 ºC, con agitación de 200 rpm. Las fermentaciones se desarrollaron por 30 horas, con muestras cada 6 o 12 horas. Se cuantificó la concentración de biomasa en cada muestra por triplicado y se determinó la velocidad específica de crecimiento máxima para cada experimento. En la Tabla 3-1 se muestran las diferentes concentraciones empleadas en los experimentos en escala matraz. Tabla 3-1: Concentraciones para los experimentos a escala matraz Concentraciones de aceite Concentrac Concentraciones de sulfato de Concentr vegetal (g/L) iones de amonio (g/L) ación sulfato de aceite amonio vegetal (g/L) (g/L) 0.5 2.8 0.2 20 2 2.8 0.4 20 4 2.8 0.8 20 8 2.8 1 20 12 2.8 1.4 20 14 2.8 1.8 20 16 2.8 2.3 20 20 2.8 2.8 20 30 2.8 3.2 20 60 2.8 6.2 20 70 2.8 8 20 80 2.8 10 20 100 2.8 130 2.8 - 140 2.8 - 160 2.8 - 170 2.8 - 54 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Experimentos en biorreactor escala laboratorio Los ensayos para la obtención de la cinética microbiana fueron realizados en escala laboratorio con operación por lote, en un BioFlo CelliGen 115 Brunswick (Eppendorf AG, Germany) de 7 L de volumen total, con suministro de aire proveniente de compresor industrial. En los experimentos se utilizó 4,5 L de medio estéril (Anexo A) con 500 mL de inóculo. El pH del medio fue mantenido en 7 ± 0.5, empleando NaOH 3N, y la temperatura en 32 ºC. El flujo de oxígeno fue mantenido en 2 vvm con el fin de asegurar que no fuera una limitante dentro del proceso sin control de OD y los periodos de fermentación oscilaron entre 72 y 96 horas. Se tomaron muestras de cada 6 o 14 horas. El monitoreo de la pureza del medio fue realizado con tinción de gram (Anexo B-5) y crecimiento directo sobre agar nutritivo con siembra directa. Métodos analíticos Para obtener la información del ajuste del modelo matemático, en los diferentes experimentos fue necesario medir la concentración de biomasa, amonio residual, PHAs y aceite vegetal residual. 3.5.1 Cuantificación de biomasa La concentración de biomasa fue determinada por el método gravimétrico sugerido por Yang et al. (2006). En Falcon de 15 mL previamente pesados se adicionan muestras de 5 mL de medio de cultivo estos son centrifugados a 9000 g (Hermle Z380) durante 10 min. Luego se descarta el sobrenadante y se resuspende el precipitado con agua destilada hasta alcanzar el volumen inicial, se realiza el lavado dos veces más. Luego el precipitado obtenido es secado en horno durante 24 horas a 80 ± 5 °C hasta alcanzar un peso estable para luego ser pesado (Yang et al., 2006). 3.5.2 Cuantificación de amonio residual La concentración de amonio residual en el medio de cultivo fue estimada por el método de Berthelot o azul indofenol, descrito por Gumel et al., (2012). En el cual el ion amonio reacciona con hipoclorito y fenol, generando un compuesto coloreado que se registra a 640 nm. Se toman 0.150 mL de muestra a partir del sobrenadante del medio de cultivo Capítulo 3. Materiales y métodos 55 obtenido por centrifugación (9000 g por 10 min) el cual es diluido con 5 mL de agua destilada (el factor de dilución depende de la cantidad de amonio en la muestra ya que el método es fiable para concentraciones inferiores a 4 mg/L. Luego de la reacción, la coloración es cuantificada con un espectrofotómetro Genesys 10s UV-Vis (Thermo Fisher scientific, USA). El amonio residual es cuantificado por medio de una curva de calibración con concentraciones de amonio conocidas (Anexo B-4). 3.5.3 Cuantificación de PHA Para la cuantificación del polímero, se parte del procedimiento de cuantificación de biomasa sin el paso de secado, buscando que la biomasa sin residuos del medio de cultivo pueda ser digerida y el PHA cuantificado. El precipitado obtenido se resuspende en agua destilada con 0.55 (mL/g biomasa) de solución de dodecil sulfato sódico (SDS) al 20 % y digeridos a 90 ºC durante 1 hora, luego las muestras son centrifugadas a 9000 g por 5 min, resuspendidas en agua destilada y centrifugadas bajo las mismas condiciones dos veces, para remover los residuos de SDS y biomasa. Finalmente, los tubos Falcon son colocados a secar a 80 ± 5 °C durante 24 horas y pesados. 3.5.4 Cuantificación del aceite vegetal residual El aceite vegetal residual fue cuantificado con el método descrito por Kahar et al. (2004). Se toma 2 mL de muestra del medio de cultivo y se adicionan en un tubo de ensayo conteniendo 5 mL de hexano; se mezclan con vortex durante 1 min, después se toma 1 mL de la capa de hexano resultante y se transfiere a un tubo previamente pesado para luego ser rotaevaporado a 78 ºC hasta que la fase de hexano se evapore, finalmente el tubo es pesado. La concentración de aceite vegetal fue estimada como la cantidad de aceite extraída por el solvente. 3.5.5 Estimación de aceite vegetal por balance de masa Debido a las dificultades con la cuantificación del aceite, principalmente por el grado de saturación máxima a la que puede llegar el solvente (hexano) con el aceite para removerlo del medio, se estimó un balance teórico de la cantidad de aceite consumido, la cual fue luego verificada teniendo en cuenta la cantidad de biomasa generada a bajas 56 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. concentraciones de fuente de carbono en el reactor, donde el crecimiento de la bacteria se detiene totalmente por la ausencia de carbono en el medio. (ver sección 4.1.3). Métodos matemáticos 3.6.1 Ajuste de parámetros del modelo El ajuste de parámetros para los modelos a escala erlenmeyer fue obtenido por medio de la función fminsearch de Matlab, donde se buscó reducir la suma de la diferencia cuadrática entre los valores predichos y experimentales (ecuación 3-1) hasta encontrar los parámetros que satisfagan la condición. 𝒏 𝑺𝑫𝑪 = ∑𝐢=𝟏(𝒚𝒊 − 𝒇(𝒙𝒊 ))𝟐 (3-1) donde 𝑦𝑖 son los datos experimentales, 𝑓(𝑥𝑖 ) son los datos generados por el modelo y 𝑛 el número de datos experimentales. Los parámetros de las ecuaciones del modelo matemático a escala Bioflo 7 L fueron estimados por la minimización de la suma de las diferencias cuadráticas (SDC) entre los datos experimentales y los datos suministrados por el modelo (Ecuación 3-1). El programa de búsqueda para la estimación de los parámetros cinéticos fue desarrollado en Matlab®. El ajuste de parámetros para el modelo fue obtenido por medio de la función fminsearch, la cual se basa en la optimización no lineal sin restricciones, reduciendo el valor de SDC al mínimo. Para la búsqueda de los parámetros del modelo cinético el sistema de ecuaciones diferenciales fue resuelto por un programa de integración numérica basado en el método Runge-Kutta Method de 4º orden. El programa de optimización para la búsqueda directa del mínimo de la función multivariable (función objetivo) se basaron en el algoritmo propuesto por (Anexo D-1) Kaur et al.,(2012); Patwardhan & Srivastava (2008). 3.6.2 Verificación del modelo Para evaluar la validez del modelo matemático frente a los datos experimentales, se estimó la precisión de los datos simulados por el modelo con el método de coeficientes de eficiencia Nash–Sutcliffe (Nash & Sutcliffe, 1970; Mozumder et al., 2014), el cual describe cuantitativamente cuan acertados son los datos simulados y en este sentido evalúa que tan bueno es el poder predictivo del modelo: Capítulo 3. Materiales y métodos 𝑬=𝟏− 𝒎 𝟐 ∑𝑻 𝒕=𝟎(𝒚𝒕 −𝒚𝒕 ) ∑𝑻 ̅)𝟐 𝒕=𝟎(𝒚𝒕 −𝒚 57 (3-2) donde 𝑦𝑡 corresponde a los datos experimentales 𝑦𝑡𝑚 a los datos modelados y 𝑦̅ al promedio de los datos experimentales. El rango de la eficiencia de Nash–Sutcliffe va desde −∞ hasta 1. Una eficiencia de 1 (E=1) corresponde a un ajuste perfecto de los datos estimados por el modelo con respecto a los datos experimentales. Una eficiencia de 0 (E=0) indica que la predicción del modelo es tan acertada como la media de los datos observados, mientras que una eficiencia menor a cero (E<0) indica que la media de los datos experimentales tiene una mejor predicción que el mismo modelo. En esencia, entre más cercano el valor E a 1 el modelo es más exacto. 3.6.3 Optimización de las condiciones operacionales Para el proceso de optimización de las condiciones operacionales, se establecieron dos tipos de alimentación, flujo de alimentación y pulso. Así mismo, se establecieron concentraciones de sustratos constantes durante la aplicación del flujo de alimentación, tanto para el amonio como para el aceite vegetal, además, se manejaron de manera proporcional las concentraciones de todos los elementos del medio de alimentación evitando el agotamiento de alguno de los componentes. Como función objetivo se definió maximizar la concentración de PHA al final del proceso de 72 h y las ecuaciones diferenciales que definen la cinética de la bacteria conformaron las restricciones; otras restricciones fueron el caudal máximo hasta el cual puede ser alimentado el reactor (1.8 L), y el volumen máximo de trabajo del reactor 5 L. El código para la optimización se desarrolló en Matlab y se encuentra en el Anexo D. 4. Resultados y discusión Para el modelamiento matemático se consideró inicialmente una estructura estándar para lo cual, a partir de los experimentos en matraz, se identificaron los fenómenos de limitación e inhibición y se generaron estimativas iniciales para los parámetros respectivos, y posteriormente se ajustó el modelo con los datos de biorreactor. El análisis de las observaciones de la dinámica en la biorreacción y del ajuste del modelo llevo a sugerir modificaciones en el mismo, que llevaron a un modelo con parámetros variables. Desarrollo del modelo inicial con parámetros constantes 4.1.1 Análisis de limitación e inhibición en escala matraz Con el fin de analizar el comportamiento fenomenológico de la cepa de estudio, los experimentos a escala matraz nos muestran un indicativo del efecto de la concentración de los sustratos principales (aceite vegetal y sulfato de amonio) sobre la velocidad específica de crecimiento. Varios autores han establecido que los sustratos limitantes e inhibitorios en la producción de PHAs son la fuente de carbono y nitrógeno (Khanna & Srivastava, 2006; Mozumder et al., 2014; Mulchandani et al., 1989; Patnaik, 2005) aunque algunos trabajos sólo mencionan la ausencia de la fuente de nitrógeno como el iniciador de la producción de PHA y principal factor para la generación de biomasa (Heinzle & Lafferty, 1980; Horvat et al., 2013). Lo anterior debido principalmente a que la fuente de carbono es el recurso de la bacteria para la producción del polímero y el nitrógeno es un nutriente esencial en crecimiento de biomasa, por lo que el control del nitrógeno u otros nutrientes en el proceso (fósforo por ejemplo) promueve la producción de PHA, dependiendo del tipo de bacteria y sus preferencias (Verlinden et al., 2007). Resultados y discusión 59 Con base en lo anterior se realizaron experimentos con variación de nitrógeno o aceite vegetal dejando los demás componentes constantes. A partir de los datos experimentales obtenidos de los ensayos realizados con la fuente de nitrógeno en condiciones de limitación (Figura 4-1A), se pudo observar una tendencia del cambio de la velocidad específica de crecimiento a partir de la variación de concentración, con un comportamiento similar al de la ecuación de Monod (Ecuación 4-1), la cual fue igualmente aplicada para el fenómeno de limitación por fuente de carbono (Figura 4-2 A). 𝑺 𝝁 = 𝝁𝒎 ∗ 𝑺+𝑲 (4-1) 𝑺 Donde 𝜇𝑚 es la velocidad específica de crecimiento máxima cuando 𝑆 ≫ 𝐾𝑆 y la concentración de los demás nutrientes es constante, 𝐾𝑆 es el valor de la concentración de sustrato limitante en la que la velocidad específica de crecimiento es la mitad de su valor máximo y 𝑆 la concentración de sustrato en el medio. En la literatura para modelos de caja negra, el modelo de Monod ha sido ampliamente estudiado para explicar fenómenos de limitación de sustrato en las bacterias productoras de PHA (Novak, 2015). Por otro lado, el efecto inhibitorio de los sustratos fue representado por la ecuación propuesta por Luong (1987) (Ecuación 4-2) para inhibición por sustratos, la cual ajusta muy bien para los dos sustratos (aceite vegetal y sulfato de amonio) (Figuras 4-1B y 4-2B). Autores como Annuar & Tan (2006) han reportado el efecto inhibitorio de las concentraciones de amonio en Pseudomona putida PGA1, indicando que a concentraciones del ion amonio superiores a 0.1 g/L se empieza a reducir la velocidad específica de crecimiento de la bacteria; dicho fenómeno ha sido reportado anteriormente por Suzuki et al. (1986b), quienes probaron 6 tipos de sales de amonio para el crecimiento de Pseudomonas sp. K en metanol, establecieron la concentración óptima del ion amonio en 0.2 g/L y una severa inhibición cuando este alcanza concentraciones sobre 1.0 g/L, debido al efecto toxico que puede tener. Para el presente trabajo caso se encontró una inhibición completa del crecimiento cuando la concentración de sulfato de amonio sobre pasa los 9.1 g/L. 𝜇 = 𝜇𝑚 (1 − ( 𝑆 𝑆𝑚 𝑎 )) donde 𝑆𝑚 es la concentración que genera inhibición total del crecimiento. (4-2) 60 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. A B Figura 4-1: Comportamiento de la velocidad especifica de crecimiento (𝝁) como función de la fuente de nitrógeno en condiciones de limitación (A) y exceso (B), las líneas continuas representan los valores ajustados, y los puntos los datos experimentales. Resultados y discusión 61 A B Figura 4-2: Comportamiento de la velocidad específica de crecimiento (𝝁) como función de la fuente de carbono en condiciones de limitación (A) y exceso (B), las líneas continuas representan los valores ajustados y los puntos son los datos experimentales. 