Estrategias para la optimizacin del medio de

fermentacin: una revisin en profundidad

La optimizacin del medio de produccin se requiere para maximizar el
rendimiento del metabolito. Esto puede lograrse utilizando una amplia gama de
tcnicas, desde el clsico "un factor a la vez" hasta las tcnicas matemticas y
estadsticas modernas, es decir, La red neuronal artificial (ANN), el algoritmo
gentico (GA), etc. Cada tcnica viene con sus propias ventajas y desventajas,
ya pesar de los inconvenientes algunas tcnicas se aplican para obtener
mejores resultados. El uso de diversas tcnicas de optimizacin en
combinacin tambin proporciona los resultados deseables. En este artculo se
ha intentado revisar las tcnicas de optimizacin de medios utilizadas
actualmente durante el proceso de fermentacin de la produccin de
metabolitos. Se ha realizado un anlisis comparativo de los mritos y
demritos de varias tcnicas de optimizacin convencionales y modernas y se
ha dado una base de seleccin lgica para el diseo del medio de fermentacin
en la presente revisin. En general, esta revisin proporcionar la justificacin
para la seleccin de la tcnica de optimizacin adecuada para el diseo de
medios empleados durante el proceso de fermentacin de la produccin de
metabolitos.

INTRODUCCIN
La tecnologa de la fermentacin se utiliza extensamente para la produccin de
varios compuestos econmicamente importantes que tienen aplicaciones en la
produccin de energa, la industria farmacutica, qumica y de alimento.
Aunque, los procesos de fermentacin se utilizan a partir de generaciones, la
necesidad de una produccin sostenible de productos, satisfacer las
necesidades del mercado de una manera rentable ha planteado una demanda
desafiante. Para cualquier producto a base de fermentacin, lo ms importante
es la disponibilidad de un producto fermentado igual al de la demanda del
mercado. Se ha informado que varios microorganismos producen una serie de
metabolitos primarios y secundarios, pero en una cantidad muy baja. Con el fin
de satisfacer la demanda del mercado, se han descubierto varias tcnicas de
alto rendimiento en el pasado, y se han implementado con xito en diversos
procesos, como la produccin de metabolitos primarios o secundarios,
biotransformacin, extraccin de petrleo, etc. (Dubey et al., 2008, 2011; Singh
et al., 2009, Rajeswari et al., 2014).
La optimizacin media sigue siendo uno de los fenmenos ms investigados
crticamente que se lleva a cabo antes de cualquier produccin de metabolitos
a gran escala, y poseen muchos desafos tambin. Antes de 1970, la
optimizacin de los medios se llev a cabo mediante el uso de mtodos
clsicos, que eran costosos, mucho tiempo, con un montn de experimentos
con una precisin comprometida. Sin embargo, con la llegada de tcnicas
matemticas / estadsticas modernas, la optimizacin de los medios se ha
vuelto ms vibrante, eficaz, eficiente, econmica y robusta en dar los
resultados. Para disear un medio de produccin, las condiciones de
fermentacin ms adecuadas (por ejemplo, pH, temperatura, velocidad de
agitacin, etc.) y los componentes de medio apropiados (por ejemplo, carbono,
nitrgeno, etc.) deben identificarse y optimizarse en consecuencia. Adems, al
optimizar los parmetros citados anteriormente, se podra conseguir la mxima
concentracin de producto (Gupte y Kulkarni, 2003, y Franco-Lara et al., 2006,
Wang et al., 2011). La representacin esquemtica de un enfoque sistemtico
del diseo del medio de fermentacin se ha dado en la Figura 1. Un aumento
en la productividad reduce el costo total del producto, as como el costo de
produccin; Por lo tanto, es uno de los temas importantes para la investigacin.
Por lo general, se puede lograr una productividad mejorada mediante la mejora
de la deformacin o optimizando los parmetros del proceso. Pero, la mejora de
la tensin y la optimizacin son "Catch-22" situacin. Usted no puede elegir
una tensin de plomo hasta que tenga el mejor medio y no se puede proponer
un medio ms fino hasta que tenga la tensin de plomo. Por lo general, los
investigadores de todo el mundo solucionan este problema al adherirse a un
componente a la vez. Sin embargo, ambas estrategias no pueden garantizar
que una de la cepa preferida si se utiliza otro medio. Con este inconveniente y
la situacin de Catch-22, se han sugerido e investigado varios mtodos nuevos,
en los que tanto el diseo del medio como la mejora de la deformacin se
pueden llevar a cabo simultneamente.
En esta revisin hemos restringido nuestro alcance y discutido sobre la
formulacin de medios y tcnicas de optimizacin de medios en trminos de su
utilidad, aplicacin y viabilidad para maximizar el rendimiento de metabolitos
producido por el proceso de fermentacin. Con el fin de proporcionar claridad y
mejor comprensin para los lectores, inicialmente hemos discutido los papeles
de varios componentes (principales) de los medios de fermentacin, seguido
de una descripcin detallada de tcnicas de optimizacin estadstica /
matemtica.
Tambin se han discutido en detalle las ventajas y desventajas asociadas con
los mtodos anteriores junto con las direcciones futuras en el diseo y
optimizacin de medios de fermentacin.

CONTROL NUTRICIONAL DE LA PRODUCCIN METABOLITA

Los productos fermentados que se utilizan en nuestra vida diaria son
metabolitos primarios o secundarios producidos durante la trofofase e idiofase
del crecimiento microbiano, respectivamente. El ttulo de alta productividad es
el requisito previo para la produccin industrial de cualquier tipo de metabolito.
La produccin de metabolitos especficos en ttulos elevados podra ser posible
manteniendo un control y una regulacin adecuados a diferentes niveles
mediante transporte y metabolismo de nutrientes extracelulares, formacin de
precursores y acumulacin de productos intermedios (Rokem et al., 2007).
Los procesos de fermentacin, en los que el precursor o los precursores de los
productos especficos no se aaden en el medio, las fuentes de carbono y
nitrgeno presentes en el medio durante su metabolismo pueden iniciar la
biosntesis de precursores que regulan el metabolismo e influyen en la sntesis
del producto final (Elibol, 2004). Teniendo esto en cuenta, el tipo de nutrientes
y sus concentraciones en el medio juegan un papel importante en el comienzo
de la produccin de metabolitos primarios y secundarios ya que el suministro
limitado de un nutriente esencial puede restringir el crecimiento de las clulas
microbianas o la formacin del producto. Generalmente, las fuentes de carbono
y nitrgeno presentes en el medio pueden influir en la produccin de
metabolitos.