62 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Con los fenómenos identificados, el modelo propuesto para la generación de biomasa en el tiempo fue: 𝑑𝑋 𝑆𝑐 𝑆𝑛 𝑆𝑐 𝑎1 𝑆𝑛 𝑎2 = [𝜇max ∙ ( )∙( ) ∙ (1 − ( ) ) ∙ (1 − ( ) )] ∙ 𝑋 𝑑𝑡 𝐾sc + 𝑆𝑐 𝐾sn + 𝑆𝑛 𝑆𝑐𝑚 𝑆𝑛𝑚 (4-3) donde 𝐾sc y 𝐾sn son las constantes de afinidad para el aceite vegetal y sulfato de amonio respectivamente, 𝑎1 y 𝑎2 son parámetros cinéticos adimensionales, 𝑋 es la concentración de biomasa, 𝑆𝑐𝑚 y 𝑆𝑛𝑚 son las concentraciones máximas donde se inhibe el crecimiento de la bacteria para la fuente de carbono y nitrógeno respectivamente. A partir de los cuatro grupos de experimentos se generaron los valores iniciales de los parámetros presentados en la Tabla 4-1, junto al coeficiente de determinación R2 para cada ecuación Tabla 4-1: Parámetros y coeficiente de correlación para los modelos propuestos para la velocidad específica de crecimiento. parámetro valor parámetro valor parámetro valor R2 𝜇𝑚𝑎𝑥 0.071 h-1 𝐾sc 0.035 g/L 𝜇𝑚𝑎𝑥 0.056 h-1 𝑆𝑐𝑚 168 g/L 𝜇𝑚𝑎𝑥 0.053 h-1 𝐾sn 0.048 g/L 𝜇𝑚𝑎𝑥 0.041 h-1 𝑆𝑛𝑚 10.08 g/L 𝑎2 0.93 𝑎1 4.76 0.94 0.97 4.81 0.98 El comportamiento de la velocidad especifica de crecimiento de la bacteria mostro la alta incidencia de los sustratos prominentes de sulfato de amonio y aceite vegetal, al observarse estados de total inhibición con ambos sustratos bajo concentraciones especificas (168 g/L A.V. y 10 g/L S.A.), así como estados limitación de la velocidad de crecimiento cuando estos se encuentran a bajas concentraciones. Además el trabajo en Erlenmeyer nos da una mirada global sobre las preferencias de la bacteria y su comportamiento en la velocidad de crecimiento, que es esencial para establecer los modelos matemáticos como se ha realizado en diversos trabajos (Kaur et al., 2012; Raje & Srivastava 1998; Gahlawat & Srivastava 2013; Khanna & Srivastava 2005, 2008; Gahlawat & Srivastava 2012; Patwardhan & Srivastava 2004). Resultados y discusión 63 4.1.2 Ajuste del modelo en escala biorreactor (Bioflo 7 L) Aunque los modelos matemáticos obtenidos a escala matraz mostraron un buen ajuste, se hace necesario reestimar los parámetros del modelo cuando se establece un proceso a una escala mayor, principalmente por las condiciones diferenciadas que un biorreactor tiene sobre un Erlenmeyer, tales como agitación, aireación, control de pH que promueven no sólo nuevos efectos de turbulencia y transferencia de masa (Doran, 2013), como también condiciones operacionales diferentes. Por lo anterior se llevaron a cabo experimentos para definir la cinética bacteriana de la Burkholderia cepacia B27 los cuales se realizaron durante 72 horas, tiempo en el que se alcanza la fase estacionaria de la bacteria bajo condiciones de sustrato inicial de 20 g/L de aceite vegetal y 2.8 g/L de sulfato de amonio, establecidas en trabajos anteriores del grupo de investigación como las mejores concentraciones para la bacteria en operación por lote para producción de biomasa y PHA. La Figura 4-3A muestra la cinética obtenida de la B. cepacia B27 bajo condiciones óptimas, donde las concentraciones máximas de biomasa y PHA obtenidas al final de las 72 h fueron de 15.4 g/L y 14.0 g/L, respectivamente, con un contenido de PHA del 86 % en peso seco. Además se puede observar una fuerte correlación entre la producción de PHA y biomasa, lo que conduce a proponer un modelo de generación de producto completamente asociada al crecimiento de biomasa, como lo reporta igualmente Gahlawat & Srivastava (2013). Durante este proceso de fermentación 18.5 g/L de aceite vegetal fueron metabolizados a partir de la concentración inicial de 20 g/L, dejando como aceite residual una concentración de 1.5 g/L. Por otra parte, la velocidad máxima de producción de PHA alcanzada fue de 0.84 g/h con un rendimiento de 0.79 g PHA /g aceite vegetal los cuales son mayores a los reportados por otros autores con diferentes sustratos y bacterias (Gahlawat & Srivastava, 2013; Khanna & Srivastava, 2006; López-Cuellar et al., 2011). 4.1.3 Estimación teórica de consumo de aceite vegetal Como se mencionó en la metodología, la cuantificación del aceite presento algunas dificultades relacionadas a la saturación del hexano para extraer el aceite a cuantificar; ademas, la generación de una emulsión dificultó el proceso de medición en la extracción del sobrenadante, como se menciona en la metodología. Por lo anterior, se propone un 64 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. calculo teórico del consumo de aceite con respecto a biomasa que de soporte al rendimiento estimado experimentalmente, el cual se obtuvo del ensayo con limitación de fuente de carbono inicial (5 g/L), el cual detiene la produccion de biomasa con concentraciones de sulfato de amonio suficientes en el medio, lo que en teoria nos mostraria la cantidad de biomasa generada, consumida la totalidad de la fuente de carbono. Para facilitar el cálculo, el aceite vegetal fue represento por el ácido láurico (C12 H24 O2 ), como es sugerido por (Jie, Harwood, & Gunstone, 2007). El cálculo se realizó de la siguiente manera, en promedio el rendimiento de biomasa con respecto a nitrógeno es aproximadamente 3.14 g.X por electron, cuando NH3 es usado como fuente de nitrogeno (Shuler & Kargi, 1992), el número de electrones disponibles por O2 es cuatro teniendo en cuenta el catabolismo aeróbico del ácido láurico el cual se expresa como: C12 H24 O2 + 17O2 → +12CO2 + 12H2 O El número de electrones disponibles por 1 mol de acido láurico es 68. El rendimiento de biomasa por electrón disponible entonces es 68(3.14)=213.52 g X/mol ácido láurico, o en términos de rendimiento 1.07 g.X/g ácido láurico (8.373 C-mol biomasa/ mol de acido laurico). Con base en esto se comprueba que el rendimiento estimado experimentalmente tiene un valor cercano al teorico de (1.17 g X/g aceite vegetal), el rendimiento estimado experimentalmente es entonces apliciado a la estimacion de consumo de sustrato el cual es reportado como dato experimental en el presente trabajo (Annuar & Tan, 2006). Para la adecuada elaboración del modelo se tuvieron que establecer las siguientes suposiciones: - El aceite vegetal y el sulfato de amonio son los únicos sustratos limitantes que afectan el crecimiento de biomasa y la producción de polímero. Por lo tanto, el proceso no tendrá ningún efecto limitante de cualquier otro componente dentro del proceso por lote o, en otras palabras, estos componentes están en exceso. - El aceite vegetal es la única fuente de carbono para mantenimiento y crecimiento de la célula. - La temperatura (32 ºC) y pH (7) del medio de cultivo permanecen constantes durante el periodo de fermentación. Resultados y discusión 65 La construcción del modelo matemático se realizó con base en los datos experimentales de la cinética bacteriana en lote junto con los valores iniciales de los parámetros obtenidos de los experimentos en Erlenmeyer. Esto permitió que el programa de optimización empiece con buenos los valores iniciales para la búsqueda de los valores de los parámetros de la cinética (Ecuación 4-3). Así mismo se establecieron límites superiores e inferiores para los parámetros, lo que facilita la búsqueda de los valores óptimos y la identificación del mínimo global. Si bien la formulación y ajuste de un modelo matemático a partir de una única condición inicial para la fermentación por lote es un procedimiento frecuentemente empleado, en el presente trabajo se buscó ajustar el modelo a diferentes condiciones iniciales, modificando la relación carbono nitrógeno para lograr que el modelo sea flexible en un mayor rango de aplicaciones. Para ello, el modelo fue ajustado a los experimentos con concentración inicial de aceite vegetal de 20 g/L, 40 g/L y 5 g/L (Figura 4-3B y C) y con concentración de sulfato de amonio de 2.8 g/L para los tres casos. A 66 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. B C Figura 4-3: Cinética en biorreactor 5 L, con concentraciones iniciales de aceite vegetal 20 g/L (A), 5 g/L (B) y 40 g/L(C) y sulfato de amonio de 2.8 g/L. Datos experimentales: () nitrógeno, (●) aceite vegetal (C*10), (x) PHA, (+) biomasa. Modelo: ( aceite vegetal (C*10), ( ) sulfato de amonio, ( ) PHA. ) biomasa, ( ) El modelo que representa el consumo de aceite vegetal se basó en el balance de masa de la fuente de carbono necesaria para la generación de biomasa y PHA, así como para los procesos de mantenimiento (Ecuación 4-4), el cual también ha sido utilizado por diferentes autores para simular el consumo de diferentes sustratos tanto gaseosos (H2, O2 y CO2) así como azucares (sacarosa y fructosa) (Faccin et al., 2012; Gahlawat & Srivastava, 2013; Heinzle & Lafferty, 1980; Mulchandani et al., 1989). 𝑑𝑆𝑐 1 = − [( ∗ 𝜇) + 𝑚𝑐 ] ∗ 𝑋 𝑑𝑇 𝑌𝑥+𝑝 𝑆𝑐 (4-4) Resultados y discusión 67 donde 𝑌 𝑥 es el rendimiento aceite vegetal con respecto a la biomasa activa y el PHA 𝑆𝑐 intracelular y 𝑚𝑐 es el coeficiente de mantenimiento para aceite vegetal. Así mismo, se propone que el consumo de nitrógeno estaría destinado a la generación de nueva biomasa y al mantenimiento celular, este último representado en la recuperación de proteínas intracelulares y ciclos fútiles, Ecuación 4-5, e igualmente reportado por diferentes autores para describir el consumo de amonio (Khanna & Srivastava, 2008; Gahlawat & Srivastava, 2013). 𝑑𝑆𝑛 1 = − [( ∗ 𝜇) + 𝑚𝑛 ] ∗ 𝑋 𝑑𝑡 𝑌𝑥 (4-5) 𝑆𝑛 donde 𝑌 𝑥 es el factor de rendimiento de sulfato de amonio en la producción de biomasa, 𝑆𝑛 𝑚𝑛 es el coeficiente de mantenimiento para nitrógeno. Por último, se estableció que la generación de PHA se encuentra directamente asociada con el crecimiento y aumento de la biomasa en el proceso por lote. Esto debido a que el PHA se incrementa proporcionalmente con la biomasa y una vez esta llega a la etapa estacionaria del proceso, el PHA no se incrementó (Figura 4-3), lo que elimina la posibilidad de que exista una producción no asociada al crecimiento de biomasa, por esto se propone la Ecuación 4-6 donde una constante alfa, corresponde a la constante de producción de PHA dependiente de la producción de biomasa. 𝑑𝑃 = [∝∗ 𝜇] ∗ 𝑋 𝑑𝑇 (4-6) donde ∝ corresponde a la constante de proporcion de produccion de PHA respecto a la biomasa. Los parámetros obtenidos para el modelo se pueden observar en la Tabla 4-2. Tabla 4-2: Parámetros para el modelo completo con parámetros constantes. parámetro 𝜇𝑚𝑎𝑥 ∝ valor parámetro valor parámetro valor 0.355 h-1 𝐾sc 4.190 gA.V./L 𝐾sn 2.234 gS.A./L 0.983 gPHA/g 𝑆𝑛𝑚 15.6 g/L 𝑆𝑐𝑚 199 g/L 𝑎1 1.23 𝑎2 0.314 𝑌𝑥+𝑝 0.885 gX/gA.V. 𝑌𝑥 𝑚𝑐 11.501 gX/gS.A. 𝑆𝑛 𝑆𝑐 0.0016 gX/gA.V.h 𝑚𝑛 0.0035 gX/gS.A.h 68 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Para evaluar el ajuste del modelo obtenido y validar que tan bueno es, se pueden observar los resultados de la estimación del número E en la Tabla 4-3. En esta se puede apreciar que los ajustes fueron satisfactorios, aunque se propone verificar la predicción del modelo en condiciones diferentes. Tabla 4-3: Valores de eficiencia Nash–Sutcliffe, para el modelo con parámetros constantes. Experimento Biomasa Producto Sulfato de amonio Aceite vegetal 40 g/L Aceite vegetal 0.92 0.87 0.98 0.98 20 g/L Aceite vegeta 0.96 0.97 0.96 0.99 5 g/L Aceite vegeta 0.96 0.77 0.94 0.96 Por otro lado, se realizó una validación con un experimento en reactor de 100 L con volumen de trabajo de 60 L y concentraciones iniciales de 40 g/L para aceite vegetal y 4 g/L de sulfato de amonio, este experimento busco identificar la capacidad del modelo para predecir y simular la cinética de la bacteria bajo esta nueva condición operacional. Los resultados muestran que, aunque hasta las 30 horas el modelo se ajusta bastante bien a los datos experimentales (Figura 4-4) después de dicho tiempo, el modelo predice un comportamiento distinto al de los datos experimentales. Resultados y discusión 69 Figura 4-4: Cinética en biorreactor 60 L, con concentración inicial de aceite vegetal 40g/L y sulfato de amonio de 4 g/L. Datos experimentales: () nitrógeno, (•) aceite vegetal*10, (x) PHA, (+) biomasa. Modelo: ( amonio, ( ) PHA. ) biomasa, ( ) aceite vegetal*10, ( ) sulfato de Para el error en la predicción se proponen las siguientes hipótesis: la primera se enfoca en las condiciones de agitación y aeración son distintas, por lo cual el modelo no es capaz de predecir los datos luego de que el fluido contiene cierta cantidad de biomasa. Los altos valores para la biomasa, el producto o la fracción biomasa producto generen inhibición en el crecimiento de la bacteria. Debido a que se tuvieron factores limitantes para la medición de OD en este trabajo, se opta por estudiar la segunda hipótesis por medio del ajuste de nuevos términos de inhibición en el modelo matemático. Desarrollo del modelo con inhibición y parámetro variable Teniendo en cuenta los resultados del ajuste del modelo anteriores, se buscó encontrar indicios del por qué la bacteria tuvo el comportamiento de desaceleración a partir de la hora 30. (Figura 4-4) en condiciones donde el sustrato es suficiente para continuar con un crecimiento prolongado. Para esto se realizaron diferentes pruebas en lote con diferentes concentraciones iniciales (Tabla 4-4), buscando descartar el efecto inhibitorio y limitante de los sustratos (aceite vegetal, sulfato de amonio) en el crecimiento. Con los datos obtenidos se modificó el modelo buscando la predicción del comportamiento de la bacteria en un rango más amplio de condiciones, además de establecer un posible nuevo factor de inhibición en el crecimiento de la bacteria. Tabla 4-4: Concentraciones iniciales a escala Bioflo 7 L Ensayo Concentraciones iniciales Relación inicial Aceite (g/L) Sulf. Amonio (g/L) carbono nitrógeno (C/N) Exp 1 40 4.56 35.39 Exp 2 40 4.14 38.98 Exp 3 140 6.6 85.58 Exp 4 100 2.88 140.09 Exp 5 40 1.96 82.34 70 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Exp 6 20 4.97 16.24 Exp 7 20 2.36 34.19 Exp 8 5 2.87 7.03 Exp 9 20 2.28 35.39 Luong et al. (1988) reportaron que la tasa de crecimiento de biomasa es afectada tanto por la acumulación de PHA como por la disponibilidad de sustrato. Este fenómeno es considerado para la complementación del modelo, y para modelarlo se evalúa la incorporación de un término de inhibición por la concentración de producto (Ecuación 4-7) o la fracción del mismo (Ecuación 4-8). En ambos casos, los términos de inhibición y limitación por los sustratos predominantes (aceite vegetal y sulfato de amonio) se mantienen en el modelo. Este tipo de fenómeno ha sido propuesto por autores para cultivos heterotróficos en cultivo mixto con acetato como fuente de carbono, así mismo para cultivos puros con la bacteria C. necator DSM 545 con glicerol y glucosa como fuente de carbono, generando buenas aproximaciones a los fenómenos de inhibición por producto (Mozumder et al., 2014; Dias et al., 2005). 𝑑𝑋 𝑆𝑐 𝑆𝑛 𝑆𝑐 𝑎1 = [𝜇max ∙ ( )∙( ) ∙ (1 − ( ) ) 𝑑𝑡 𝐾sc + 𝑆𝑐 𝐾sn + 𝑆𝑛 𝑆𝑐𝑚 (4-7) 𝑆𝑛 𝑎2 𝑃 𝑎3 ∙ (1 − ( ) ) . (1 − ( ) )] ∙ 𝑋 𝑆𝑛𝑚 𝑃𝑚 donde 𝑃 es la concentración de producto y 𝑃𝑚 es la concentración máxima de producto a la cual la biomasa se ve inhibida, 𝑎3 es una constante adimensional para el efecto de inhibición en la velocidad específica de crecimiento. 𝑑𝑋 𝑆𝑐 𝑆𝑛 𝑆𝑐 𝑎1 = [𝜇max ∙ ( )∙( ) ∙ (1 − ( ) ) 𝑑𝑡 𝐾sc + 𝑆𝑐 𝐾sn + 𝑆𝑛 𝑆𝑐𝑚 𝑎2 (4-8) 𝑎3 𝑆𝑛 𝑓𝑃𝐻𝐴 ∙ (1 − ( ) ) ∙ (1 − ( ) )] ∙ 𝑋 𝑆𝑛𝑚 𝑓𝑃𝐻𝐴𝑚 donde 𝑓𝑃𝐻𝐴 es la fracción PHA/biomasa y 𝑓𝑃𝐻𝐴𝑚 es la fracción máxima de producto/biomasa a la cual el crecimiento de biomasa es totalmente inhibido, 𝑎3 es una Resultados y discusión 71 constante adimensional que relaciona la relación la fracción de producto con la fracción de producto máxima y el efecto de la inhibición en la velocidad especifica de crecimiento. Por otro lado, se propone el efecto de inhibición provocado por la biomasa ya que en ciertos casos una alta densidad de biomasa puede afectar negativamente la velocidad de crecimiento de la misma. Esta puede ser descrita por el modelo logístico de crecimiento por autoinhibición de crecimiento poblacional (Verhulst, 1838; Mulchandani et al., 1989). 𝑑𝑋 𝑆𝑐 𝑆𝑛 𝑆𝑐 𝑎1 𝑆𝑛 𝑎2 = [𝜇max ∙ ( )∙( ) ∙ (1 − ( ) ) ∙ (1 − ( ) ) 𝑑𝑡 𝐾sc + 𝑆𝑐 𝐾sn + 𝑆𝑛 𝑆𝑐𝑚 𝑆𝑛𝑚 (4-9) 𝑋 𝑎3 ∙ (1 − ( ) )] ∙ 𝑋 𝑋𝑚 donde 𝑋𝑚 es la concentración máxima a la que la biomasa puede llegar, 𝑎3 es el coeficiente de inhibición celular, cuyo valor depende de la especie de bacteria, las propiedades fisicoquímicas del medio de cultivo y las condiciones operacionales (Luong et al., 1988). Para las tres opciones de inhibición que se está considerando (por producto, por fracción producto/biomasa y por biomasa) se usa la misma nomenclatura para la constante adimensional porque estos términos de inhibición son alternativas y nunca se consideraron simultáneamente. Específicamente para la opción de inhibición por biomasa, Ecuación 49, 𝑎3 = 1, indica una relación lineal entre la velocidad específica de crecimiento y la concentración de biomasa, correspondiente a la cinética de crecimiento logístico. Sin embargo, alguno autores han encontrado experimentalmente descenso no lineal de la velocidad específica de crecimiento con el incremento de la biomasa (Strehaiano et al., 1983). Cuando 𝑎3 > 1 el comportamiento del crecimiento tiende a estar entre un patrón exponencial y logístico (Mozumder et al., 2014). Por otra parte, se analizó la cinética bacteriana de la B. cepacia B27, con especial atención en el rendimiento. En este análisis se observó que para la generación de biomasa a partir de la fuente de carbono, no se presentan diferencias cuando se modifica la relación carbono/nitrógeno (C/N): 0.86 gX/g A.V. para C/N = 7.03; 0.83 gX/gA.V para C/N = 35.39, y 0.83 gX/gA.V para C/N = 82.34. Estos valores son superiores a los presentados por otros autores (Gahlawat & Srivastava, 2012; Khanna & Srivastava, 2005b; López-Cuellar et al., 72 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 2011), lo que sugiere que la conversión de la fuente de carbono a biomasa tiene poca variabilidad en la cepa de estudio dependiendo de la relación C/N. Al contrario de lo que sucede con la transformación de la fuente de carbono en biomasa, en el rendimiento obtenido para la formación de biomasa con respecto al consumo de amonio se observan cambios importantes dependiendo de la relación C/N: el rendimiento biomasa/nitrógeno, aumenta cuando la relación carbono/nitrógeno aumenta, como se puede apreciar en la Tabla 4-5 y en la Figura 4-5. Tabla 4-5: Rendimiento biomasa/sulfato de amonio obtenidos y relación inicial C/N en los experimentos a escala Bioflo 7 L. Rendimiento biomasa sulfato de amonio Relación carbono nitrógeno inicial (C/N) (𝑌 𝑥 ) 𝑆𝑛 38.98 2.78 85.58 2.54 140.09 2.91 82.34 3.04 16.24 2.09 34.19 1.9 7.03 1.95 35.39 2.14 Con base en el comportamiento observado se opta por proponer un término variable de rendimiento biomasa/sulfato de amonio, dependiente de la relación C/N en la ecuación del consumo de sulfato de amonio (Ecuación 4-5). Esta propuesta se soporta en el variación importante y consistente en el rendimiento biomasa/sulfato de amonio el cual fue calculado como la cantidad de biomasa generada por sulfato de amonio consumido hasta la máxima cantidad obtenida de biomasa (Figura 4-5), a pesar de que las razones metabólicas para la diferencia en este rendimiento no son aún claras y los factores que afectan el crecimiento bacteriano son numerosos y poco comprendidos (Franck et al., 1999), y de que otros autores argumentan que, generalmente, es difícil obtener una reproducibilidad consistente y precisa experimentalmente del Resultados y discusión 73 rendimiento biomasa amonio de un proceso en lote, debido a las condiciones de variaciones fisiológicas y de cultivo (Annuar & Tan, 2006). Figura 4-5: Ajuste de ecuaciones de saturación de velocidad de crecimiento, para predecir el rendimiento biomasa sulfato de amonio dependiente de la relación C/N. (•) Datos experimentales, ( ) datos simulados. Existen autores que mencionan que las velocidades de consumo de amonio pueden incrementarse a medida que la concentración de amonio se incrementa, esto se sustenta en que el amonio es una especie iónica que no puede ser difundida libremente a través de la membrana celular, la intervención de una proteína transportadora activa específica es la que probablemente participe en el mecanismo de consumo de nitrógeno, por lo tanto, una alta concentración del ion amonio requiere de la síntesis de más proteína transportadora, lo que resulta en un consumo más rápido por parte del microorganismo (Annuar & Tan, 2006), este efecto fue observado en los experimentos con concentraciones altas de sulfato de amonio , entre 4 y 5 g/L, y baja relación C/N, en estos experimentos el amonio fue consumido de manera rápida, si se compara con los experimentos con concentraciones inferiores de sulfato de amonio (Anexo C). Por lo anterior, se planteó un modelo matemático que permite ajustar el consumo de amonio y de esta forma simular mejor el comportamiento de la bacteria, haciendo más 74 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. confiable la predicción para etapas posteriores de optimización del proceso. Este planteamiento toma como referencia los resultados de autores como (Liew et al., 2013) quienes estudiaron diferentes aproximaciones para modelar el efecto de la condiciones del proceso (agitación y aeración) sobre la cinética de crecimiento bacteriano, y aplica el concepto de cinética de Herbert, donde los parámetros de los modelos para las velocidades de producción y consumo son variables y fueron ajustados con ecuaciones lineales que modifican los parámetros dependiendo de las condiciones del proceso. Para nuestro caso, la ecuación propuesta para describir el cambio del rendimiento biomasa sulfato con respecto a la relación C/N, fue seleccionada con la herramienta de búsqueda de ecuaciones del programa Curve Expert Professional 2.3.0, empleando los datos expuestos de la Tabla 4-5. Como resultado del ajuste se proponen la ecuación de saturación de velocidad de crecimiento para describir el fenómeno de consumo de sulfato de amonio con respecto a la relación C/N (Ecuación 4-10). 𝑌𝑥 𝑆𝑛 𝐶 𝑑∙( ) 𝑁 = 𝐶 (𝑏 + (𝑁)) (4-10) donde 𝑑 y 𝑏 son constantes adimensionales. El ajuste de los nuevos parámetros para las ecuaciones de inhibición por producto o por fracción de producto en la biomasa e inhibición por biomasa (Ecuaciones 4-7, 4-8 y 4-9) fueron realizados con los datos experimentales obtenidos de los ensayos en Bioflo, con las condiciones iniciales de C/N presentadas en la Tabla 4-4. Además, se incluyeron en los modelos la ecuación para estimar el rendimiento biomasa/nitrógeno (Ecuaciones 4-10) para evaluar que combinación genera el mejor ajuste. Los datos experimentales muestran el efecto de la inhibición por los sustratos como el aceite vegetal, la cual se ve reflejada en la simulación de la cinética con concentraciones iniciales de A.V. de 100 g/L, donde el término respectivo afecta la velocidad de crecimiento de la bacteria sustancialmente Figura (4-6) ratificando la importancia de los fenómenos de limitación e inhibición y por consiguiente la necesidad de los términos respectivos para lograr un modelo con buena predicción. Resultados y discusión 75 A.2 A.1 B.1 B.2 C.1 C.2 Figura 4-6: Ajuste del modelo con parámetro variable de rendimiento con aplicación de termino de inhibición por (A) producto, (B) fracción polímero biomasa y (C) biomasa, en régimen lote a escala 100 L con concentraciones iniciales de (1) 100 g/L A.V y 2.8 g/L S.A., (2) 140 g/L A.V y 6.6 g/L S.A. Datos experimentales () sulfato de amonio, (•) aceite vegetal*10, (x ) producto PHA, () biomasa datos simulados: ( vegetal*10, ( ) sulfato de amonio, ( ) PHA. ) biomasa, ( ) aceite Así mismo, se observó el buen ajuste del modelo cuando se presenta el efecto limitante que tiene la fuente de carbono sobre la cantidad de biomasa obtenida, como se puede observar en la Figura (4-7). 76 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Figura 4-7: Ajuste del modelo con parámetro variable de rendimiento con aplicación de término de inhibición por producto (A), fracción polímero/biomasa (B) y biomasa (C), para corridas de 5 L con concentraciones iniciales de 5 g/L A.V y 2.8 g/L S.A. Datos experimentales () sulfato de amonio, (•) aceite vegetal /10, (x ) producto PHA, () biomasa datos simulados: ( ) biomasa, ( ) aceite vegetal, ( ) sulfato de amonio, ( ) PHA. Resultados y discusión 77 Realizando la comparación del modelo que solamente considera los términos de crecimiento de biomasa influenciado por los sustratos orgánicos (Ecuación 4-3) frente a la ecuación con el término de inhibición por generación de producto, se observa una mejor predicción de los datos experimentales, por ejemplo, para la fermentación en 60 L Figura (4-4 y 4-6. Por otra parte, se pudo constatar que la acumulación del polímero no requiere de condiciones de limitación de nitrógeno, esto podría ser debido a que el microorganismo es capaz de tomar el PHA intracelular junto con los sustratos orgánicos que lo rodean para el crecimiento de biomasa en presencia de nitrógeno (Luong et al., 1988). Además, realizando la comparación del modelo que solamente considera los términos de crecimiento de biomasa influenciado por los sustratos orgánicos (Ecuación 4-3) frente a la ecuación con el termino de inhibición por biomasa, se observa una mejor simulación de los datos experimentales, por ejemplo, con la fermentación en 60 L (Figura 4-4 y 4-8C). Es claro entonces que no se puede ignorar el termino de inhibición por productoY biomasa en la cinética de la B. cepacia B27. Estos resultados confirman que el efecto de la concentración de la biomasa puede ser un factor importante en la inhibición del crecimiento. Por un lado, es poco probable que la limitación de oxigeno fuera una de las razones por las cuales se redujera el crecimiento de la bacteria ya que con flujo de 2 vvm y agitación a 240 rpm, se espera haya oxígeno disuelto suficiente. Así mismo, la posibilidad de que ocurra limitación por nutrientes es descartada, pues en experimentos con concentraciones iniciales de 40 g/L A.V. y 4 g/L S.A, la biomasa no sobrepasa los 14 g/L. 78 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. A B C Figura 4-8: Datos simulados frente a datos experimentales del modelo con parámetro variable de rendimiento con aplicación de termino de inhibición por (A) producto, (B) fracción polímero biomasa y (C) biomasa, en régimen lote a escala 100 L con concentraciones iniciales de 40 g/L, 4 g/L. Datos experimentales () sulfato de amonio, (•) aceite vegetal*10, (x ) producto PHA, () biomasa datos simulados: ( aceite vegetal*10, ( ) sulfato de amonio, ( ) PHA. ) biomasa, ( ) Resultados y discusión 79 Además, la inhibición en el crecimiento se verificó en los repetidos experimentos reportados en el presente trabajo, además de un ensayo realizado donde se incrementó en un 50 % todos los componentes del medio (no reportado), previniendo algún efecto de limitación por otros componentes como elementos traza, fósforo o sulfato de magnesio, sin embargo, en este ensayo tampoco se lograron concentraciones de biomasa superiores al valor límite de 14 g/L. Lo anterior nos lleva a pensar que la concentración de biomasa no podría ser mejorada por la adición de nutrientes al cultivo, por ello la aplicación del modelo descrito por Mulchandani et al. (1989) que representa el efecto negativo de la alta densidad celular sobre la velocidad de producción de biomasa es incluida en el modelo cinético (Ecuación 4-9) (Mozumder et al., 2014). Los parámetros resultantes del ajuste para cada ecuación se pueden observar en la Tabla 4-6. Así mismo los resultados de la eficiencia (𝐸) para la validación del modelo se pueden observar en la tabla 4-7. Tabla 4-6: Parámetros reportados para los diferentes modelos propuestos para inhibición adicional, con rendimiento biomasa/sulfato de amonio variable. Parámetros Unidades Parámetro para los modelos Inhibición por producto 0.07 Inhibición por fracción producto 0.07 Inhibición por Biomasa 0.07 μmax 1/h 𝐾sc gA.V./L 1.23c 0.24 3.35 𝐾sn gS.A./L 0.02 0.026 0.036 𝑆𝑐𝑚 gS.A./L 191.32 179.25 191.32 𝑆𝑛𝑚 gA.V./L 15.47 15.47 15.47 𝑃𝑚 gPHA/L 9.59 - 14.62 𝑋𝑚 gX/L - - - - 11.4 - 𝑓𝑃𝐻𝐴𝑚 𝑎1 - 2.51 1.47 2.60 𝑎2 - 4.73 5.138 10.23 𝑎3 - 1.31 0.62 1.163 α gPHA/gX 0.92 0.94 0.92 𝑚𝑐 gX/gA.V.h 0.0016 0.0016 0.0016 𝑚𝑛 gX/gA.V.h 0.0015 0.0015 0.0015 80 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 𝑌𝑥 gX/gS.A.h 𝑌𝑥+𝑃 Ecuación Ecuación Ecuación gX+P/gS.A.h 0.89 0.89 0.89 𝑑 - 9.32 4.38 9.32 𝑏 molC/molN 0.1314 4.54 0.1314 𝑆𝑛 𝑆𝑐 Los resultados obtenidos de la estimación de la eficiencia Nash–Sutcliffe (E) (Tabla 4-7) muestran que los parámetros seleccionados simulan de manera satisfactoria el comportamiento cinético de la B. cepacia B27, en el rango de condiciones operacionales consideradas. Entre los términos de inhibición propuestos (producto, fracción biomasa/producto, biomasa) el que relaciona el fenómeno inhibitorio de la cantidad de biomasa con la desaceleración del crecimiento, fue el que permitió un mejor ajuste del modelo. No obstante, aquellos ajustes con eficiencia menor a 0.5, que evidencia un ajuste regular, pueden estar influenciados por las variaciones fisiológicas y condiciones de cultivo (Annuar & Tan, 2006). Tabla 4-7: Valores de eficiencia Nash–Sutcliffe, para los modelos con inhibición y rendimiento biomasa/sulfato de amonio variable. Tipo de Inhibición por producto Inhibición por fracción modelo Inhibición por biomasa producto Ensayo X PHA S.A. A.V. X PHA A.V. S.A. X PHA A.V. S.A. Exp 1 0.91 0.95 0.91 0.99 0.81 0.93 0.86 0.99 0.97 0.99 0.97 0.99 Exp 2 0.93 0.96 0.93 0.99 0.88 0.91 0.87 0.99 0.97 0.97 0.97 0.99 Exp 3 0.78 0.90 0.82 0.93 0.37 0.65 0.43 0.84 0.78 0.89 0.84 0.90 Exp 4 0.98 0.91 0.98 0.99 0.77 0.88 0.74 0.97 0.97 0.85 0.98 0.99 Exp 5 0.39 0.29 0.34 0.99 0.29 0.08 0.22 1.00 0.35 0.25 0.30 1.00 Exp 6 0.85 0.90 0.85 0.96 0.69 0.83 0.68 0.97 0.92 0.79 0.92 0.94 Exp 7 0.75 0.66 0.78 0.99 0.77 0.86 0.76 0.99 0.73 0.60 0.76 0.99 Exp 8 0.81 0.85 0.91 0.98 0.72 0.63 0.77 0.96 0.80 0.86 0.90 0.99 Exp 9 0.18 0.36 0.23 0.99 0.16 0.30 0.11 0.99 0.19 0.36 0.23 0.99 Se realizó un análisis de sensibilidad simple, modificando ± 20 % del valor de cada parámetro y verificando el impacto sobre el valor de la eficiencia (𝐸) en los experimentos donde se realizó el ajuste. Resultados y discusión 81 Con la prueba de sensibilidad se pudo constatar que el parámetro con más influencia sobre la simulación del proceso es el correspondiente a la inhibición por fuente de carbono (𝑆𝑐𝑚) y ∝ junto con los términos de inhibición por biomasa, producto y fracción de producto. Esto nos permitió corroborar que el termino de inhibición en la velocidad especifica de crecimiento fue necesario para el proceso de modelación y la obtención de un buen ajuste con respecto a los datos experimentales. Finalmente, el modelo matemático propuesto para la producción de PHAs por B. cepacia B27 empleando aceite vegetal como fuente de carbono y sulfato de amonio se presenta en la Tabla 4-8. Tabla 4-8: Modelo matemático para producción de PHAs por B. cepacia B27. 