Fuente de carbono
El carbono es el componente medio ms importante, ya que es una fuente de
energa para los microorganismos y juega un papel importante en el
crecimiento as como en la produccin de metabolito primario y secundario. La
velocidad a la que se metaboliza la fuente de carbono puede influir a menudo
en la formacin de biomasa y / o en la produccin de metabolitos primarios o
secundarios. Marwick et al. (1999), mientras que el estudio de la produccin de
antibiticos de bacterias marinas observ que las fuentes de carbono
asimilando gradualmente, como la galactosa en general, aumenta la
produccin de metabolitos secundarios (antibiticos). Un ejemplo clsico de
esto es la produccin de penicilina, donde se encuentra que la glucosa tiene
efecto de represin. Posteriormente, se encontr que la lactosa es una fuente
de carbono lentamente asimilante y ayud en la produccin de metabolitos
secundarios (es decir, penicilina). Por lo tanto, con el fin de superar el
fenmeno de represin catabolita de carbono, el proceso de produccin se
estableci mediante la fermentacin de lactosa. Describiendo el papel de cada
carbono en diferentes procesos de fermentacin, aumentar la longitud de este
manuscrito. Por lo tanto, compilamos una lista, en la que resumimos algunas
fuentes de carbono interferentes y no interferentes (Tabla 1).
Los procesos de fermentacin, donde las materias primas / componentes
medianos cubren la parte significativa del costo del producto, la seleccin de
estas cosas se convierte en una tarea importante para las empresas de
produccin. Adems de la tasa de asimilacin de fuentes de carbono, la
naturaleza de la fuente de carbono tambin afecta al tipo y cantidad del
producto. Un ejemplo de esto es el etanol o la produccin de protenas de una
sola clula, donde las materias primas contribuyen ~60-77% del costo de
produccin; Y el precio de venta del producto se determina en gran medida por
el costo de la fuente de carbono. El metanol podra ser una fuente muy barata
de carbono barato para la produccin de protenas de una sola clula, pero
siendo txico para las clulas, incluso a bajas concentraciones y puntos de
inflamacin bajos, nunca se puede utilizar en la fermentacin como medio. Por
lo tanto, no slo el coste, ni siquiera la dinmica de la fuente de carbono debe
ser considerado si desempea un papel como un sustrato en el proceso de
fermentacin o no.

Fuente de Nitrgeno
Al igual que el carbono, la seleccin de la fuente de nitrgeno y su
concentracin en los medios tambin juegan un papel crucial en la produccin
de metabolitos. El microorganismo puede utilizar tanto fuentes inorgnicas
como orgnicas de nitrgeno. El uso de aminocidos especficos puede
aumentar la productividad en algunos casos y, inversamente, los aminocidos
inadecuados pueden inhibir la sntesis de metabolitos secundarios (Marwick et
al., 1999). Singh et al. (2009) durante la optimizacin de la produccin de
actinomicina V por Streptomyces triostinicus encontr que la biosntesis de la
actinomicina V implica la ruta del triptfano y la adicin del aminocido
triptfano al medio mejora la produccin. Por el contrario, el mismo aminocido
mostr efecto inhibidor en la produccin de candicidina de Streptomyces
griseus (Snchez y Demain, 2002). Sin embargo, se confirma que las molculas
de nitrgeno tienen efecto inhibitorio sobre la produccin de metabolitos en
algunos casos, mientras que tambin se han reportado algunos efectos
potenciadores del nitrgeno (Tabla 2).

Fosfato
El fosfato es otro componente bsico que se requiere para la produccin de
fosfolpidos presentes en las membranas celulares microbianas y para la
produccin de cidos nucleicos. La cantidad de fosfato que debe a~nadirse en
el medio de fermentacin depende de la composicin del caldo y de la
necesidad del organismo, as como segn la naturaleza del producto deseado.
Por ejemplo, algunos cultivos no producen metabolitos secundarios en
presencia de fosfato, por ejemplo, fosfatasa, fitasas, etc. Snchez y Demain
(2002) informaron que la produccin de diversos metabolitos secundarios,
como actinorhodina, cefalosporina, cido clavulnico, estreptomicina,
tetraciclina, Vancomicina, etc. est altamente influenciado por la concentracin
inorgnica de fosfato presente en el medio de produccin. En la mayora de los
casos, se requiere una menor concentracin de fosfato para el inicio de la
produccin de metabolitos (antibiticos) y ms all de una cierta concentracin
suprime el metabolismo secundario y en ltima instancia inhibe la produccin
de metabolito primario o secundario. Se inform que la concentracin alta de
fosfato inhibe la produccin de teicoplanina, un antibitico glicopptido (Rokem
et al., 2007). De la descripcin anterior est claro que los cambios en las
fuentes de carbono o nitrgeno del medio de produccin o la variacin de su
concentracin ptima requerida pueden afectar a la naturaleza del producto
final o a su productividad. Por lo tanto, se requiere el medio de produccin con
todos los componentes requeridos en una concentracin apropiada para la
produccin del metabolito deseado a gran escala. Con el fin de estandarizar el
medio de produccin, ha surgido el concepto de optimizacin del medio.