𝑑𝑋 𝑆𝑐 𝑆𝑛 𝑆𝑐 𝑎1 𝑆𝑛 𝑎2 𝑋 𝑎3 = [𝜇max ∙ ( )∙( ) ∙ (1 − ( ) ) ∙ (1 − ( ) ) ∙ (1 − ( ) )] ∙ 𝑋 𝑑𝑡 𝐾sc + 𝑆𝑐 𝐾sn + 𝑆𝑛 𝑆𝑐𝑚 𝑆𝑛𝑚 𝑋𝑚 𝑑𝑆𝑐 1 = − [( ∗ 𝜇) + 𝑚𝑐 ] ∗ 𝑋 𝑑𝑇 𝑌𝑥+𝑝 𝑆𝑐 𝑑𝑆𝑛 1 = − [( ∗ 𝜇) + 𝑚𝑛 ] ∗ 𝑋 𝑑𝑡 𝑌𝑥 donde 𝑆𝑛 𝑌𝑥 = 𝑆𝑛 𝐶 𝑑 ∙ (𝑁) 𝐶 (𝑏 + (𝑁)) 𝑑𝑃 = [∝∗ 𝜇] ∗ 𝑋 𝑑𝑡 Optimización del proceso El modelo generado para el proceso en lote fue extrapolado para cultivo en lote alimentado, para lo cual se debe incluir los términos de dilución por el flujo de alimentación. Las ecuaciones del modelo en lote alimentado son los siguientes: 82 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 𝑑𝑋 𝑆𝑐 𝑆𝑛 𝑆𝑐 𝑎1 𝑆𝑛 𝑎2 = [𝜇max ∙ ( )∙( ) ∙ (1 − ( ) ) ∙ (1 − ( ) ) 𝑑𝑡 𝐾sc + 𝑆𝑐 𝐾sn + 𝑆𝑛 𝑆𝑐𝑚 𝑆𝑛𝑚 (4-11) 𝑋 𝑎3 ∙ (1 − ( ) )] ∙ 𝑋 − 𝐷𝑋 𝑋𝑚 𝑑𝑆𝑐 1 𝐹1 = − [( ∗ 𝜇) + 𝑚𝑐 ] ∗ 𝑋 − (𝑆𝑐𝑓 − 𝑆𝑐) 𝑑𝑡 𝑌𝑥+𝑝 𝑉 (4-12) 𝑆𝑐 𝑑𝑆𝑛 1 𝐹2 = − [( ∗ 𝜇) + 𝑚𝑛 ] ∗ 𝑋 − (𝑆𝑛𝑓 − 𝑆𝑛) 𝑑𝑡 𝑌𝑥 𝑉 (4-13) 𝑑𝑃 = [∝∗ 𝜇] ∗ 𝑋 − 𝐷𝑃 𝑑𝑡 (4-14) 𝑑𝑉 = 𝐹1 + 𝐹2 𝑑𝑡 (4-15) 𝑆𝑛 donde 𝐹1 y 𝐹2 son los flujos de alimentación, y 𝐷 es la tasa de dilución (𝐹⁄𝑉). Para el análisis de la operación por lote alimentado, inicialmente se estableció la alimentación del biorreactor con un único flujo donde se mezcla la fuente de carbono (aceite vegetal) y nitrógeno (sulfato de amonio), en altas concentraciones con los demás componentes a igual proporción de las estimada en el nitrógeno, (Anexo A) es decir, si se aplica 4 veces más la concentración de amonio los demás componentes deberán aumentarse a dicha proporción, esto con el fin de mantener la concentración de todos los nutrientes necesarios para el crecimiento de la bacteria. Cuando se realiza la mezcla de los componentes surgen algunos inconvenientes relacionados a la emulsión que se genera por el contenido de aceite en la mezcla. El primer inconveniente es el flujo por la manguera de alimentación, donde se empiezan a separar dos fases, lo que no permite una homogénea concentración de los nutrientes que se suministran al biorreactor. Para solucionar esto, se experimentó con alimentación por pulsos y alimentación de los nutrientes de forma separada. Resultados y discusión 83 4.3.1 Régimen por pulso de sustratos Los experimentos de optimización se corrieron bajo los criterios iniciales de cultivo óptimo en que se observó la mayor velocidad específica de crecimiento (20 g/L aceite vegetal 2.8 g/L sulfato de amonio) con un volumen inicial de 3 L. Luego se consideró la adición del primer pulso a las 24 horas y otro a las 48 horas del experimento, donde la bacteria aún se encuentra en fase exponencial y no ha consumido la totalidad de los nutrientes. La concentración aplicada de los dos pulsos fue la correspondiente a la óptima, esto con el fin de no alterar significativamente el estado de la bacteria y renovar el medio con más sustrato. Como resultado, el ajuste es adecuado (Figura 4-9), y vuelve a observarse un efecto inhibitorio, el cual se presume es causado por la concentración de biomasa presente en el cultivo, según el modelo sugerido para la optimización (Tabla 4-8). Figura 4-9: Ajuste del modelo para experimento con pulsos de 20 g/L A.V. 2.8 S.A. Datos experimentales: () sulfato de amonio, (•) aceite vegetal, (x ) producto PHA, () biomasa datos simulados: ( ) biomasa, ( ) aceite vegetal, ( ) sulfato de amonio, ( ) PHA. Con la intención de verificar mejor el efecto inhibitorio sugerido en el proceso de optimización, se elaboró otro tipo de pulso, con concentración de 40 g/L A.V. y 4 g/L S.A. en la fuente de alimentación a los mismos tiempos de aplicación que el anterior (Figura 410), en este caso, a pesar de esperar un aumento significativo de la biomasa por la 84 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. cantidad de sustratos suministrados, la velocidad específica de crecimiento de la bacteria es baja y la simulación corresponde de forma adecuada a los datos experimentales. Figura 4-10: Ajuste del modelo para experimento con pulsos de 40 g/L A.V. 4 g/L S.A.. Datos experimentales: () sulfato de amonio, (•) aceite vegetal, (x ) producto PHA, () biomasa datos simulados: ( ) biomasa, ( ) aceite vegetal, ( ) sulfato de amonio, ( ) PHA. El proceso de optimización, aunque infructífero para el bioproceso, deja entrever que la bacteria tiene algunas limitaciones en el crecimiento con el uso de sustratos oleosos como fuente de carbono. Otros autores por el contrario, han obtenido aumentos significativos de la cantidad de biomasa producida a medida que se aumenta la concentración de la fuente de carbono, da Cruz Pradella et al. (2012) con fuente de carbono a base de aceite de soya y la bacteria Cupriavidus necátor DSM 545 obtuvo concentraciones de biomasa de 25, 51 y 81 g/L de biomasa con concentraciones de 10, 20 y 40 g/L de aceite de soya inicial respectivamente en un proceso por lote alimentado, además de suponer que probablemente la inhibición por producto este afectando el crecimiento de la bacteria. Así mismo, en un estudio con la cepa recombinada PHB-4/pJRDEE32d13 creada a partir de la cepa de Ralstonia eutropha H16, con el gen PHA sintasa de Areomonas caviae y la cepa nativa de Ralstonia eutropha H16 fue estudiada con aceite de soya como fuente de carbono. En estos casos lo que se pretendió fue reponer por medio de pulsos los sustratos que la bacteria iba consumiendo, como resultado se obtuvieron altas concentraciones de biomasa (118-128 g/L), con contenido de PHA entre el 71-76 % p/p (Kahar et al., 2004). Resultados y discusión 85 En otro intento por mejorar el proceso, se realizó un ensayo con el fin de reponer los nutrientes que consume la bacteria durante la fermentación, similar a lo propuesto por Kahar et al. (2004). El medio de cultivo inicia con un volumen de 4.2 L, a la hora 26 se le reponen los nutrientes consumidos por la bacteria, según predicción del modelo, en este punto se adicionó 500 mL de medio de cultivo con concentraciones 28 g/L de S.A. y 216 g/L de A.V. de forma separada en un solo pulso. Como se puede observar en la Figura 411. Figura 4-11: Ajuste del modelo para experimentos con alimentación para reposición de nutrientes. Datos experimentales: () sulfato de amonio, (•) aceite vegetal*10, (x ) producto PHA, () biomasa datos simulados: ( ) biomasa, ( ) aceite vegetal*10, ( ) sulfato de amonio, ( ) PHA. Para este caso, el proceso presentó una mayor cantidad de biomasa al final, 18 g/L, 20% más que el obtenido en lote, sin embargo, se tiene que comprobar con experimentos futuros, si la adición de altas concentraciones de nitrógeno en el medio o la adición diferenciada en el cultivo, es la herramienta clave para obtener mayores cantidades de biomasa al final del proceso y por consiguiente mayores concentraciones del polímero en cuestión. 4.3.2 Régimen por alimentación constante de sustratos También se realizó ensayos en régimen de alimentación, donde se maneja una velocidad de flujo constante durante un periodo de 24 h, el cual es obtenido por el algoritmo 86 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. desarrollado (Anexo D). Para este experimento se utilizó un volumen inicial de 4 L, y la fuente de alimentación con concentraciones de 150 g/L de aceite vegetal y 21 g/L de S.A., se introdujo la mezcla con previa agitación a 0.0054 L/h a las 24 h de fermentación durante 24 horas, luego 0.0027 L/h a las 48 h durante 24 horas. Figura 4-12: Ajuste del modelo para experimentos con flujo de alimentación constante. Datos experimentales: () sulfato de amonio, (•) aceite vegetal, (x ) producto PHA, () biomasa datos simulados: ( ) biomasa, ( ) aceite vegetal, ( ) sulfato de amonio, ( ) PHA. Aunque el proceso fue modelado con el efecto inhibitorio de la concentración de biomasa, se sospecha del efecto de coproductos que pueden ser generados en los procesos enzimáticos que emplea la bacteria para asimilar los ácidos grasos como fuente de carbono, ya que comparado, por ejemplo con los trabajos de Kahar et al. (2004) y Mozumder et al. (2014), se esperaría que el efecto inhibitorio por biomasa ocurriera en concentraciones elevadas (75–150 g/L) en el proceso de producción de PHA. Además Kahar et al. (2004), dentro de la discusión, exponen algunos problemas en el crecimiento de la R. eutropha, relacionados con ensayos usando ácido linoleico como fuente de carbono. Sustentando que en el proceso la liberación de una alta cantidad ácidos grasos en la producción de PHA entre los cuales se encuentra el ácido linoleico puede influir en la reducción del crecimiento de la bacteria, recomendando el uso de aceite de palma con menor contenido de ácido linoleico. Resultados y discusión 87 A pesar de no obtener una alta cantidad de biomasa en regímenes por pulso o por alimentación, el potencial de la bacteria B. cepacia B27 frente a otras cepas, radica en su capacidad de acumulación del polímero, como se puede observar en la Tabla 4-9, el porcentaje de acumulación de polímero esta en uno de los más altos, comparados entre sustratos similares de aceite y sustratos de cadena corta como sacarosa. Se debe estudiar mejor la bacteria y su interacción directa con los sustratos, para así entender los motivos de algunos fenómenos aquí mencionados. Tabla 4-9: Cuadro comparativo de los resultados del presente trabajo frente a otros trabajos realizados en el IBUN y externos. Criterio Presente trabajo (Acosta, 2007) da Cruz Pradella et al. (2012) Kahar et al. (2004) (LópezCuellar et al., 2011) W. eutropha ATCC 17699 Aceite de canola Microorganismo Burkholderia cepacia B27 B. cepacia 2G57 Cupriavidus necator DSM 545 Fuente de carbono Sacarosa Aceite de soya Alimentación Mezcla de aceite de soya y maíz (mazorca de oro grasco) pulso Ralstonia eutropha H16 ATCC17699, Aceite de soya Lote Pulso X (g/L) 18.5 Lote alimentado 21.93 83 126 PHA (g/L) 15.91 6.2 67.23 95.76 18.27 % acumulación 86 28.27 81 76 89 𝑌𝑥+𝑝 0.89 0.07 0.83 0.76 0.68 0.85 0.21 2.5 1.76 0.46 Lote alimentado 𝑆𝑐 Productividad (g/L.h) 5. Conclusiones y recomendaciones Conclusiones - La evaluación de los efectos de los sustratos (aceite vegetal y sulfato de amonio) en escala erlenmeyer mostró grandes rasgos de la fenomenología inhibitoria y limitante sobre la velocidad específica de crecimiento de la bacteria, lo que indica las restricciones de la bacteria para el régimen de procesamiento por lote. Además, los parámetros obtenidos con esos experimentos fueron un buen punto de partida para obtener los valores iniciales de los parámetros, lo que nos permitió desarrollar el modelo matemático expuesto. - Se desarrolló un modelo matemático cuyo ajuste teniendo en cuenta el efecto inhibitorio y limitante de los sustratos, fue satisfactorio hasta cierto punto, lo que llevo a considerar otros fenómenos para el modelo, que permitieran una mejor simulación de los resultados experimentales. - La variabilidad en la velocidad de consumo de fuente de nitrógeno, es un factor a tener en cuenta en el modelamiento, especialmente en bacterias donde se puede ver afectado el crecimiento o producción de biomasa por este sustrato. Por lo que una primera aproximación con el parámetro de rendimiento biomasa nitrógeno variable es positivo en esta fase de desarrollo. - Se determinó que la inhibición por concentración de biomasa en la bacteria Burkholderia cepacia B27, tiene una gran relevancia en la simulación del modelo matemático, mejorando significativamente el ajuste para la mayoría de experimentos en escala Bioflo, sin embargo, se debe profundizar sobre lo que puede realmente estar afectando la bacteria. - La concentración máxima de biomasa obtenida fue de aproximadamente 15 g/L, durante una fermentación por lote de 72 h. A pesar de los esfuerzos con suministro Bibliografía 89 de sustratos para mejorar dicho valor, la bacteria sólo llego hasta los 18 g/L. Por lo que se ratifica la incidencia de algún factor inhibitorio sobre el crecimiento de la bacteria. Recomendaciones - Tener un mayor conocimiento sobre el sustrato suministrado para la producción del polímero con la bacteria, ya que, al ser una mezcla de aceites de maíz y soya, no hay certeza de las concentraciones de los ácidos grasos que lo componen. - Evaluar el efecto del sulfato de amonio y desarrollar un análisis más detallado del por qué la bacteria tiene dicho comportamiento de consumo acelerado o desacelerado del nitrógeno en diferentes condiciones. - Determinar si efectivamente existe alguna influencia inhibitoria por parte de la biomasa, o si la evolución del cultivo y de las propiedades reológicas tienen un impacto negativo sobre la transferencia de oxígeno que altera la velocidad específica de crecimiento de la bacteria. - Trabajar en la búsqueda de mejores ajustes para ensayos con alimentación continua o pulso, ya que el comportamiento de la bacteria frente a condiciones nuevas como aumento de concentración de nitrógeno, afecta significativamente el proceso y por tanto el control del mismo. - Se propone realizar un modelo con mayor especificidad sobre las rutas metabólicas que posee la bacteria, con el fin de comprender mejor el desarrollo metabólico en las diferentes etapas de abundancia o escases de los sustratos, así como por variación de la relación carbono/nitrógeno que modifican drásticamente el comportamiento bacteriano. Bibliografía Acosta, M. (2007). Establecimiento de un modelo matemático a escala laboratorio del proceso de producción de un polímero tipo polihidroxialcanoato (pha), utilizando la cepa nativa Burkholderia Cepacia (Tesis de maestria). Universidad Nacional de Colombia sede Bogotá. Aiba, S., Shoda, M., & Nagatani, M. (1968). Kinetics of product inhibition in alcohol fermentation. Biotechnology and Bioengineering, 10(6), 845-864. http://doi.org/10.1002/bit.260100610 Akiyama, M., Tsuge, T., & Doi, Y. (2003). Environmental life cycle comparison of polyhydroxyalkanoates produced from renewable carbon resources by bacterial fermentation. Polymer Degradation and Stability, 80(1), 183-194. http://doi.org/10.1016/S0141-3910(02)00400-7 Aldor, I. S., & Keasling, J. D. (2003). Process design for microbial plastic factories: metabolic engineering of polyhydroxyalkanoates. Current Opinion in Biotechnology, 14(5), 475-483. http://doi.org/http://dx.doi.org/10.1016/j.copbio.2003.09.002 Almudena, A. M., García-Ochoa, S. F., & Santos, V. E. (1999). Desarrollo de modelos cinéticos para bioprocesos: aplicación a la producción de xantano. Universidad Complutense de Madrid. Anderson, A. J., & Dawes, E. A. (1990). Occurrence, metabolism, metabolic role, and industrial uses of bacterial polyhydroxyalkanoates. Microbiological reviews, 54(4), 450-472. http://doi.org/0146-0749/90/040450-23$02.00/0 Annuar, M. S. ., & Tan, I. K. P. (2006). Ammonium uptake and growth kinetics of Pseudomonas putida PGA1. Asia Pacific Journal of …, 14(1), 1-10. Recuperado a partir de http://eprints.um.edu.my/5373/ Annuar, M. S. M., Tan, I. K. P., Ibrahim, S., & Ramachandran, K. B. (2007). Production of Medium-Chain-Length Poly(3-hydroxyalkanoates) from Crude Fatty Acids Mixture by Pseudomonas putida. Food and Bioproducts http://doi.org/http://dx.doi.org/10.1205/fbp06017 Processing, 85(2), 104-119. 92 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Ballistreri, A., Giuffrida, M., Guglielmino, S. P. P., Carnazza, S., Ferreri, A., & Impallomeni, G. (2001). Biosynthesis and structural characterization of medium-chain-length poly(3hydroxyalkanoates) produced by Pseudomonas aeruginosa from fatty acids. International Journal of Biological Macromolecules, 29(2), 107-114. http://doi.org/10.1016/S0141-8130(01)00154-4 Barbosa, M., Espinosa, A., Malagón, D., & Moreno, N. (2002). Producción de polihidroxialcanoatos (PHAs) empleando Ralstonia eutropha ATCC 17697. UNIVERSITAS SCIENTIARUM, 10(1), 45-54. Bohmert, K., Balbo, I., Steinbuchel, A., Tischendorf, G., & Willmitzer, L. (2002). Constitutive Expression of the beta -Ketothiolase Gene in Transgenic Plants. A Major Obstacle for Obtaining Polyhydroxybutyrate-Producing Plants. PLANT PHYSIOLOGY, 128(4), 1282-1290. http://doi.org/10.1104/pp.010615 Bueno, P., Yañez, R., Caparrós, S., & Díaz, M. J. (2009). Evaluating environmental parameters for minimum ammonium losses during composting of trimming residues. Journal of the Air & Waste Management Association (1995), 59(7), 790-800. Recuperado a partir de http://www.scopus.com/inward/record.url?eid=2-s2.0- 69849084894&partnerID=40&md5=2000a2c4b810cda595aced332e57ef0e Bugnicourt, E. (2014). Polyhydroxyalkanoate (PHA): Review of synthesis, characteristics, processing and potential applications in packaging. Express Polymer Letters, 8(11), 791-808. http://doi.org/10.3144/expresspolymlett.2014.82 Chee, J.-Y., Lau, N.-S., Samian, M.-R., Tsuge, T., & Sudesh, K. (2012). Expression of Aeromonas caviae polyhydroxyalkanoate synthase gene in Burkholderia sp. USM (JCM15050) enables the biosynthesis of SCL-MCL PHA from palm oil products. Journal of Applied Microbiology, 112(1), 45-54. http://doi.org/10.1111/j.13652672.2011.05189.x Chee, J.-Y., Tan, Y., Samian, M.-R., & Sudesh, K. (2010). Isolation and Characterization of a Burkholderia sp. USM (JCM15050) Capable of Producing Polyhydroxyalkanoate (PHA) from Triglycerides, Fatty Acids and Glycerols. Journal of Polymers and the Environment, 18(4), 584-592. http://doi.org/10.1007/s10924-010-0204-1 Chen, G.-Q. (2009). A microbial polyhydroxyalkanoates (PHA) based bio- and materials industry. Chemical Society Reviews, 38(8), 2434. http://doi.org/10.1039/b812677c Choi, J., & Lee, S. Y. (1997). Process analysis and economic evaluation for Poly(3hydroxybutyrate) production by fermentation. Bioprocess Engineering, 17(6), 335-342. Bibliografía 93 http://doi.org/10.1007/s004490050394 Choi, J., & Lee, S. Y. (1999). Factors affecting the economics of polyhydroxyalkanoate production by bacterial fermentation. Applied Microbiology and Biotechnology, 51(1), 13-21. http://doi.org/10.1007/s002530051357 Chung, A.-L., Jin, H.-L., Huang, L.-J., Ye, H.-M., Chen, J.-C., Wu, Q., & Chen, G.-Q. (2011). Biosynthesis and Characterization of Poly(3-hydroxydodecanoate) by β-Oxidation Inhibited Mutant of Pseudomonas entomophila L48. Biomacromolecules, 12(10), 3559-3566. http://doi.org/10.1021/bm200770m da Cruz Pradella, J. G., Ienczak, J. L., Delgado, C. R., & Taciro, M. K. (2012). Carbon source pulsed feeding to attain high yield and high productivity in poly(3hydroxybutyrate) (PHB) production from soybean oil using Cupriavidus necator. Biotechnology Letters, 34(6), 1003-1007. http://doi.org/10.1007/s10529-012-0863-1 Delgado-Rodríguez, M., Ruiz-Montoya, M., Giraldez, I., Cabeza, I. O., López, R., & Díaz, M. J. (2010). Effect of control parameters on emitted volatile compounds in municipal solid waste and pine trimmings composting. Journal of environmental science and health. Part A, Toxic/hazardous substances & environmental engineering, 45(7), 855862. Recuperado a partir de http://www.scopus.com/inward/record.url?eid=2-s2.077954663404&partnerID=40&md5=78ff801abe4a8a0c09f59db961c30155 Dhanasekar, R., Viruthagiri, T., & Sabarathinam, P. L. (2003). Poly(3-hydroxy butyrate) synthesis from a mutant strain Azotobacter vinelandii utilizing glucose in a batch reactor. Biochemical Engineering Journal, 16(1), 1-8. http://doi.org/10.1016/S1369703X(02)00176-6 Dias, J. M. L., Serafim, L. S., Lemos, P. C., Reis, M. a M., & Oliveira, R. (2005). Mathematical modelling of a mixed culture cultivation process for the production of polyhydroxybutyrate. Biotechnology and Bioengineering, 92(2), 209-222. http://doi.org/10.1002/bit.20598 Doi, Y., & Abe, C. (1990). Biosynthesis and characterization of a new bacterial copolyester of 3-hydroxyalkanoates and 3-hydroxy-.omega.-chloroalkanoates. Macromolecules, 23(15), 3705-3707. http://doi.org/10.1021/ma00217a027 Doi, Y., Kitamura, S., & Abe, H. (1995). Microbial Synthesis and Characterization of Poly(3hydroxybutyrate-co-3-hydroxyhexanoate). Macromolecules, 28(14), 4822-4828. http://doi.org/10.1021/ma00118a007 Dorado, A. D., Lafuente, F. J., Gabriel, D., & Gamisans, X. (2010). A comparative study 94 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. based on physical characteristics of suitable packing materials in biofiltration. Environmental Technology, 31(2), 193-204. http://doi.org/10.1080/09593330903426687 Doran, P. M. (1995). Fluid Flow and Mixing. En Bioprocess Engineering Principles (pp. 129163). Elsevier. http://doi.org/10.1016/B978-012220855-3/50007-9 Escapa, I. F., García, J. L., Bühler, B., Blank, L. M., & Prieto, M. a. (2012). The polyhydroxyalkanoate Pseudomonas metabolism putida. controls Environmental carbon and Microbiology, energy spillage in 14(4), 1049-1063. http://doi.org/10.1111/j.1462-2920.2011.02684.x Eurostat. (2001). Waste management options and climate change. Luxembourg: Office for Official Publications of the European Communities. Recuperado a partir de http://ec.europa.eu/environment/waste/studies/pdf/climate_change.pdf Faccin, D. J. L., Corrêa, M. P., Rech, R., Ayub, M. A. Z., Secchi, A. R., & Cardozo, N. S. M. (2012). Modeling P(3HB) production by Bacillus megaterium. Journal of Chemical Technology & Biotechnology, 87(3), 325-333. http://doi.org/10.1002/jctb.2713 Figueroa, C., Rodríguez, D. M., & Diana. (2005). Evaluación de un sistema de fermentación por lote alimentado para la producción de un biopolímero tipo poli-b-hidroxialcanoato (PHA) a partir de un aislamiento nativo (Tesis de pregrado). Facultad de Ingenieria. Universidad Nacional de Colombia sede Bogotá, Bogotá. Filomena, M., Rodrigues, D. A., Jose, E., & Steinbu, A. (2000). Studies on polyhydroxyalkanoate ( PHA ) accumulation in a PHA synthase I-negative mutant of Burkholderia cepacia generated by homogenotization, 193. Fredrickson, A. G., Megee, R. D., Tsuchiya, H. M., Control, D., & Fermentors, C. (1970). Mathematical models for fermentation processes. Advances in applied microbiology, (12), 419–465. http://doi.org/10.1016/S0065-2164(08)70413-1 Fukui, T., & Doi, Y. (1998). Efficient production of polyhydroxyalkanoates from plant oils by Alcaligenes eutrophus and its recombinant strain. Applied Microbiology and Biotechnology, 49(3), 333-336. http://doi.org/10.1007/s002530051178 Gahlawat, G., & Srivastava, A. K. (2012). Estimation of fundamental kinetic parameters of polyhydroxybutyrate fermentation process of azohydromonas australica using statistical approach of media optimization. Applied Biochemistry and Biotechnology, 168(5), 1051-1064. http://doi.org/10.1007/s12010-012-9840-3 Gahlawat, G., & Srivastava, A. K. (2013). Development of a mathematical model for the Bibliografía 95 growth associated Polyhydroxybutyrate fermentation by Azohydromonas australica and its use for the design of fed-batch cultivation strategies. Bioresource technology, 137(0), 98-105. http://doi.org/10.1016/j.biortech.2013.03.023 Garzón, J. M., & Moreno, A. A. (2005). Evaluación del coeficiente volumétrico de transferencia de oxígeno kla como criterio de escalamiento en la producción de un biopolímero tipo poli-β-hidroxialcanoato (PHAs) con cepas nativas (Trabajo de pregrado). Facultad de ingenieria. Universidad Nacional de Colombia sede Bogotá, Bogotá. Gumel, A. M., Annuar, M. S. M., & Heidelberg, T. (2012). Biosynthesis and Characterization of Polyhydroxyalkanoates Copolymers Produced by Pseudomonas putida Bet001 Isolated from Palm Oil Mill Effluent. PLoS ONE, 7(9), e45214. http://doi.org/10.1371/journal.pone.0045214 Harder, A., & Roels, J. (1982). Microbes and Engineering Aspects. Microbes and Engineering Aspects (Vol. 21). Berlin, Heidelberg: Springer Berlin Heidelberg. http://doi.org/10.1007/3-540-11019-4 Heinzle, E., & Lafferty, R. M. (1980). A Kinetic Model for Growth and Synthesis of Poly-/3Hydroxybutyric Acid (PHB) in Alcaligenes eutrophus H 16. Applied Microbiology and Biotechnology, 11, 8-16. http://doi.org/10.1007/BF00514072 Hill, A. V. (1910). The heat produced in contracture and muscular tone. The Journal of physiology, 40(5), 389-403. http://doi.org/10.1113/jphysiol.1910.sp001377 Horvat, P., Vrana Špoljarić, I., Lopar, M., Atlić, A., Koller, M., & Braunegg, G. (2013). Mathematical modelling and process optimization of a continuous 5-stage bioreactor cascade for production of poly[-(R)-3-hydroxybutyrate] by Cupriavidus necator. Bioprocess and Biosystems Engineering, 36(9), 1235-1250. http://doi.org/10.1007/s00449-012-0852-8 Jie, M. S. F. L. K., Harwood, J. L., & Gunstone, F. D. (2007). Synthesis. En The Lipid Handbook with CD-ROM, Third Edition (pp. 355-414). CRC Press. http://doi.org/10.1201/9781420009675.ch5 Johnson, K., Kleerebezem, R., & van Loosdrecht, M. C. M. (2009). Model-based data evaluation of polyhydroxybutyrate producing mixed microbial cultures in aerobic sequencing batch and fed-batch reactors. Biotechnology and Bioengineering, 104(1), 50-67. http://doi.org/10.1002/bit.22380 Kahar, P., Tsuge, T., Taguchi, K., & Doi, Y. (2004). High yield production of 96 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. polyhydroxyalkanoates from soybean oil by Ralstonia eutropha and its recombinant strain. Polymer Degradation and Stability, 83(1), 79-86. http://doi.org/http://dx.doi.org/10.1016/S0141-3910(03)00227-1 Kaur, G., Srivastava, A. K., & Chand, S. (2012). Mathematical modelling approach for concentration and productivity enhancement of 1,3-propanediol using Clostridium diolis. Biochemical Engineering Journal, 68, 34-41. http://doi.org/10.1016/j.bej.2012.07.004 Keenan, T. M., Tanenbaum, S. W., Stipanovic, A. J., & Nakas, J. P. (2004). Production and Characterization of Poly-β-hydroxyalkanoate Copolymers from Burkholderia cepacia Utilizing Xylose and Levulinic Acid. Biotechnology Progress, 20(6), 1697-1704. http://doi.org/10.1021/bp049873d Keshavarz, T., & Roy, I. (2010). Polyhydroxyalkanoates: bioplastics with a green agenda. Current Opinion in Microbiology, 13(3), 321-326. http://doi.org/10.1016/j.mib.2010.02.006 Khanna, S., & Srivastava, A. K. (2005). Statistical media optimization studies for growth and PHB production by Ralstonia eutropha. Process Biochemistry, 40(6), 2173-2182. http://doi.org/10.1016/j.procbio.2004.08.011 Khanna, S., & Srivastava, A. K. (2006a). Computer simulated fed-batch cultivation for over production of PHB: A comparison of simultaneous and alternate feeding of carbon and nitrogen. Biochemical Engineering Journal, 27(3), 197-203. http://doi.org/10.1016/j.bej.2005.08.006 Khanna, S., & Srivastava, A. K. (2006b). Optimization of nutrient feed concentration and addition time for production of poly(β-hydroxybutyrate). Enzyme and Microbial Technology, 39(5), 1145-1151. http://doi.org/10.1016/j.enzmictec.2006.02.023 Khanna, S., & Srivastava, A. K. (2008). A Simple Structured Mathematical Model for Biopolymer (PHB) Production. Biotechnology Progress, 21(3), 830-838. http://doi.org/10.1021/bp0495769 Koller, M., Niebelschütz, H., & Braunegg, G. (2013). Strategies for recovery and purification of poly[(R)-3-hydroxyalkanoates] (PHA) biopolyesters from surrounding biomass. Engineering in Life Sciences, 13(6), 549-562. http://doi.org/10.1002/elsc.201300021 Lai, S.-Y., Kuo, P.-C., Wu, W., Jang, M.-F., & Chou, Y.-S. (2013). Biopolymer production in a fed-batch reactor using optimal feeding strategies. Journal of Chemical Technology & Biotechnology, 88(11), n/a-n/a. http://doi.org/10.1002/jctb.4067 Bibliografía 97 Lee, S. B., Seressiotis, A., & Bailey, J. E. (1985). A kinetic model for product formation in unstable recombinant populations. Biotechnology and Bioengineering, 27(12), 16991709. http://doi.org/10.1002/bit.260271211 Lee, S. Y. (1996). Plastic bacteria? Progress and prospects for polyhydroxyalkanoate production in bacteria. Trends in Biotechnology, 14(11), 431-438. http://doi.org/10.1016/0167-7799(96)10061-5 Lee, S. Y. (2000). Bacterial polyhydroxyalkanoates. Biotechnology and Bioengineering, 49(1), 1-14. http://doi.org/10.1002/(SICI)1097-0290(19960105)49:1<1::AID- BIT1>3.0.CO;2-P Lee, S. Y., Choi, J., & Wong, H. H. (1999). Recent advances in polyhydroxyalkanoate production by bacterial fermentation: mini-review. International Journal of Biological Macromolecules, 25(1-3), 31-36. http://doi.org/10.1016/S0141-8130(99)00012-4 Liew, E. W.-T., Nandong, J., & Samyudia, Y. (2013). Multi-scale models for the optimization of batch bioreactors. Chemical Engineering Science, 95, 257-266. http://doi.org/10.1016/j.ces.2013.03.036 Lim, H. C., & Shin, H. S. (2013). Fed-Batch Cultures. Fed-Batch Cultures: Principles and Applications of Semi-Batch Bioreactors. Cambridge: Cambridge University Press. http://doi.org/10.1017/CBO9781139018777 Liu, Q., Luo, G., Zhou, X. R., & Chen, G.-Q. (2011). Biosynthesis of poly(3hydroxydecanoate) and 3-hydroxydodecanoate dominating polyhydroxyalkanoates by β-oxidation pathway inhibited Pseudomonas putida. Metabolic Engineering, 13(1), 1117. http://doi.org/10.1016/j.ymben.2010.10.004 Liu, S. (2013). Parametric Estimation. En Bioprocess Engineering (pp. 281-322). Elsevier. http://doi.org/10.1016/B978-0-444-59525-6.00007-X López-Cuellar, M. R., Alba-Flores, J., Rodríguez, J. N. G., & Pérez-Guevara, F. (2011). Production of polyhydroxyalkanoates (PHAs) with canola oil as carbon source. International Journal of Biological Macromolecules, 48(1), 74-80. http://doi.org/10.1016/j.ijbiomac.2010.09.016 Luong, J. H. T. (1985). Kinetics of ethanol inhibition in alcohol fermentation. Biotechnology and Bioengineering, 27(3), 280-285. http://doi.org/10.1002/bit.260270311 Luong, J. H. T. (1987). Generalization of monod kinetics for analysis of growth data with substrate inhibition. Biotechnology http://doi.org/10.1002/bit.260290215 and Bioengineering, 29(2), 242-248. 