NECESIDAD DE LA OPTIMIZACIN DEL MEDIO

Los estudios de optimizacin media se llevan a cabo habitualmente en las
industrias qumica, alimentaria y farmacutica, con respecto a aumentar el
rendimiento y la actividad del producto deseado. Actualmente, hay muy poco
conocimiento disponible sobre el papel de los factores, sus niveles en el control
de la produccin de metabolitos (por ejemplo, antibiticos, cidos) por
diferentes cepas. Con el fin de mejorar la productividad de los metabolitos (por
ejemplo, antibiticos, etc.), los investigadores investigaron los requerimientos
nutricionales para la produccin de metabolitos secundarios y encontraron que
los requerimientos nutricionales variaban de una cepa a otra (Shih et al., 2002;
Singh Et al., 2012). La cantidad y calidad de los nutrientes disponibles y la
capacidad de asimilar con xito son los determinantes principales de la
naturaleza microbiana y su actividad metablica. Por lo tanto, durante la
optimizacin del medio se debe considerar que se debe cumplir un
requerimiento de crecimiento mnimo del microorganismo para obtener la
mxima produccin de metabolito (s). A medida que el proceso de
fermentacin progresa en productos qumicos de menor valor y de mayor
volumen, se hace necesario maximizar la eficiencia y minimizar el costo de
produccin y los subproductos de desecho para competir eficazmente contra
los mtodos tradicionales.

ESTRATEGIAS DE OPTIMIZACIN DE LOS MEDIOS

Durante el diseo del medio y la optimizacin, existen varias estrategias
disponibles que se utilizan con frecuencia para mejorar la eficiencia del medio
de produccin. La figura 2 es una representacin esquemtica de varias
tcnicas utilizadas en la optimizacin del medio.

Mtodos clsicos de optimizacin media

Factor de un factor a la vez (OFAT)
En la tcnica clsica de optimizacin del medio, un factor de tiempo (OFAT)
experimentos, slo un factor o variable se vara a la vez manteniendo otras
variables constantes. Las concentraciones de los componentes de medio
seleccionados se cambiaron a continuacin en un intervalo deseado. Debido a
su facilidad y conveniencia, la OFAT ha sido la opcin ms preferida entre los
investigadores para disear la composicin del medio y utilizarse en las etapas
iniciales en diversos campos (Gonzalez et al., 1995). Esta metodologa se sigue
utilizando an hoy en da, durante las etapas iniciales de formulacin de medio
para la produccin de nuevo metabolito o compuesto conocido de nueva
fuente. Basado en el enfoque aplicado,

OFAT se sub-agrupa en:

Experimentos de eliminacin
En este tipo de experimentos, todos los componentes del medio se separan del
medio de produccin uno por uno, y despus de un perodo de incubacin
adecuado, sus efectos sobre la produccin de metabolito secundario o el
producto de inters se observa en trminos de parmetros adecuados. Nuestro
grupo de investigacin ha informado anteriormente que durante la produccin
de compuesto antifngico de Streptomyces capoamus, la eliminacin de harina
de soja o glicerol o NaCl del medio de fermentacin disminuy el rendimiento
en un 20-40% (Singh et al., 2008).

Experimentos de suplementacin
Los experimentos de suplementacin se realizan generalmente para evaluar
los efectos de varios suplementos de carbono y nitrgeno sobre la produccin
de metabolitos. Durante el estudio de la produccin de antifngicos de
Streptomyces violaceusniger, se observ una mejora del 70-90% en el
rendimiento suplementando xilosa, sorbitol e hidroxil prolina en el medio de
produccin (Tripathi et al., 2004). De forma similar, se encontr glicerol y
peptona como las fuentes de carbono y nitrgeno ms adecuadas para la
produccin de metabolitos antimicticos y antibacterianos de Streptomyces
rimosus bajo condiciones de fermentacin sumergida (Singh y Rai, 2012).

Experimentos de reemplazo
Para la formulacin media, las fuentes de carbono / nitrgeno que muestran un
efecto potenciador sobre la produccin de metabolitos deseada en
experimentos de suplementacin se intentan generalmente ser utilizadas como
una fuente de carbono / nitrgeno completa.

Parmetros fsicos
Adems de las variables qumicas y biolgicas, varios investigadores utilizaron
experimentos de OFAT para estandarizar los parmetros fsicos como el pH, la
temperatura, la agitacin y los requisitos de aireacin del proceso de
fermentacin (Niwas et al., 2013).
Como cualquier otra tcnica, el mtodo OFAT de optimizacin del medio tiene
sus propias ventajas y desventajas. La principal ventaja de la OFAT es su
simplicidad mediante la cual se puede llevar a cabo una serie de experimentos
y los resultados pueden analizarse utilizando grficos sencillos sin la ayuda de
programas estadsticos de alto nivel. El principal inconveniente de la OFAT es la
dificultad de estimar las "interacciones" de los experimentos, ya que es una
secuencia de dispersin de los experimentos (Gupte y Kulkarni, 2003). Vaidya
et al. (2003) describieron el tiempo consumido y el costo involucrado en el
anlisis de un gran nmero de variables como las principales desventajas de
las tcnicas de la OFAT. En esta metodologa, a veces el punto ptimo puede
perderse completamente, por lo que se requiere un gran nmero de
experimentos para determinar el nivel ptimo, que se vuelve laborioso,
consume tiempo y no es econmico la mayor parte del tiempo (Gupte y
Kulkarni, 2003). Sin embargo, la tcnica OFAT puede ser una mejor herramienta
de deteccin cuando no se conoce nada sobre los medios de comunicacin por
su facilidad y conveniencia.