98 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Luong, J. H. T., Mulchandani, A., & Leduy, A. (1988). Kinetics of biopolymer synthesis: A revisit. Enzyme and Microbial Technology, 10(6), 326-332. http://doi.org/10.1016/0141-0229(88)90010-5 Mankad, T., & Bungay, H. R. (1988). Model for microbial growth with more than one limiting nutrient. Journal of Biotechnology, 7(2), 161-166. http://doi.org/10.1016/01681656(88)90062-4 Megee III, R. D., Drake, J. F., Fredrickson, A. G., & Tsuchiya, H. M. (1972). Studies in intermicrobial symbiosis. Saccharomyces cerevisiae and Lactobacillus casei. Canadian Journal of Microbiology, 18(11), 1733-1742. http://doi.org/10.1139/m72-269 Moreno, L., & Serrato, M. (2004). Biosíntesis de polímeros biodegradables del tipo poli-bhidroxialcanoatos (PHAs) a partir de cepas nativas (Tesis de maestría). Universidad Nacional de Colombia sede Bogotá. Moreno, N., Revelo, D., Aristizabal, F. A., Montoya, D., Espinoza, A., Gutierrez, I., … Suárez, D. (2004). Aislamiento y caracterización de microorganismos con alta capacidad de almacenamiento de poliésteres tipo polihidroxialcanoatos (PHAs). (Tesis de pregrado). Universidad Nacional de Colombia sede Bogotá, Bogotá. Moser, A. (1985). Kinetics of batch fermentations. En Biotechnology (H.J. Rehm, pp. 243283). Weinheim. Mozumder, M. S. I., Goormachtigh, L., Garcia-Gonzalez, L., De Wever, H., & Volcke, E. I. P. (2014). Modeling pure culture heterotrophic production of polyhydroxybutyrate (PHB). Bioresource Technology, 155, 272-280. http://doi.org/10.1016/j.biortech.2013.12.103 Mulchandani, A., Luong, J. H. T., & Groom, C. (1989). Substrate inhibition kinetics for microbial growth and synthesis of poly-?-hydroxybutyric acid by Alcaligenes eutrophus ATCC 17697. Applied Microbiology and Biotechnology, 30(1), 11-17. http://doi.org/10.1007/BF00255990 Murray, J., & King, D. (2012). Climate policy: Oil’s tipping point has passed. Nature, 481(7382), 433-435. http://doi.org/10.1038/481433a Nash, J. E., & Sutcliffe, J. V. (1970). River flow forecasting through conceptual models part I — A discussion of principles. Journal of Hydrology, 10(3), 282-290. http://doi.org/10.1016/0022-1694(70)90255-6 Nicolò, M. S., Franco, D., Camarda, V., Gullace, R., Rizzo, M. G., Fragalà, M., … Guglielmino, S. P. P. (2014). Integrated microbial process for bioconversion of crude Bibliografía 99 glycerol from biodiesel into biosurfactants and phas. Chemical Engineering Transactions, 38, 187-192. http://doi.org/10.3303/CET1438032 Nielsen, J., Emborg, C., Halberg, K., & Villadsen, J. (1989). Compartment model concept used in the design of fermentation with recombinant microorganisms. Biotechnology and Bioengineering, 34(4), 478-486. http://doi.org/10.1002/bit.260340407 Nonato, R., Mantelatto, P., & Rossell, C. (2001). Integrated production of biodegradable plastic, sugar and ethanol. Applied Microbiology and Biotechnology, 57(1-2), 1-5. http://doi.org/10.1007/s002530100732 Novak, M. (2015). Mathematical Modelling as a Tool for Optimized PHA Production. Chemical and Biochemical Engineering Quarterly, 29(2), 183-220. http://doi.org/10.15255/CABEQ.2014.2101 Obruca, S., Benesova, P., Petrik, S., Oborna, J., Prikryl, R., & Marova, I. (2014). Production of polyhydroxyalkanoates using hydrolysate of spent coffee grounds. Process Biochemistry, 49(9), 1409-1414. http://doi.org/10.1016/j.procbio.2014.05.013 Obruca, S., Petrik, S., Benesova, P., Svoboda, Z., Eremka, L., & Marova, I. (2014). Utilization of oil extracted from spent coffee grounds for sustainable production of polyhydroxyalkanoates. Applied Microbiology and Biotechnology, 98(13), 5883-5890. http://doi.org/10.1007/s00253-014-5653-3 OECD. (2013). POLICIES FOR BIOPLASTICS IN THE CONTEXT OF A BIOECONOMY. France: Organisation for Economic Co-operation and Development. Recuperado a partir de http://www.oecd.org/officialdocuments/publicdisplaydocumentpdf/?cote=DSTI/STP/B IO(2013)6/FINAL&docLanguage=En Pan, W., Perrotta, J. A., Stipanovic, A. J., Nomura, C. T., & Nakas, J. P. (2012). Production of polyhydroxyalkanoates by Burkholderia cepacia ATCC 17759 using a detoxified sugar maple hemicellulosic hydrolysate. Journal of Industrial Microbiology & Biotechnology, 39(3), 459-469. http://doi.org/10.1007/s10295-011-1040-6 Patnaik, P. R. (2005). Perspectives in the Modeling and Optimization of PHB Production by Pure and Mixed Cultures. Critical Reviews in Biotechnology, 25(3), 153-171. http://doi.org/10.1080/07388550500301438 Patnaik, P. R. (2006). Dispersion optimization to enhance PHB production in fed-batch cultures of Ralstonia eutropha. Bioresource Technology, 97(16), 1994-2001. http://doi.org/10.1016/j.biortech.2005.09.027 10 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 0 Patniak, P. R. (2009). Genetic Algorithmic Optimization of PHB Production by a Mixed Culture in an Optimally Dispersed Fed-batch Bioreactor. Bioautomation, 13(3), 27-46. Patniak, P. R., & Patnaik, P. R. (2009). Genetic Algorithmic Optimization of PHB Production by a Mixed Culture in an Optimally Dispersed Fed Batch Reactor. Bioautomation, 13(3), 27-46. Recuperado a partir de http://www.clbme.bas.bg/bioautomation/2009/vol_13.3/files/13.3_2.2.pdf Patwardhan, P. R., & Srivastava, A. K. (2004). Model-based fed-batch cultivation of R. eutropha for enhanced biopolymer production. Biochemical Engineering Journal, 20(1), 21-28. http://doi.org/10.1016/j.bej.2004.04.001 Patwardhan, P., & Srivastava, A. K. (2008). Fed-batch cultivation of Wautersia eutropha. Bioresource Technology, 99(6), 1787-1792. http://doi.org/10.1016/j.biortech.2007.03.034 PlasticEurope. (2015). Plastics – the Facts 2015 An analysis of European plastics production, demand and waste data. Recuperado a partir de http://www.plasticseurope.org/documents/document/20121120170458final_plasticsthefacts_nov2012_en_web_resolution.pdf Qi, Q., Steinbüchel, A., & Rehm, B. H. . (1998). Metabolic routing towards polyhydroxyalkanoic acid synthesis in recombinant Escherichia coli (fadR): inhibition of fatty acid beta-oxidation by acrylic acid. FEMS microbiology letters, 167(1), 89-94. http://doi.org/10.1111/j.1574-6968.1998.tb13212.x Raje, P., & Srivastava, A. K. (1998). Updated mathematical model and fed-batch strategies for poly-β-Hydroxybutyrate (PHB) production by Alcaligenes eutrophus. Bioresource Technology, 64(3), 185-192. http://doi.org/10.1016/S0960-8524(97)00173-9 Rehm, B. H. A., & Steinbüchel, A. (2005). Polyhydroxyalkanoate (PHA) Synthases: The Key Enzymes of PHA Synthesis. En Y. Doi & A. Steinbüchel (Eds.), Biopolymers Online. Weinheim, Germany: Wiley-VCH Verlag GmbH & Co. KGaA. http://doi.org/10.1002/3527600035.bpol3a06 Revelo, D. (2005). Diseño de iniciadores y validación de una metodología molecular para la selección de bacterias de diferentes géneros acumuladoras de polihidroxialcanoatos (PHAs). (Tesis de Maestría). Universidad Nacional de Colombia sede Bogotá. Rodríguez-Contreras, A., Koller, M., Miranda-de Sousa Dias, M., Calafell-Monfort, M., Braunegg, G., & Marqués-Calvo, M. S. (2013). High production of poly(3- Bibliografía 101 hydroxybutyrate) from a wild Bacillus megaterium Bolivian strain. Journal of Applied Microbiology, 114(5), 1378-1387. http://doi.org/10.1111/jam.12151 Shahhosseini, S. (2004). Simulation and optimisation of PHB production in fed-batch culture of Ralstonia eutropha. Process Biochemistry, 39(8), 963-969. http://doi.org/http://dx.doi.org/10.1016/S0032-9592(03)00209-7 Shang, L., Fan, D. Di, Kim, M. Il, Choi, J. D. R., & Chang, H. N. (2007). Modeling of poly(3hydroxybutyrate) production by high cell density fed-batch culture of Ralstonia eutropha. Biotechnology and Bioprocess Engineering, 12(4), 417-423. http://doi.org/10.1007/BF02931065 Shuler, M., & Kargi, F. (1992). Bioprocess engineering: basic concepts. Prentice Hall. Somleva, M. N., Peoples, O. P., & Snell, K. D. (2013). PHA Bioplastics, Biochemicals, and Energy from Crops. Plant Biotechnology Journal, 11(2), 233-252. http://doi.org/10.1111/pbi.12039 Strehaiano, P., Mota, M., & Goma, G. (1983). Effects of inoculum level on kinetics of alcoholic fermentation. Biotechnology Letters, 5(2), 135-140. http://doi.org/10.1007/BF00132173 Suárez, J. C. (1997). Biosíntesis y caracterización de polímeros biodegradables PHAs (poli –β-hidroxialcanoatos), mediante bacterias del género Pseudomonas. (Tesis de pregrado). Universidad Nacional de Colombia sede Bogotá, Bogotá. Sudesh, K. (2013). Introduction. En Polyhydroxyalkanoates from Palm Oil: Biodegradable Plastics (pp. 1-2). Springer Berlin Heidelberg. http://doi.org/10.1007/978-3-64233539-6_1 Sudesh, K. (2013). Polyhydroxyalkanoates from Palm Oil: Biodegradable Plastics. (Springer, Ed.) SpringerBriefs in Microbiology. Sudesh, K., Abe, H., & Doi, Y. (2000). Synthesis, structure and properties of polyhydroxyalkanoates: biological polyesters. Progress in Polymer Science, 25(10), 1503-1555. http://doi.org/10.1016/S0079-6700(00)00035-6 Suzuki, T., Yamane, T., & Shimizu, S. (1986a). Kinetics and effect of nitrogen source feeding on production of poly-?-hydroxybutyric acid by fed-batch culture. Applied Microbiology and Biotechnology, 24(5), 366-369. http://doi.org/10.1007/BF00294591 Suzuki, T., Yamane, T., & Shimizu, S. (1986b). Mass production of poly-β-hydroxybutyric acid by fully automatic fed-batch culture of methylotroph. Applied Microbiology and Biotechnology, 23, 322-329. http://doi.org/10.1007/BF00294591 10 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 2 Tohyama, M., Patarinska, T., Qiang, Z., & Shimizu, K. (2002). Modeling of the mixed culture and periodic control for PHB production, 10, 157-173. Tsuchiya, H. M., Fredrickson, Populations. Advances a. G., & Aris, R. (1966). Dynamics of Microbial Cell in Chemical Engineering, 6, 125-206. http://doi.org/10.1016/S0065-2377(08)60275-6 Verhulst, P. F. (1838). Notice sur la loi que la population suit dans son accroissement. Curr. Math. Phys, 10, 113+. Recuperado a partir de http://www.scopus.com/record/display.url?eid=2-s2.079955971037&#38;origin=inward&#38;txGid=zA1wRQNr3-qw0mse7ttLxJX%3a4 Verlinden, R. A. J., Hill, D. J., Kenward, M. A., Williams, C. D., & Radecka, I. (2007). Bacterial synthesis of biodegradable polyhydroxyalkanoates. Journal of Applied Microbiology, 102(6), 1437-1449. http://doi.org/10.1111/j.1365-2672.2007.03335.x Wang, J., Yue, Z.-B., Sheng, G.-P., & Yu, H.-Q. (2010). Kinetic analysis on the production of polyhydroxyalkanoates from volatile fatty acids by Cupriavidus necator with a consideration of substrate inhibition, cell growth, maintenance, and product formation. Biochemical Engineering Journal, 49(3), 422-428. http://doi.org/http://dx.doi.org/10.1016/j.bej.2010.02.005 Wang, Y., & Liu, S. (2014). Production of (R)-3-hydroxybutyric acid by Burkholderia cepacia from wood extract hydrolysates. AMB Express, 4(1), 28. http://doi.org/10.1186/s13568-014-0028-9 Wang, Y., Yin, J., & Chen, G. Q. (2014). Polyhydroxyalkanoates, challenges and opportunities. Current Opinion in Biotechnology, 30, 59-65. http://doi.org/10.1016/j.copbio.2014.06.001 Williams, F. M. (1967). A model of cell growth dynamics. Journal of theoretical biology, 15, 190-207. Yang, J., Huang, J., & Ni, J. (2006). Mathematical modeling of the batch fermentation of Zoogloea sp. GY3 used for synthesizing polyhydroxyalkanoates. Journal of Chemical Technology & Biotechnology, 81(5), 789-793. http://doi.org/10.1002/jctb.1447 Yu, J., Si, Y., Keung, W., & Wong, R. (2002). Kinetics modeling of inhibition and utilization of mixed volatile fatty acids in the formation of polyhydroxyalkanoates by Ralstonia eutropha. Process Biochemistry, 37(7), http://doi.org/http://dx.doi.org/10.1016/S0032-9592(01)00264-3 731-738. Bibliografía 103 A. Anexo: Preparación medios de cultivo Reactivos Componentes Cantidad Unidades KH2PO4 Na2HPO4 (NH4)2SO4 MgSO4 Tween 80 Micronutrientes Fuente de carbono Anti espumante 2.65 3.39 2.8 0.3 0.25 2 20 1.5 g/L g/L g/L g/L mL/g Aceite mL/L g/L mL/mL Tween80 Elementos traza micronutrientes FeSO4 CaCl2 CoCl2 * 6H2O CuCl2 * 2H2O NiCl3 * 6H2O MnCl2 * 4H2O ZnSO4 * 7H2O H3BO3 NaMoO4* 2H2O g/L 2 2 0.2 0.01 0.2 0.03 0.1 0.3 0.03 Procedimiento preparación medio de cultivo 1. En un recipiente se adicionan los componentes KH2PO4, Na2HPO4, (NH4)2SO4, y MgSO4. 2. Se diluyen en agua destilada con agitación y se adiciona al mismo tiempo los micronutrientes. 3. Diluida las sales se ajusta el pH del medio con NaOH. 4. Se adiciona el aceite vegetal, tween 80, el antiespumante y se homogeniza la mezcla; luego se transvasa al reactor o Erlenmeyers. 5. Se esteriliza el medio durante 30 min a 121 ºC 10 4 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Procedimiento preparación micronutrientes 1. Preparar una solución de concentración 1 N de HCl. 2. Adicionar los micronutrientes en un recipiente a las concentraciones establecidas y agregar la solución de HCl 1N para que la solución de micronutrientes quede con una concentración de 0.2 %(v/v) con respecto al HCl 3. Agitar y conservar a 3 ºC frio. B. Anexo: Protocolos experimentales B-1. Preparación de stock de trabajo Reactivos - NaCl - Extracto de levadura - Triptosa. - Glicerol Materiales - Erlenmeyer de 2000 mL - Crioviales de 2 mL, estériles - Micropipeta 1000 mL - Puntas micropipeta estéril - Tubos tipo Falcon estériles Medio de cultivo Compuesto NaCl Triptosa Extracto de levadura Concentración (g/l) 10 10 5 Procedimiento 1. Preparación del LB: se utilizó un Erlenmeyer de 2000 mL se mezcla la triptosa, cloruro de sodio y el extracto de levadura, posteriormente llevar el aforo a 1000 mL. 2. Se llevó el LB a esterilización 3. Se inoculó 0,5 mL de la cepa B27 original. 4. Se dejó en agitación 200 rpm y a 32 °C durante 48 horas. 5. Se tomaron muestras periódicas para análisis de pureza, en agar nutritivo. 10 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 6 6. Se cuantifica la cantidad de biomasa en Falcon y se mezcla 1:1 el LB con biomasa y glicerol. 7. Se agitó con vortex la mezcla resultante en cada Falcon y se adiciono 1 mL por cada criovial. B-2. Determinación de la concentración de biomasa Reactivos - Muestra del caldo de fermentación - agua destilada estéril Materiales - Tubos Falcon de 15 mL Procedimiento 1. Pesar tubos Falcon en balanza analítica 2. Tomar 5 mL de muestra del caldo de fermentación en los tubos Falcon. 3. Centrifugar a 9000 g durante 10 minutos. 4. Descartar el sobrenadante 5. Adicionar al pellet 5 mL de agua destilada y resuspender la biomasa con ayuda de vortex. 6. Centrifugar a 9000 g por 10 min. 7. Descartar sobrenadante. 8. Reconstituir la biomasa con 5 mL de agua destilada. 9. Centrifugar a 9000 g por 10 min. 10. Descartar sobrenadante. 11. Secar a 75 ºC durante 24 horas 12. Pesar el tubo Falcon con el pellet seco, cuantificar. Nota 1: Si se observa que el medio de cultivo en el proceso de centrifugación el medio no tiende a dejar un sobrenadante claro, se recomienda diluir el medio de cultivo con agua destilada antes del primer centrifugado, para facilitar la precipitación de la biomasa. Si se necesita determinar también la concentración de sustratos remanentes en el medio de B. Anexo: Protocolos experimentales 107 cultivo tales como amonio, se debe conservar el sobrenadante que resulta de la primera centrifugación. B-3. Determinación de la concentración de polímero PHA Reactivos - Muestra del caldo de fermentación - agua destilada estéril - SDS (detergente) al 20% Materiales - Tubos Falcon de 15 mL Procedimiento 13. Pesar tubos Falcon en balanza analítica 14. Tomar 5 mL de muestra del caldo de fermentación en los tubos Falcon. 