Diseo de experimentos
El uso del mtodo estadstico, es decir, el diseo de experimentos (DOE) para
la optimizacin de los medios en el proceso de fermentacin puede superar las
limitaciones del mtodo OFAT clsico y puede ser una herramienta poderosa
para la optimizacin de la produccin de metabolitos. Fisher (1992) propuso
una teora bsica del diseo experimental que muestra que el cambio de ms
de un componente en el medio a la vez puede ser ms eficiente que cambiar
slo un factor a la vez (Fisher, 1992).
DOE es una serie de experimentos que se planifican y ejecutan
estratgicamente para obtener una mayor cantidad de informacin sobre el
efecto de ms de un parmetro a la vez sobre la salida, es decir, el rendimiento
del producto. La mayora de los procedimientos del DOE permiten la seleccin
preliminar de 2-10 factores medianos en un nmero limitado de experimentos.
En este mtodo, varios factores o componentes medianos se comparan
simultneamente y los efectos se observan y clasifican en funcin de los
resultados. Una vez que se determinan y clasifican las variables de respuesta,
se generan parmetros estadsticos de rendimiento a partir del anlisis
subsiguiente. Debido a la necesidad de un mayor nmero de experimentos, la
OFAT es un proceso laborioso, demorado y extremadamente tedioso para un
gran nmero de variables, mientras que el DOE requiere menos experimentos,
menos tiempo y menos material para obtener la misma cantidad de
informacin (Adinarayana y Ellaiah, 2002, Keskin Gndogdu et al., 2016). La
interaccin entre los factores puede ser estimada sistemticamente en DOE
(Haaland, 1989). Despus de obtener la idea bsica sobre el proceso de
produccin de la fermentacin a partir de la literatura o de los experimentos
clsicos, el diseo de los experimentos son ms efectivos para determinar el
impacto de dos o ms factores en una respuesta que la OFAT.

Optimizacin del Medio Estadstico

Con el avance de las tcnicas estadsticas, la optimizacin del medio ha
encontrado nuevas dimensiones, ya que estas tcnicas mejoran la eficiencia
del proceso, reduce el tiempo requerido en el proceso y el costo de mano de
obra etc., contribuyendo as a la economa general del proceso. Siendo, de
naturaleza biolgica, los procesos microbianos contienen cantidades
relativamente grandes de variaciones naturales. Las redes asociadas a las
reacciones microbianas son complejas, y varios factores afectan a diferentes
partes de las redes. El diseo experimental racional y la evaluacin estadstica
de los resultados aumentan el conocimiento sobre la confiabilidad de la
informacin obtenida durante los experimentos. Mediante el uso de diseo
experimental, la cantidad de experimentos necesarios para obtener una
optimizacin del proceso fiable puede reducirse (Elibol, 2004).
Muchos estudios alegan mejoras sustanciales sobre los medios obtenidos
usando tcnicas de OFAT usando mtodos de DOE. Por ejemplo, durante el
estudio de la tasa de produccin de gas metano y dixido de carbono de la
bacteria Methanosarcina barkeri que crece en metanol, se encontr que el
medio optimizado a travs del diseo experimental proporcionaba 1,3 veces
ms produccin de gas en comparacin con el medio optimizado con OFAT
(Silveira et al. 1991). En vista de esto, es ampliamente aceptado que para
tener un medio mejorado empleando el enfoque del diseo experimental; Se
requiere tanto un diseo como la tcnica de optimizacin. El DOE define las
variantes de medio a ensayar, tales como el nmero de repeticiones y la
disposicin de las pruebas en un patrn armonizado, etc. Basndose en los
datos experimentales obtenidos, la tcnica de optimizacin se utiliza para
predecir un modelo matemtico y mejorar la composicin del medio.

Diseo experimental
El diseo experimental es un plan de estudio para obtener metas u objetivos
definidos. Las tcnicas estadsticas modernas nos proporcionan herramientas
poderosas para la evaluacin de los componentes o variables de efectos
basados en los resultados experimentales. Por lo tanto, los experimentos deben
planearse adecuadamente con el tamao de muestra suficiente para obtener
los datos adecuados que son esenciales para responder al objetivo de la
manera ms eficiente posible. Tales tipos de tcnicas se llaman comnmente
como DOE. En un diseo factorial completo, se ensayan todas las
combinaciones de los factores, por ejemplo, pH, cepa, componentes del medio,
temperatura, etc. Por el contrario, en un anlisis factorial parcial, slo pocas
combinaciones bien informadas son recogidas y probadas. Por lo general, se
realiza un anlisis factorial parcial, cuando no es posible el diseo factorial
completo y se dispone de algunos o pocos conocimientos sobre las
interacciones de los componentes del medio para una cepa particular.

Plakett diseo burman

Todos los componentes presentes en el medio no contribuyen a la produccin
de metabolitos. Por lo tanto, es muy importante que los factores no
contribuyentes, deben ser eliminados del estudio tan pronto como sea posible.
En 1946, R.L. Plackett y J. P. Burman publicaron su trabajo titulado "El diseo de
experimentos multifactoriales ptimos" como una solucin para determinar los
efectos principales con mayor precisin en cualquier proceso. Plakett Burman
Design (PBD), es un diseo de dos niveles, que es muy til para detectar
econmicamente los principales efectos y asumir que todas las otras
interacciones son insignificantes al comparar los importantes efectos
importantes, es decir, cuando no hay interacciones, lo observado El efecto de
un factor puede ser superior o estar estimado por otros factores (Vaidya et al.,
2003). Un ejemplo de PBD se ha dado en la Tabla 3. PDB se utiliza para la
pantalla "n" nmero de variables experimentales en slo "n + 1" nmero de
experimentos (Reddy y otros, 1999, Ghanem et al., 2000). En este diseo, hay
dos tipos de variables, es decir, "variables reales" cuya concentracin cambia
durante los experimentos, y "variables dummy", cuya concentracin
permanece constante durante los experimentos y usada para estimar el error.
Cada variable se representa en dos niveles, es decir, alto (H) y bajo (L). Cada
fila horizontal representa un ensayo y cada columna vertical representa
cualquiera de los dos niveles (alto o bajo) de cada variable independiente y
dummy en todos los ensayos. Por lo general, los experimentos clsicos ayudan
en la seleccin de variables independientes y dummy. El efecto de cada
variable se determina mediante la siguiente ecuacin:

Donde, E (X1) = Efecto de la variable; YX1-H = rendimiento de los ensayos que

tienen una alta concentracin de variable; YX1-L = rendimiento de los ensayos
que tienen baja concentracin de variable y N = nmero total de ensayos.
El error experimental se calcula calculando la varianza entre las variables
dummy de la siguiente manera: Veff = P (E2 d) / n; dnde
Veff = varianza del efecto de la concentracin, Ed = efecto para la variable
dummy y n = nmero de variables ficticias. El error estndar (SE) del efecto de
concentracin es la raz cuadrada de la varianza (Veff). El nivel de
significacin del efecto de cada variable se determina mediante la prueba t del
estudiante: tx1 = Ex1 / SE. Se considerar que las variables con niveles de
confianza superiores al 90-95% influyen significativamente en la produccin de
metabolitos.
PBD es un mtodo autntico para evaluar la importancia relativa de varias
variables o componentes del medio para la produccin especfica, por ejemplo,
la produccin de antibiticos u otros metabolitos celulares (Ghanem et al.,
2000; Vaidya et al., 2003; Singh y Tripathi, 2008; Rajeswari et al., 2014). El uso
de PBD disminuye enormemente el nmero total de experimentos
(Adinarayana y Ellaiah, 2002), ya que los efectos de interaccin de las
variables no se consideran y slo se seleccionan aquellas variables que
realmente afectan a la produccin del metabolito deseado. Para la produccin
de interfern gamma utilizando PBD, se examinaron 20 componentes de medio
en slo 24 corridas, y se observ un 45% ms de produccin (Castro et al.,
1992). Del mismo modo, durante los estudios iniciales de optimizacin del
medio para la produccin de metabolitos antibacterianos de Streptomyces sp,
hemos utilizado PBD para identificar los componentes ms efectivos en los
medios de comunicacin y report que la harina de soja, carbonato de calcio y
fosfato potsico puede aumentar significativamente la produccin de
antibiticos (Banga et Al., 2008). A pesar de que PBD es un buen mtodo para
identificar los componentes importantes, pero hay algunos inconvenientes
asociados con su eficiencia. PBD debe ser utilizado slo cuando los factores no
tienen interacciones, o slo tienen efectos aditivos en la salida, de lo contrario
los resultados del factor analizado ser mejorado o enmascarado por otros
factores, ya que no interpretar si el efecto de un factor depende de otro factor.
Sin embargo, en el DOE, PBD es un punto de partida y se debe utilizar para
determinar la lista de experimentacin de seguimiento. Teniendo en cuenta
esto, PBD se denomina generalmente "diseos de deteccin", ya que le ayudan
a eliminar los factores no contribuyentes, es decir, para un mayor rendimiento,
de la de los factores contribuyentes.

Diseo Taguchi
Con el fin de superar los problemas asociados con el mtodo PBD, el Dr.
Genichi Taguchi desarroll un mtodo que se basa en "ORTHOGONAL ARRAY".
Este mtodo nos dice cmo diferentes parmetros afectan el rendimiento en un
pequeo nmero de experimentos en lugar de probar todo lo posible
Combinaciones, como, el diseo factorial. La tcnica de Taguchi ofrece tres
etapas de caractersticas de control de calidad fuera de lnea, como la
estrategia del sistema, el diseo de parmetros y la fase de diseo de
tolerancia (Pignatiello, 1988). La estrategia del sistema ayuda a encontrar los
niveles experimentales de las caractersticas de diseo, mientras que el diseo
de parmetros muestra el nivel del factor y proporciona los efectos
primordiales del proceso, mientras que la fase de diseo de la tolerancia
mejora la tolerancia elemental que afecta considerablemente la formacin del
producto (Muhammad et al. ). Este diseo ayuda a determinar los factores que
afectan al producto significativamente con un nmero mnimo de
experimentos, ahorrando as tiempo y recursos. El anlisis de varianza (ANOVA)
sobre los datos recolectados del DOE de Taguchi puede utilizarse para
seleccionar los nuevos valores de los parmetros para optimizar la
caracterstica de rendimiento. Durante la ejecucin del experimento, en primer
lugar se selecciona el grado total de libertad [la media general siempre usa 1
grado de libertad (DOF); Para cada factor DOF = n - 1, donde n = nmero de
niveles; Para cualquier interaccin de dos factores DOF = (na- 1) (nb - 1)]
seguida de la seleccin de la matriz ortogonal estndar (generalmente, el
nmero de ejecuciones en el diseo ortogonal es al DOF). Al final del
experimento, los factores se asignan a las columnas apropiadas. A diferencia
de PBD, analiza el efecto principal y las interacciones de dos factores. Sin
embargo, las interacciones de orden superior se asumen como despreciables.
El ruido, es decir, las variables no controladas de los experimentos se toma
como punto focal para el anlisis.
Las variables no controladas (ruidos) generalmente causan la prdida de la
calidad. Este efecto del ruido puede eliminarse empleando la metodologa de
Taguchi (Aggarwal y Singh, 2005). El mtodo de Taguchi resulta muy til para
medir la calidad mediante la desviacin de una caracterstica funcional de su
valor objetivo. El enfoque de Taguchi es un mtodo completamente
desarrollado que tiene la ventaja de ahorrar tiempo experimental, costo del
producto y mejorar la calidad, lo cual es un requisito bsico para la
optimizacin de cualquier proceso de fermentacin (Chanin et al., 1990).
Recientemente, Muhammad et al. (2014) aplicaron el enfoque estadstico de
Taguchi en el primer paso para optimizar la produccin de un nuevo compuesto
antibacteriano polipptido termoestable de Geobacillus pallidus en diferentes
condiciones de produccin tales como el perodo de incubacin, la
temperatura, el pH, la tasa de aireacin, el nitrgeno y las concentraciones de
carbono.

Diseo compuesto central

Como PBD slo considera los efectos principales e ignora las interacciones
entre los factores, por lo tanto, se requiere un nuevo diseo. El diseo
compuesto central (CCD) fue descrito por primera vez por Box y Wilson (1951).
Hoy en da se utiliza ampliamente en la metodologa de superficie de respuesta
(RSM) para construir un modelo de segundo orden (cuadrtico) para la variable
de respuesta sin utilizar un experimento factorial completo de tres niveles. El
diseo consta de tres series distintas de carreras experimentales (Tabla 5):
diseo factorial en el que los factores estudiados, cada uno con dos niveles (+1
y -1), puntos centrales, donde las carreras experimentales que tienen los
valores medianos de cada factor utilizado en El diseo factorial. Este punto se
reproduce con frecuencia para mejorar la precisin del experimento; Puntos
estelares, recorridos experimentales idnticos a los puntos centrales excepto
un factor, que tomar valores tanto por debajo como por encima de la mediana
de los dos niveles factorial. El nmero de puntos estelares es el doble del
nmero de factores utilizados en el diseo. Sobre la base del conjunto de
experimentos y el nivel de factores, CCD son de tres tipos:
Circumcenter CCD (CCC), CCD inscrito (CCI) y CCD centrado en la cara (CCF)
(Tabla 4).