15. Centrifugar a 9000 g durante 10 minutos. 16. Descartar el sobrenadante 17. Adicionar al pellet 5 mL de agua destilada y resuspender la biomasa con ayuda de vortex. 18. Centrifugar a 9000 g por 10 min. 19. Descartar sobrenadante. 20. Reconstituir la biomasa con 5 mL de agua destilada. 21. Centrifugar a 9000 g por 10 min. 22. Descartar sobrenadante. 23. Con el peso calculado de biomasa del anexo B, se determina la cantidad de SDS aplicado al tubo de Falcon para el proceso de extracción y separación de biomasa. 24. Se adicionan 0.55 (% v/p biomasa) 25. Se agita en vortex con 2 ml de agua destilada. 26. Se lleva a proceso de digestión en baño termostatado a 90 ºC durante 1 hora. 27. Centrifugar a 9000 g por 10 min. 28. Descartar sobrenadante. 29. Reconstituir el pellet con 5 mL de agua destilada. 10 8 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 30. Centrifugar a 9000 g por 10 min. 31. Descartar sobrenadante. 32. Reconstituir la biomasa con 5 mL de agua destilada. 33. Centrifugar a 9000 g por 10 min. 34. Descartar sobrenadante. 35. Secar a 75 ºC durante 24 horas 36. Pesar el tubo Falcon con el pellet seco, cuantificar. Nota 1: Si se observa el medio de cultivo muy espeso, se recomienda diluir el medio de cultivo con agua destilada antes del primer centrifugado, para facilitar la precipitación de la biomasa. Si se necesita determinar también la concentración de sustratos remanentes en el medio de cultivo tales como amonio, se debe conservar el sobrenadante que resulta de la primera centrifugación. B-4. Determinación de amonio mediante la técnica de berthelot y curva de calibración Preparación de soluciones - Solución de fenol 11.1% (11.1 g de fenol/ 100 mL de etanol al 95 %). - Solución de nitroprusiato (0.5 g de nitroprusiato/100 mL agua destilada y almacenar en botella ambar). - Citrato alcalino (adicionar 200 g citrato trisodico + 10 g de hidróxido de sodio en 700 mL de agua destilada y aforar a 1000 mL). - Hipoclorito de sodio, solución comercial al 5.25 %. - Solución oxidante (10 mL de citrato alcalino + 2.5 mL de hipoclorito de sodio comercial 5.25 % que se debe preparar justo antes de adicionar; no se debe almacenar). - Solución madre se Sulfato de amonio 10 mg/L (en agua destilada) B. Anexo: Protocolos experimentales 109 Procedimiento 1. Tomar un volumen de 100 μl del sobrenadante obtenido a partir de la centrifugación y diluirlo en 4900 μl de agua destilada en un tubo de ensayo. Atención: con esto se logra una dilución 1:50 que puede ser insuficiente en ciertos casos, ver la nota aclaratoria al final del protocolo para determinar la mejor dilución. 2. Adicionar al tubo anterior a 200 μl de fenol, 200 μl de nitroprusiato y 500 μl de solución oxidante. 3. Agitar los tubos e incubar a temperatura ambiente por una hora en un lugar iluminado. Se debe desarrollar un color azul aguamarina cuya intensidad será proporcional a la concentración de amonio en la muestra. 4. Leer a 640 nm. Preparación del blanco Es la solución contra la cual se comparan las muestras, se adicionan 5000 μl de agua destilada a un tubo de ensayo y se continua desde el paso 2. El blanco se debe preparar al tiempo con las muestras para evitar errores experimentales adicionales. Advertencia: El fenol penetra la piel rápidamente, en particular cuando está líquido, causando lesiones severas que pueden ser fatales. Es corrosivo sobre los tejidos corporales, causando severas quemaduras químicas y debido a sus propiedades de anestésico local, las quemaduras cutáneas pueden ser indoloras. Usar siempre guantes y gafas para su manipulación y trabajar en un lugar con buena ventilación. Curva de calibración Para la elaboración de la curva de calibración se prepara una solución madre de sulfato de amonio de 10 mg/L a partir de la cual se preparan en tubos de ensayo las soluciones descritas en la siguiente tabla: Blanco 1 2 3 4 5 6 7 8 9 10 11 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 0 Solución madre de sulfato de amonio ( mL) 0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2 Agua destilada (mL) 5 4.8 4.6 4.4 4.2 4 3.8 3.6 3.4 3.2 3 Volumen final (mL) 5 5 5 5 5 5 5 5 5 5 5 Concentración (mg/L) 0 0.4 0.8 1.2 1.6 2 2.4 2.8 3.2 3.6 4 Una vez se tienen las soluciones anteriores en los tubos de ensayo, se continua con el procedimiento desde el paso 2 y se grafica la absorbancia contra la concentración de cada muestra. Se hace la regresión lineal correspondiente y se obtiene así la ecuación de absorbancia (y) en términos de la concentración (x). Abs (640nm) Curva de calibracion amonio 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 -0,1 0 y = 0,2178x - 0,0073 R² = 0,9955 Series1 Lineal (Series1) 1 2 3 4 Concentracion sulfato de amonio (mg/l) 5 Cada vez que se preparen los reactivos hay que elaborar una nueva curva de calibración. La ecuación despejada para la curva obtenida con los reactivos actuales es: Concentración (NH4)2SO4 (mg/L) = ((Absorbancia /0.0073) + 0.0217)*Factor de dilución Nota 1: El límite de detección de la técnica aquí descrita es 4 mg/l, por lo tanto, debe procurarse que la concentración de la muestra a leer se encuentre por debajo de este valor, B. Anexo: Protocolos experimentales 111 de lo contrario será necesario hacer una dilución. Dada la sensibilidad de la técnica, las diluciones que se deben realizar son muy altas por lo que es necesario emplear micropipetas calibradas que permitan tomar los volúmenes correctos. Adicionalmente, es importante tener en cuenta que la cantidad de reactivos empleada fue establecida para un volumen de muestra de 5 mL, por lo tanto, sea cual sea la dilución que se haga del sobrenadante se debe obtener un volumen final de 5 mL o de lo contrario ajustar los volúmenes requeridos de los reactivos y validarlos determinando la concentración de una muestra patrón cuya cantidad de sulfato de amonio es conocida. Ejemplo: Se sabe que la concentración inicial de sulfato de amonio en el medio de cultivo es de 1 g/l, por lo tanto, es necesario diluirla por lo menos 250 veces para tener una muestra cuya concentración será aproximadamente 4mg/l. Se debe entonces tomar 0.2 mL del sobrenadante y adicionar 4.8 mL de agua destilada para completar un volumen de 5 mL y continuar con el procedimiento desde el paso 4. Cabe resaltar, que se elaboró la curva de calibración en cada semana en la que se cuantificaban nuevas muestras. B-5. Tinción de Gram Reactivos - Solución Violeta de Gram. - Solución de Lugol. - Solución Alcohol–acetona, 50-50. - Solución Safranina o fucsina de Gram. - Solución salina NaCl (0.8%). Procedimiento Preparación de la muestra: 1. En una lámina porta-objeto limpia y desengrasada, se adiciona con ayuda del asa microbiológica redonda, una gota del medio de cultivo; se esparce sobre la lámina porta-objeto y se seca flameando con el mechero. 11 2 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 2. Luego que la muestra se encuentre completamente seca, se adicionan los reactivos mostrados en la siguiente tabla, respetando el orden y los tiempos establecidos: Procedimiento para la tinción de gram Reactivo Tiempo (s) Solución Violeta de Gram 60 Lavar con agua Solución Lugol. 60 Lavar con agua Solución alcohol-acetona 15 Lavar con agua Solución Safranina 60 Lavar con agua y dejar secar al ambiente C. Anexo: microbianas Datos de cinéticas C-1. Escala matraz 1. Resultados a escala matraz: evaluación del comportamiento de la velocidad especifica de crecimiento en diferentes concentraciones de aceite vegetal. Concentraciones para ensayo de inhibición con aceite vegetal y concentración de sulfato de amonio constante (2.8 g/L) 200 rpm a 32 ºC Concentración de aceite vegetal (g/L) 30 60 70 Tiempo (h) 80 100 130 140 160 170 Biomasa (g/L) 0 1.2 1.2 1.2 1.2 1.2 1.2 1.2 1.2 1.2 6 3.0 1.2 1.4 4.0 1.7 4.3 4.4 3.5 2.2 12 5.2 4.1 1.9 3.9 4.5 6.6 4.8 3.2 1.8 24 10.0 8.1 9.3 16.8 8.1 11.6 8.5 3.6 2.0 30 12.8 11.5 10.1 9.5 10.0 12.4 10.8 3.9 2.5 Concentraciones para ensayo de limitación con aceite vegetal y concentración de sulfato de amonio constante (2.8 g/L) 200 rpm a 32 ºC Concentración de aceite vegetal (g/L) 0.5 2 4 Tiempo (h) 8 12 14 16 20 Biomasa (g/L) 0 1.20 1.20 1.20 1.20 1.20 1.20 1.20 1.20 6 1.63 3.10 2.23 4.07 0.85 2.70 6.50 3.60 12 2.60 2.70 5.60 3.70 2.53 4.75 5.85 6.20 24 3.40 7.37 7.33 8.50 7.20 8.60 9.95 8.40 11 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 4 30 4.17 8.97 9.45 10.05 9.07 11.07 11.70 10.93 2. Resultados a escala matraz: evaluación del comportamiento de la velocidad especifica de crecimiento en diferentes concentraciones de sulfato de amonio. Concentraciones para ensayo de inhibición con sulfato de amonio y concentración de aceite vegetal constante (20 g/L) 200 rpm a 32 ºC. Concentración sulfato de amonio(g/L) 3.2 6.2 Tiempo (h) 8 10 Biomasa (g/L) 0 3.2 3.2 3.2 3.2 6 6.7 10.2 11 19.96 12 10.6 10.8 11.2 12.5 24 9.9 12.16 10.8 6.5 30 15.93 11.8 7.23 12.43 Concentraciones para ensayo de limitación con sulfato de amonio y concentración de aceite vegetal constante (20 g/L) 200 rpm a 32 ºC. Concentración sulfato de amonio (g/L) 0.2 0.4 0.8 Tiempo (h) 1 1.4 1.8 2.3 2.8 Biomasa (g/L) 0 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 6 2.73 3.73 2.4 2.1 3.43 4.13 4.1 3.33 12 5.4 3.1 6.3 4.13 4.36 3.15 5.15 6.4 24 9.4 10.26 8.7 7.5 9.86 9.95 11.3 11.15 30 11.06 9.7 11.5 8.56 11.45 11.2 11.56 11.83 C. Anexo: Datos de cinéticas microbianas 115 3. Resultados a escala matraz: velocidades específicas de crecimiento obtenidas de las pendientes de la curva de generación de biomasa a escala matraz. Datos de inhibición de velocidad especifica de crecimiento con aceite vegetal. Concentración inicial (g/L) µ (h-1) 30 60 70 80 100 130 140 160 170 0.0593 0.057 0.061 0.049 0.0449 0.0443 0.0376 0.0056 0 Datos de inhibición de velocidad especifica de crecimiento con sulfato de amonio. Concentración inicial (g/L) µ (h-1) 2.8 0.051 3.2 0.0433 6.2 0.0344 8 0.0301 10 0.0014 Datos de limitación de velocidad especifica de crecimiento con aceite vegetal. Concentración inicial (g/L) µ (h-1) 0.5 2 4 8 12 14 16 20 0.04 0.065 0.065 0.065 0.069 0.072 0.071 0.067 11 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 6 Datos de limitación de velocidad especifica de crecimiento con aceite vegetal. Concentración inicial (g/L) µ (h-1) 0.2 0.0407 0.4 0.0518 0.8 0.051 1 0.053 1.4 0.0538 1.8 0.0524 2.3 0.0476 2.8 0.0515 0.2 0.0407 C-2. Escala Biorreactor 7 L A continuación, se recopilan los datos recolectados experimentalmente de los ensayos a escala biorreactor de 7 L con volumen de trabajo de 5 L 240 rpm, 2 vvm y 32 ºC, para la construcción del modelo. Condiciones (concentraciones óptimas de sustratos limitantes) Ensayo 1 C. Anexo: Datos de cinéticas microbianas - Aceite vegetal: 20 g/L - Sulfato de amonio: 2.8 g/L - Relación C/N: 28.81 117 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 1.46 0.22 20.00 2.29 6 1.83 0.58 19.56 1.74 11 3.19 1.47 17.94 1.64 23 5.70 4.34 14.94 1.23 30 7.17 6.02 13.19 0.60 35 11.23 8.68 8.34 0.42 47 13.54 13.08 5.59 0.29 53 15.91 14.88 2.75 0.30 59 15.08 14.19 3.74 0.29 71 15.09 14.32 3.73 0.27 77 15.40 13.20 3.36 0.38 Ensayo 2 - Aceite vegetal: 20 g/L - Sulfato de amonio: 2.8 g/L - Relación C/N: 28.81 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 0.12 0.58 20.00 2.90 5 1.13 0.82 18.80 2.67 19 4.60 2.35 14.65 1.54 24 4.79 2.45 14.43 0.90 29 5.49 3.47 13.59 0.61 43 11.43 7.37 6.51 0.37 48 12.37 4.97 5.39 0.09 53 13.28 5.05 4.30 0.20 67 14.86 5.92 2.41 0.77 72 13.28 6.93 4.30 0.21 11 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 8 Ensayo 3 - Aceite vegetal: 20 g/L - Sulfato de amonio: 2.36 g/L - Relación C/N: 34.19 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 0.90 0.53 20.00 2.37 5 1.26 0.56 19.57 1.78 19 2.19 1.50 18.45 1.36 24 3.95 2.25 16.36 1.02 29 4.22 2.74 16.03 0.60 43 6.94 2.86 12.79 0.35 48 7.19 5.80 12.49 0.09 53 8.71 6.49 10.67 0.07 67 11.11 7.51 7.81 0.23 72 10.99 7.58 7.95 0.05 Condiciones (concentraciones mínimas de sustratos limitantes aceite vegetal) Ensayo 1 - Aceite vegetal: 5 g/L - Sulfato de amonio: 2.8 g/L - Relación C/N: 7.02 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 2.83 4.01 5.00 2.41 6 2.51 1.54 2.10 2.36 18 3.49 2.57 1.11 2.08 24 3.80 2.26 6.55 1.69 31 5.02 3.39 8.52 1.03 43 6.52 4.05 6.55 0.84 48 6.67 4.97 9.26 0.44 54 6.70 5.25 8.30 0.13 66 6.65 4.80 8.95 0.12 C. Anexo: Datos de cinéticas microbianas 72 5.42 3.50 119 2.62 0.16 Ensayo 2 - Aceite vegetal: 5 g/L - Sulfato de amonio: 2.8 g/L - Relación C/N: 7.2 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 2.06 4.01 5.00 2.73 6 2.71 1.54 4.13 2.66 18 4.46 2.57 2.00 2.48 24 5.26 2.26 1.08 0.98 31 5.24 3.39 1.08 1.10 43 6.62 4.05 0.00 0.68 48 6.49 4.97 0.13 0.23 54 6.78 5.25 0.00 0.06 66 5.71 4.80 1.02 0.02 72 6.34 3.50 0.42 0.05 Condiciones (concentraciones mínimas de sustratos limitantes sulfato de amonio) Ensayo 1 - Aceite vegetal: 20 g/L - Sulfato de amonio: 1.4 g/L - Relación C/N: 57.63 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 1.04 1.89 20.00 1.05 5.5 2.75 1.86 14.11 1.03 19 6.91 3.61 11.69 0.85 24 8.19 5.65 7.33 0.03 29.5 8.60 5.92 5.75 0.01 42 9.34 7.59 2.07 0.01 48 8.35 6.41 3.16 0.01 12 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 0 53 8.78 6.61 4.66 0.12 68 10.60 8.60 3.81 0.29 73 10.72 8.83 0.00 0.03 Ensayo 2 - Aceite vegetal: 20 g/L - Sulfato de amonio: 1.4 g/L - Relación C/N: 57.63 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 1.04 3.52 20.00 1.52 6 5.35 2.95 18.29 1.49 18 11.62 6.64 15.90 0.92 24 9.73 8.53 15.77 0.01 30 8.84 8.40 15.25 0.01 42 12.58 10.18 11.50 0.35 48 14.17 10.93 4.73 0.44 54 13.54 10.09 4.28 0.17 66 15.52 11.97 3.44 0.28 72 16.47 13.80 0.00 0.56 Condiciones (concentraciones máximas de sustratos limitantes aceite vegetal) Ensayo 1 - Aceite vegetal: 140 g/L - Sulfato de amonio: 6.6/L - Relación C/N: 85.58 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 4.00 1.51 140.00 6.60 5 6.27 4.13 137.29 5.39 19 8.90 3.90 134.16 5.04 24 7.62 5.42 135.67 4.43 C. Anexo: Datos de cinéticas microbianas 121 29 7.76 5.45 135.52 4.16 48 11.64 8.80 130.88 3.67 53 11.80 8.17 130.70 3.22 67 11.57 9.22 130.96 3.73 Ensayo 2 - Aceite vegetal: 100 g/L - Sulfato de amonio: 2.8 g/L - Relación C/N: 140.09 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 1.04 0.91 100.00 2.88 5 2.69 1.81 96.21 2.83 19 5.60 3.85 88.20 2.39 24 5.87 3.45 86.37 1.10 29 7.27 5.73 83.38 0.71 43 9.39 6.37 77.39 0.51 48 10.04 7.45 75.50 0.27 53 11.40 8.66 72.95 0.08 67 11.28 7.41 69.97 0.09 72 12.93 6.17 67.38 0.02 Condiciones (concentraciones altas de sulfato de amonio) Ensayo 1 - Aceite