Diseo de la caja Behnken

El diseo de Box-Behnken es alternativo al CCD, es independiente del diseo
cuadrtico, que no contiene un factorial empotrado o un diseo factorial
fraccional (Ferreira et al., 2007). En este diseo, las combinaciones de
tratamiento se encuentran en los puntos medios de los bordes del espacio de
proceso y en el centro. Estos diseos son giratorios (o casi rotativos) y
requieren 3 niveles de cada factor. Los diseos tienen una capacidad limitada
para el bloqueo ortogonal en comparacin con los diseos compuestos
centrales. Algunas de las tcnicas de diseo de optimizacin de medios de
fermentacin usadas con frecuencia en los ltimos 25 aos se han resumido en
la Tabla 5.
Tcnicas de optimizacin
La metodologa de superficie de respuesta (RSM)
Durante el desarrollo de formulaciones farmacuticas se deben optimizar
diversos medios de produccin y variables de proceso relacionadas con la
productividad, la seguridad y la utilidad. La relacin real entre los parmetros
medianos y la productividad es muy difcil de entender, por lo tanto crea
obstculos en la optimizacin de la formulacin farmacutica. Box y Wilson
(1951) desarrollaron un mtodo, RSM, que utiliza diseos factorial para
optimizar los procesos de produccin de los metabolitos deseados. RSM es un
enfoque matemtico robusto, robusto y eficiente que incluye diseos
experimentales estadsticos y anlisis de regresin mltiple, para buscar la
mejor formulacin bajo un conjunto de ecuaciones limitadas. RSM se ha
aplicado a menudo para optimizar las variables de formulacin y la
optimizacin del proceso de fermentacin (Houck et al., 1995; Franco-Lara et
al., 2006). Vaidya et al. (2003) usaron RSM para la produccin de quitinasa de
Alealigenes xylosoxydans y encontraron un aumento en la produccin de 1,4
veces. Shih et al. (2002) reportaron una produccin incrementada de 3.7 veces
de poli (-cido glutmico) de Bacillus licheniformis al optimizar la
concentracin de nutrientes usando RSM. RSM se aplic a la optimizacin de la
produccin de polisacridos solubles en agua de Pleurotus citrinopileatus en
cultivo sumergido (Wang et al., 2005). En el campo de la produccin de
antibiticos, se utiliz esta metodologa para la produccin de clortetraciclina y
tetraciclina con Streptomyces aureofaciens inmovilizado con K-carragenano con
un aumento de 8 veces en el rendimiento de antibiticos (Teruel et al., 1997);
Igualmente, Gouveia y su co investigador durante el estudio de la produccin
de cido clavulnico por Streptomyces clavuligerus reportaron una mejora de
casi 2,6 veces en el rendimiento, cuando se utiliz la tcnica RSM para la
optimizacin del medio (Gouveia et al., 2001).
RSM emplea varias fases de optimizacin (Gupte y Kulkarni, 2003) y se puede
realizar en tres pasos bsicos, es decir, experimentos diseados para el cribado
de los factores seguidos por el camino de ascenso / descenso ms empinado y
finalmente se ajusta el modelo de regresin cuadrtica y Optimizado utilizando
el mtodo de anlisis de regresin cannica. Una de las entradas importantes
de RSM es la representacin del rendimiento, como una parcela de superficie.
Puede proporcionar mltiples respuestas al mismo tiempo considerando las
interacciones entre las variables, lo cual es lo ms necesario para disear y
optimizar procesos (Zhang y Gao, 2007). Puesto que las relaciones tericas
entre las variables independientes y dependientes no estn claras, se puede
aplicar un anlisis de regresin mltiple para predecir las variables
dependientes sobre la base de una ecuacin de segundo orden.
Donde Y = respuesta pronosticada, a0 = coeficiente de interseccin, aiXi =
trminos lineales, aijXiXj = trminos de interaccin y aiiX 2 = trminos
cuadrados.
Se ha demostrado que el modelo RSM es simple, eficiente, menos tiempo y
capaz de predecir la optimizacin de diversos procesos de produccin de
metabolitos. RSM se utiliza para determinar los niveles de factor que pueden
satisfacer simultneamente un conjunto de especificaciones deseadas. Este
mtodo nos ayuda a determinar cmo una respuesta especfica se ve afectada
por los cambios en el nivel de los factores sobre los niveles de inters
especificados y lograr una comprensin cuantitativa del comportamiento del
sistema en la regin analizada.
Con la ayuda de RSM podemos predecir las propiedades del producto en toda
la regin, incluso en combinaciones de factores que no se ejecutan realmente y
para encontrar condiciones para la estabilidad del proceso. Se han utilizado
combinaciones de PBD y RSM en una serie de estudios para la formulacin de
medio para proporcionar la cantidad ptima de metabolitos deseados. Singh y
Tripathi, utilizaron RSM para la produccin de cido olivnico y optimizaron la
concentracin de harina de soja, CaCO3 y glicerol y encontraron 8 veces ms
formacin de producto en comparacin con el medio de control no optimizado
(Singh y Tripathi, 2008). Mediante el uso de un nmero mnimo de
experimentos y la metodologa RSM, la produccin de heparinasa aumentada
de 2 veces fue obtenida por Banga y Tripathi, lo que demostr la importancia
del mtodo (Banga y Tripathi, 2009). Se encontr que la produccin de un
frmaco anticanceroso actinomicina D a partir de la fermentacin sumergida
de Streptomyces sindenensis se increment en 2,8 veces, cuando se us el
factor PBD de siete en la primera etapa, seguido por la optimizacin de la
concentracin de los componentes eficientes resultantes a travs de RSM en la
segunda Paso (Praveen et al., 2008). Estas tcnicas de optimizacin pueden
emplearse tambin en la mejora del rendimiento de otros procesos
microbianos, tales como biotransformacin, fermentacin discontinua
alimentada, etc. Dubey et al. (2008, 2010) emplearon la optimizacin
estadstica para mejorar el rendimiento de la biotransformacin de colchicina
en su derivado farmacolgicamente activo colchicina 3-desmetilada (3-DMC) a
travs de diversas fuentes microbianas incluyendo E. coli recombinante en
condiciones inmovilizadas / no inmovilizadas (Dubey et al. Al., 2008, 2010).
Utilizaron CCD y RSM para optimizar las tres variables de extraccin
(temperatura, pH y tiempo de proceso) y reportaron RSM como una
herramienta eficiente para la extraccin de 3-DMC del medio de fermentacin
(Dubey et al., 2011). Similary, un grupo de investigadores utiliz RSM en
condiciones de fermentacin discontinua por lotes para mejorar la produccin
de jiean-peptide (JAA) de Bacillus subtilis y encontr un rendimiento mejorado
del 44% de JAA en comparacin con la produccin en fermentacin discontinua
(Zhong et al., 2014 ). Asimismo, Ghasemi et al. (2011) utilizaron la tcnica RSM
para mejorar el rendimiento de extraccin de diversos componentes de los
aceites esenciales, como el -pineno (31,8%), el 1,8-cineol (24,6%), el
limoneno (14,8%), el linalol (8,3% Y -terpinoleno (4,8%), presentes en las
hojas de Myrtus communis. Utilizando las condiciones ptimas obtenidas
mediante la tcnica RSM, el porcentaje de los tres componentes alcanz ms
del 85% del extracto bruto.
Aunque se emplea ampliamente con mucho xito, algunas limitaciones estn
asociadas con RSM, por ejemplo, la prediccin de respuestas basadas en la
ecuacin polinomial de segundo orden se limita a menudo a niveles bajos y
resulta en una estimacin pobre de formulaciones ptimas (Baishan et al.,
2003 ). Otra limitacin importante es la complejidad metablica de los
microorganismos. Cuando se trata de un gran nmero de variables, el
desarrollo de modelos rigurosos para un determinado sistema de reaccin
biolgica sobre bases fsicas y qumicas sigue siendo un desafo crtico. Esto se
debe probablemente a la naturaleza no lineal de las interacciones de la red
bioqumica y en algunos casos al conocimiento incompleto sobre la cintica
involucrada en tales sistemas (Franco-Lara et al., 2006). Adems, es bastante
complicado estudiar las interacciones de ms de cinco variables y grandes
variaciones en los factores pueden dar resultados engaosos, posiblemente
debido a error, sesgo o no reproducibilidad. Para superar las limitaciones de
RSM otra tcnica, hoy en da ANN ha sido ampliamente utilizado por los
investigadores.