vegetal: 20 g/L - Sulfato de amonio: 5 g/L - Relación C/N: 16.23 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 1.33 0.99 20.00 4.97 6 1.74 0.45 19.51 4.77 18 4.53 2.41 16.19 4.47 12 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 2 24 7.83 3.77 12.25 3.64 31 8.68 6.44 11.23 3.31 43 9.24 6.29 10.56 1.20 48 9.63 8.05 10.10 1.36 54 10.77 7.72 8.73 1.32 66 12.05 8.49 7.21 1.29 72 13.51 9.17 5.47 1.37 Condiciones (concentraciones de sustratos limitantes variables validación) Ensayo 1 - Aceite vegetal: 40 g/L - Sulfato de amonio: 5 g/L - Relación C/N: 35.39 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 2.00 0.22 40.00 4.57 6 2.80 1.04 39.04 4.01 18 4.48 3.93 37.04 2.98 24 8.35 4.90 32.42 2.50 29 8.88 5.83 31.79 1.19 48 10.99 9.32 29.28 0.37 53 11.12 8.95 29.12 0.27 67 12.61 10.75 27.34 0.03 Ensayo 2 - Aceite vegetal: 40 g/L - Sulfato de amonio: 2 g/L - Relación C/N: 82.33 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 2.12 0.22 40.00 2.0 6 3.00 1.62 38.81 2.7 C. Anexo: Datos de cinéticas microbianas 123 19 8.93 6.70 31.73 1.5 24 9.11 6.64 31.52 0.9 29 9.68 7.26 30.83 0.6 42 12.01 9.60 28.06 0.4 48 11.61 9.87 28.54 0.1 53 11.80 9.91 28.30 0.2 67 11.83 9.70 28.27 0.8 72 12.80 10.37 27.11 0.2 Escala biorreactor 100 L Ensayo 1 - Aceite vegetal: 40 g/L - Sulfato de amonio: 4 g/L - Relación C/N: 38.98 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 1.85 1.32 40.00 4.15 5 2.32 2.13 39.62 3.61 19 5.24 3.77 36.13 1.62 24 6.93 6.08 34.12 1.05 29 10.23 7.33 30.18 0.76 43 10.82 8.19 29.48 0.28 48 12.03 10.24 28.03 0.11 53 12.19 10.21 27.84 0.14 67 12.90 11.39 26.99 0.02 72 14.02 12.63 25.66 0.11 Ensayo pulsos Ensayo 1 - Medio inicial: aceite vegetal 20 g/L sulfato de amonio 2.8 g/L 12 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 4 - Concentración del medio de alimentación: aceite vegetal 20 g/L sulfato de amonio 2.8 g/L - Volumen inicial: 3 L - Flujo de alimentación: 1.8 L/h - Dos pulsos 1 a las 24 h segundo a las 48 h, 1 L cada uno t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 1.70 0.55 20.00 2.32 6 3.58 0.97 17.76 1.32 20 5.78 4.03 15.13 1.01 24 6.21 2.21 14.62 0.76 28 10.97 5.59 8.94 0.89 48 13.50 6.85 5.92 0.11 53 12.28 7.07 7.37 0.04 68 10.81 8.87 9.13 0.25 77 12.70 10.94 6.87 0.10 91 14.84 12.51 4.31 0.09 97 15.49 12.73 3.55 0.08 77 12.70 10.94 6.87 0.10 Ensayo 2 - Medio inicial: aceite vegetal 20 g/L sulfato de amonio 2.8 g/L - Concentración del medio de alimentación: aceite vegetal 20 g/L sulfato de amonio 2.8 g/L - Volumen inicial: 3 L - Flujo de alimentación: 1.8 L/h - Dos pulsos 1 a las 24 h segundo a las 48 h, 1 L cada uno t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 4.58 0.86 20.00 2.85 5 1.73 1.37 23.39 2.21 19 8.91 2.48 14.83 1.96 C. Anexo: Datos de cinéticas microbianas 125 24 10.47 3.06 12.97 1.41 29 7.07 3.54 17.03 1.14 43 11.02 7.09 12.32 0.27 48 14.14 6.77 8.59 0.27 53 13.26 10.68 9.64 0.22 67 13.96 11.19 8.80 0.76 72 15.07 11.91 7.48 0.54 Ensayo 3 - Medio inicial: aceite vegetal 20 g/L sulfato de amonio 2.8 g/L - Concentración del medio de alimentación: aceite vegetal 40 g/L sulfato de amonio 4 g/L - Volumen inicial: 3 L - Flujo de alimentación: 1.8 L/h - Dos pulsos 1 a las 24 h segundo a las 48 h, 1 L cada uno t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 3.78 0.87 20.00 2.73 6 2.23 0.20 21.85 2.63 21 8.97 4.56 13.81 1.45 24 10.05 5.23 12.52 1.04 29 5.90 2.76 17.47 0.84 44 9.67 6.28 12.98 0.20 48 12.25 9.25 9.90 0.20 53 8.58 8.53 14.27 0.16 73 11.48 7.10 10.82 0.40 78 12.12 9.58 10.05 0.20 96 14.35 11.12 7.39 0.05 Ensayo 4 - Medio inicial: aceite vegetal 20 g/L sulfato de amonio 2.8 g/L 12 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 6 - Concentración del medio de alimentación: aceite vegetal 106 g/L sulfato de amonio 24 g/L - Volumen inicial: 4.2L - Flujo de alimentación: 1.8 L/h - 1 pulso a las 26 h de 500 mL t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 0.85 0.45 20.00 2.82 4 1.47 1.66 19.26 2.29 20 7.81 5.44 11.69 1.75 24 7.77 4.95 11.75 1.24 29 13.51 5.44 4.89 2.74 43 13.60 9.04 4.79 1.33 48 14.14 9.73 4.14 0.77 52 20.09 10.52 0.00 0.34 67 19.30 14.63 0.94 0.02 76 18.77 14.33 1.58 0.00 Ensayo lote alimentado Ensayo 1 - Medio inicial: aceite vegetal 20 g/L sulfato de amonio 2.8 g/L - Concentración del medio de alimentación: aceite vegetal 150 g/L sulfato de amonio 21 g/L - Volumen inicial: 3 L - Flujo de alimentación: 0.0108 L/h y 0.005 L/h, mezcla aceite medio. - Primer flujo de alimentación a las 24 h segundo a las 48 h t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) C. Anexo: Datos de cinéticas microbianas 127 0 0.55 0.23 20.00 2.81 5.5 0.72 1.26 19.80 2.68 19 6.19 2.94 13.27 1.90 24 7.56 3.25 11.64 0.87 29 9.41 4.74 9.43 0.39 43 11.32 8.99 7.15 0.27 48 10.59 7.58 8.02 0.31 53 8.33 7.16 10.71 0.30 67 9.40 7.00 9.44 0.30 72 10.03 8.25 8.69 0.31 77 10.19 8.01 8.50 0.34 Ensayo 2 - Medio inicial: aceite vegetal 20 g/L sulfato de amonio 2.8 g/L - Concentración del medio de alimentación: aceite vegetal 150 g/L sulfato de amonio 21 g/L - Volumen inicial: 3 L - Flujo de alimentación: 0.0108 L/h y 0.005 L/h, mezcla aceite medio. - Primer flujo de alimentación a las 24 h segundo a las 48 h t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 0.55 0.23 20.00 2.81 5 2.25 1.26 17.97 2.68 19 6.19 2.94 13.27 1.90 24 7.56 3.25 11.64 0.87 29 9.41 4.74 9.43 0.39 43 11.32 11.54 7.15 0.27 48 14.59 10.58 3.25 0.31 53 12.33 10.52 5.95 0.30 67 13.25 11.01 4.85 0.30 72 13.03 10.85 5.11 0.31 12 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. 8 Ensayo 3 - Medio inicial: aceite vegetal 20 g/L sulfato de amonio 2.8 g/L - Concentración del medio de alimentación: aceite vegetal 150 g/L sulfato de amonio 21 g/L - Volumen inicial: 3 L - Flujo de alimentación: 0.0108 L/h y 0.005 L/h, mezcla aceite medio. - Primer flujo de alimentación a las 24 h segundo a las 48 h, 24 horas cada uno t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 0.55 0.23 20.00 2.81 5.5 0.72 1.26 19.80 2.68 19 6.19 2.94 13.27 1.90 24 7.56 3.25 11.64 0.87 29 9.41 4.74 9.43 0.39 43 11.32 8.99 7.15 0.27 48 10.59 7.58 8.02 0.31 53 8.33 7.16 10.71 0.30 67 9.40 7.00 9.44 0.30 72 10.03 8.25 8.69 0.31 77 10.19 8.01 8.50 0.34 Ensayo 4 - Medio inicial: aceite vegetal 20 g/L sulfato de amonio 2.8 g/L - Concentración del medio de alimentación: aceite vegetal 150 g/L sulfato de amonio 21 g/L - Volumen inicial: 3 L - Flujo de alimentación: 0.0108 L/h, sustratos separados. - Un flujo de alimentación a las 24 h por 24 h C. Anexo: Datos de cinéticas microbianas 129 t(h) X (g/L) P (g/L) Sc (g/L) Sn (g/L) 0 2.54 1.25 20.00 3.25 4 6.41 3.00 15.39 3.01 20 5.70 8.50 16.23 1.55 24 9.24 9.24 12.00 0.85 29 11.16 6.69 9.72 0.77 43 15.04 8.83 5.08 0.27 48 17.36 10.33 2.33 0.27 52 14.83 9.29 5.34 0.27 63 18.28 12.36 1.22 0.27 72 16.21 12.79 3.69 0.27 76 21.33 14.48 0.00 0.27 D. Anexo: Código Matlab para optimización de parámetros y proceso D-1. Código Matlab estimación de parámetros function tesis %código para la obtención de parámetros por medio de la reducción del %valor de la sumatoria de mínimos cuadrados con la función fmincon. con 4 %ecuaciones diferenciales simultáneamente %toma de datos y definición de constantes y variables global tt B P S1 S2 w1 w2 w3 w4 x0 ; data=xlsread('opt_fc20gl_prim.xlsx','A3:E14'); tt=data(:,1);%tiempo B=data(:,3); %concentración biomasa S1=data(:,5); %concentración fuente de carbono S2=data(:,2); %concentración fuente de amonio P=data(:,4); %concentración producto x0=[B(1);S1(1);S2(1);P(1)]; %Datos iniciales integración numérica %restricciones %valores iniciales inic = [0.36;1;6;1;1;1;1;1;1;1;1;1;0.005;0.005];%limites inferiores liminf=[0.05 0 0 0 0 0 0 0 0 0 0 0 0 0]; % vector de los límites inferiores para la iteración limsup=[1 10 200 100 50 50 10 20 10 10 10 20 0.005 0.005]; % vector de los limites superiores para la iteración % opciones para la optimización opcion=optimoptions('fmincon','Display','iter','DiffMaxChange',30,'MaxFu nEvals',10000,'TolX',0.001); % opcion=optimset('display','Iter','MaxFunEvals',50000,'MaxIter',10000); %función de optimización [p,FVAL]=fmincon(@lverr,inic,[],[],[],[],liminf,limsup,[],opcion); %definición de parámetros para ser optimizados, estos se resuelven en la %función de la ecuación diferencial, que resuelve iterativamente. mumax=p(1) Ks=p(2) Sm1=p(3) Kn=p(4) Sm2=p(5) n1=p(6) D. Anexo: Código Matlab para optimización de parámetros y proceso 131 n2=p(7) a1=p(8) a2=p(9) Yxps11=p(10) Yxs21=p(11) Kp=p(12) ms1=p(13) ms2=p(14) params=p(1:14); %función para resolver la ecuación con los parámetros ya obtenidos de la %optimización tti=(0:1:72); [tout,yout]=ode45(@lvrhs,tti,x0,[],params); %script para graficar figure(1) hold on plot(tout,yout(:,1),'k-',tout,yout(:,2),'k-',tout,yout(:,3),'k:',tout,yout(:,4),'k-.','LineWidth',2); % legend('biomasa','glucosa','nitrogeno','product') plot(tt,B,'k+',tt,S1,'ko',tt,S2,'kv',tt,P,'kx','MarkerSize',12,'MarkerFa ceColor','k','LineWidth',2); % legend('Biomass','Vegetal oil','Ammonium sulfate','PHA','Biomass exp','Vegetal oil exp','Ammonium sulfate exp','PHA exp','Location','EastOutside') set(gca,'FontSize',20) hold off % xlabel('t'); % ylabel('X(t)'); %obtención de valores de coeficiente de correlación r^2 [tout,yout]=ode45(@lvrhs,tt,x0,[],params); R2=corrcoef(B,yout(:,1)); R2X=R2(1,2)^2 R2=corrcoef(S1,yout(:,2)); R2S1=R2(1,2)^2 R2=corrcoef(S2,yout(:,3)); R2S2=R2(1,2)^2 R2=corrcoef(P,yout(:,4)); R2P=R2(1,2)^2 % title('CINETICA','FontSize',14) xlabel('Time (h)'), ylabel('Concentration (g/L)') % guardar los gráficos en resolución deseada print -dtiff final.tiff -r1000 % grafica para correlación figure(2) hold on x =linspace(0,max(yout(:,1)),13); n=1*x; subplot(2,2,1) plot(x,n,yout(:,1),B,'o','MarkerFaceColor','b') xlabel('Experimental data'), ylabel('Fitted data') set(gca,'FontSize',13) axis([0 max(yout(:,1)) 0 max(yout(:,1))]) title('Biomass') 13 2 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. hold off hold on x =linspace(0,max(yout(:,2)),13); n=1*x; subplot(2,2,2) plot(x,n,yout(:,2),S1,'o','MarkerFaceColor','b') xlabel('Experimental data'), ylabel('Fitted data') set(gca,'FontSize',13) axis([0 max(yout(:,2)) 0 max(yout(:,2))]) title('Vegetal oil') hold off hold on x =linspace(0,max(yout(:,3)),13); n=1*x; subplot(2,2,3) plot(x,n,yout(:,3),S2,'o','MarkerFaceColor','b') xlabel('Experimental data'), ylabel('Fitted data') set(gca,'FontSize',13) axis([0 max(yout(:,3)) 0 max(yout(:,3))]) title('Ammonium sulfate') hold off hold on x =linspace(0,max(yout(:,4)),13); n=1*x; subplot(2,2,4) plot(x,n,yout(:,4),P,'o','MarkerFaceColor','b') xlabel('Experimental data'), ylabel('Fitted data') set(gca,'FontSize',13) axis([0 max(yout(:,4)) 0 max(yout(:,4))]) title('Product') hold off % set(gcf,'PaperUnits','inches','PaperPosition',[0 0 15 12]) % print -dtiff regresion.tiff -r1000 %función para la solución de la ecuación diferencial y reducción del error %entre los datos del modelo y datos experimentales function err = lverr(p) global tt B P S1 S2 w1 w2 w3 w4 x0; params = [p(1) p(2) p(3) p(4) p(5) p(6) p(7) p(8) p(9) p(10) p(11) p(12) p(13) p(14)]; % options = odeset ('RelTol',1e-3,'AbsTol',1e-3); % options = odeset(options,'Stats','on','Events',@events); td=[0:1.25:89]'; [t,yout]=ode45(@lvrhs,tt,x0,[],params); err = norm(yout(:,1)-B)^2+norm(yout(:,2)-S1)^2+norm(yout(:,3)S2)^2+norm(yout(:,4)-P)^2; %funcion que contiene las ecuaciones diferenciales function valo = lvrhs(t,yout,p) D. Anexo: Código Matlab para optimización de parámetros y proceso 133 mu=(p(1)*(yout(2)/(p(2)+yout(2)))*(yout(3)/(p(4)+yout(3)))*(1(yout(2)/p(3)).^p(8))*(1-(yout(3)/p(5)).^p(9))); phi=mu*yout(1); Xt=phi; S1t=-(((1/p(10))*mu)+p(13))*yout(1); S2t=-(((1/p(11))*mu)+p(14))*yout(1); Pt=(p(12)*mu)*yout(1); valo =[Xt S1t S2t Pt]'; D-2. Optimization De Proceso clear all global feed h N Z0 interv Sfc Sfn t feedmax aux3=cputime; % CONCENTRACIONES INICIALES X0 = 6.3; % concentración inicial de biomasa (g/l) P0 = 0.5; % concentración inicial de PHA (g/l) Sc0 = 10; % concentración inicial de F.C. aceite vegetal (g/l) Sn0 = 1.3; % concentración inicial de F.N. sulfato de amonio (g/l) % PARAMETROS DO PROCESSO V0 =4; % Volumen inicial del reactor (litros) t0 = 24; % tiempo inicial del proceso (horas) temptotal= 96; % tiempo total de fermentación (horas) Sfc = 40; % concentración de sustratos alimentados (g/l) Sfn = 4; feedmax=1200; % limite de tasa de alimentación (g/h) N = 3; % intervalos de discretizacion (iguales) feed=ones(1,N)*10; % valor inicial de alimentación para optimización % datos iniciales para la primera integración Z0=[X0 P0 Sc0 Sn0 V0]; % intervalos de tiempo h=(temptotal-t0)/N; %limites inferiores y superiores para optimización VLB=zeros(1,N); aux2=ones(1,N); VUB=aux2*feedmax; OPTIONS=optimoptions('fmincon','Display','iter','DiffMaxChange',30,'MaxF unEvals',10000,'TolX',0.001); feed0=feed; feed=fmincon('FUN1',feed,[],[],[],[],VLB,VUB,[],OPTIONS); tiempo_calculo=cputime-aux3 % FUNCION PARA RESOLVER ECUACIONES DIFERENCIALES function dY=modelo(t,Y,FLAG,feed) global interv Sfc Sfn % PARAMETROS DEL MODELO mumax=0.355; 13 4 Modelamiento matemático y optimización del proceso de producción de PHAs empleando B. cepacia B27 a partir de ácidos grasos. Ks=4.19; Kn=2.23; Kis=199; Kin=10; a1=1.23; a2=0.42; Yxps1=0.88; Yxs2=11.50; ms1=0.0016; ms2=0.0035; Kp=0.98; c=12.9; b=1.27; % ASIGNACION DE VALORES A LAS VARIABLES X=Y(1); P=Y(2); Sc=Y(3); Sn=Y(4); Vol=Y(5); % modelo mu=mumax*(Sc/(Ks+Sc))*(Sn/(Sn+Kn))*(1-(Sc/Kis)^a1)*(1-(Sn/Kin)^a2); phi=mu*X; dX = phi - X/(Sfc*Vol)*feed(interv); dP = (Kp*mu)*X -P/(Sfc*Vol)*feed(interv); dSc = -(((1/Yxps1)*mu)+ms1)*X + (1-Sc/Sfc)*feed(interv)/Vol; dSn= -(((1/(c*(Sc/Sn)/(b+(Sc/Sn))))*mu)+ms2)*X + Sn/Sfn)*feed(interv)/Vol; dV = feed(interv)/Sfc; dY=[dX dP dSc dSn dV]'; % FUNCION OBJETIVO PARA LA OPTIMIZACION function [F,G]=FUN1(feed) global h N Z0 interv feedmax % INTEGRACION POR R-KUTA Y0=Z0; H=[]; L=[]; feedot=[]; for interv=1:N; ti=(interv-1)*h; tf=interv*h; tspan=[ti,tf]; [t,Y]=ode23s('modelo',tspan,Y0,[],feed); % captura y ordenamiento de resultados H=[H;Y]; L=[L;t]; % integración siguiente a la solución anterior de intervalo aux=size(Y,1); Y0=Y(aux,:); feedot=[feedot;feed(interv)]; end feedot=[feedot;feed(interv)]; fin=size(Y,1); % función objetivo (minimizar) (1- D. Anexo: Código Matlab para optimización de parámetros y proceso 135 F=-(Y(fin,1)); %restricción de volumen final G=Y(fin,4)-10; Y=H; t=L; %GRAFICAS DE RESULTADOS subplot(2,2,1),plot(t,Y(:,1)),ylabel('Biomasa (g/l)'), xlabel('Tiempo (h)') %, hold on % plot(tsim,Xvsim,'r--'), hold off; subplot(2,2,2),plot(t,Y(:,2)),ylabel('Producto (g/l)'), xlabel('Tiempo (h)') subplot(2,2,3),plot(t,Y(:,3)),ylabel('Sustrato (g/l)'), xlabel('Tiempo (h)') subplot(2,2,4),stairs(feedot) ymin=0; ymax=feedmax;xmin=1; xmax=N+1; axis([xmin xmax ymin ymax]),ylabel('flujo masico de alimentación. (g/h)'), xlabel('intervalos'); drawnow; E. Anexo: Publicaciones