Red neuronal artificial

Una red neuronal artificial (ANN) es un modelo matemtico o computacional
que est influenciado por los aspectos estructurales y / o funcionales de las
redes neuronales biolgicas. Las redes neuronales se aplican tpicamente en la
estimacin y en los problemas de prediccin de varios pasos, pero tambin
pueden usarse como controladores directamente o como un ajustador de
cualquier parmetro de proceso para un controlador convencional. ANN imita la
capacidad de aprendizaje del cerebro (Bhagat, 1990), y consiste en la entrada
(como la sinapsis), que se multiplican por pesos (fuerza de las respectivas
seales) y luego calculada por una funcin matemtica que determina la
activacin de la neurona. En la mayora de los casos, ANN representa un
sistema adaptativo que cambia su estructura de acuerdo con la informacin
externa o interna que fluye a travs de la red durante la fase de aprendizaje.
Simplemente son "entrenados" usando un conjunto de datos y luego aplicados
para predecir nuevos puntos de datos. Los conocimientos previos o las
ecuaciones no son esenciales para esta formacin ya que la red y el sistema
permanecen como una caja negra para el usuario. Las caractersticas
significativas de las RNAs son que pueden trabajar sin problemas con grandes
cantidades de datos, sobresalir en el reconocimiento complejo de patrones y no
requieren ninguna descripcin mecanicista del sistema (McCord Nelson e
Illingworth, 1991). ANN es adecuado para el diseo de mediano, ya que genera
una gran cantidad de datos que a menudo contiene patrones ocultos. La
arquitectura de la ANN consiste en tres capas de informacin conocidas como
neuronas: una capa de unidades de "entrada" est conectada a una capa de
unidades "ocultas", que est conectada a una capa de unidades de "salida"
(Figura 3). Las "condiciones de aprendizaje" de las redes neuronales se
clasifican en tres grupos como supervisados (asociativos), donde se capacita la
red neuronal proporcionndoles datos experimentales de entrada y salida. Sin
supervisin (Auto-organizacin) en el cual la unidad de salida es entrenada
para responder contra los racimos del patrn dentro de la entrada. Diferente de
la supervisada, no hay ningn conjunto previo de grupos en los que los
patrones se han de clasificar; Ms bien el sistema debe desarrollar su propia
representacin de los estmulos de entrada. Refuerzo donde el aprendizaje
puede ser considerado como una forma intermedia de las dos clases de
aprendizaje anteriores. El sistema de aprendizaje clasific su accin como
buena o mala basada en la respuesta ambiental y, en consecuencia, ajusta sus
parmetros. Generalmente, el ajuste del parmetro se contina hasta el logro
de un estado de equilibrio.
Las RNA han sido ampliamente aplicadas con gran xito para el diseo,
modelado, optimizacin y control del sistema, principalmente debido a su
capacidad para aprender seales de ruido de filtro y generalizar informacin a
travs de un procedimiento de entrenamiento sistemtico (Foster y Katz,
1981). Las tcnicas de optimizacin son en su mayora tcnicas generales y
pueden emplearse en diversos procesos de fermentacin con una eficiencia
similar. Osama et al. (2013) us la tcnica de ANN para optimizar el reactor de
niebla nutritiva para el crecimiento de la raz peluda y desarroll un modelo
eficiente para optimizar las condiciones de cultivo y tambin predijo la
productividad de la biomasa efectivamente bajo diferentes condiciones de
cultivo. En otro estudio, se aplic una combinacin de ANN y algoritmo
gentico (GA) para maximizar la concentracin nativa y la vida til de la
protena aspartato--semialdehdo deshidrogenasa (Khan et al., 2011). La red
neuronal puede funcionar en problemas que tienen programas / relaciones no
lineales. Cuando un elemento de la red neuronal falla, incluso entonces puede
continuar trabajando sin ningn problema por su naturaleza paralela (Vaidya et
al., 2003). Se puede implementar en cualquier aplicacin sin ningn problema
y no necesita ser reprogramado. Hay ciertas limitaciones de las redes
neuronales, por ejemplo, necesita entrenamiento apropiado para operar
eficientemente. En ANN, la calidad de los datos de entrada para la formacin
decide la calidad de los datos de salida.

Algoritmo gentico (GA)

Un modelo matemtico entrenado sirve como una funcin de aptitud en la
determinacin de la concentracin ptima de los componentes del medio
utilizando GA. GA imita el proceso de mutacin y se basa en el principio
"supervivencia del ms apto". Este algoritmo se basa en el proceso biolgico
de la evolucin, es decir, la seleccin natural (Houck et al., 1995). La GA
modifica repetidamente una poblacin de soluciones individuales. En cada
paso, la GA selecciona algunas de las soluciones individuales al azar de la
poblacin actual como padres. A continuacin, utiliza los seleccionados para
producir los resortes off para la prxima generacin, por lo tanto, sobre unas
generaciones sucesivas, la poblacin "evoluciona" hacia la solucin ms
favorable. Se puede aplicar GA para resolver una variedad de problemas de
optimizacin que no son adecuados para los algoritmos de optimizacin
estndar (Franco-
Lara et al., 2006), incluyendo problemas en los que la funcin objetivo puede
ser no diferenciable, discontinua, estocstica o altamente no lineal. La GA sigue
principalmente tres tipos de reglas en cada paso para crear la siguiente
generacin de la poblacin actual: La regla de seleccin selecciona a los
individuos, conocidos como padres que contribuyen a la poblacin de la
siguiente generacin. Crossover regla combina dos padres para formar a los
nios para la prxima generacin. La regla de mutacin aplica cambios al azar
a los padres individuales para formar a los nios. GA se utiliz con xito para
optimizar la composicin del medio para la produccin de rifamicina B
utilizando cepa mutante de Amycolatopsis mediterranei en el nivel del matraz
de agitacin (Bapat y Wangikar, 2004). Mediante el uso del mtodo GA
acoplado a ANN, Singh et al. (2009), dise un medio optimizado para la
produccin de actinomicina V utilizando una cepa aislada recientemente de
Streptomyces triostinicus y report un rendimiento mayor de 4 veces
(rendimiento 452 mg / l) en medio optimizado en comparacin con el medio de
produccin normal (rendimiento 110 mg / L). Una de las principales ventajas de
GA es que puede manejar una gran cantidad de datos sin nuevas adivinanzas
en cada experimento, ya que la direccin se ajusta automticamente. Por lo
tanto, GA es el mejor mtodo para resolver problemas complejos de
optimizacin.

Nelder-Mead simplex
El mtodo simplex de Nelder Mead (NM) es otra tcnica estadstica, que se ha
demostrado til para reducir los gastos de las optimizaciones clsicas y da
resultados satisfactorios. El mtodo NM simplex se basa en un mtodo de
optimizacin de cuadro negro de parmetro real y funciona bien con funciones
objetivas irregulares. El "trmino" simplex denota una figura de lados regulares
en la dimensin n + 1. Para dos dimensiones, el simplex debe ser un tringulo
equiangular y para tres dimensiones, debe ser un tetraedro. NM mtodo
simplex para la funcin de n parmetros compara la funcin objetivo en los n +
1 vrtices de un simplex y da el peor vrtice a travs de la bsqueda de
simplificacin por pasos (Kennedy y Krouse, 1999). Durante este proceso, la
direccin del mejoramiento se logra desplazando los resultados del punto ms
alto con el valor ms pequeo. Durante el proceso de optimizacin para
maximizar la produccin de lpidos, se utilizaron regresiones lineales completas
y mltiples para ajustar los polinomios a los datos obtenidos (Kennedy y
Krouse, 1999).
El mtodo NM simplex a menudo da mejoras significativas en la iteracin
primaria y produce resultados rpidos y satisfactorios. Esta tcnica tambin se
puede utilizar con xito en combinacin con ANN para optimizar la produccin
de diversos metabolitos. En general, una mejora en el valor de la funcin es
ms prctica que optimizacin completa (Singer y Nelder, 2009). La estimacin
de los parmetros del proceso y los controles del proceso son algunos de los
problemas prcticos, donde los valores de la funcin son inciertos. Por lo tanto,
no es necesario un alto nivel de precisin en la solucin, y puede ser imposible
de calcular. La produccin de actinomicina D de Streptomyces sindenensis bajo
condiciones de fermentacin sumergidas es uno de los mejores ejemplos,
donde se ha utilizado la combinacin anterior (Tripathi et al., 2012). Ellos
compararon los resultados de la combinacin de ANN-GA con la optimizacin
de ANN-Nelder-Mead downhill simplex (NMDS) e informaron que ms tarde fue
ms eficaz y dio un rendimiento aproximadamente 12% superior al rendimiento
obtenido por ANN junto con GA en las mismas condiciones. Las condiciones
ptimas de frasco de agitacin se optimizaron an ms a nivel de biorreactor
(Khan y Tripathi, 2011). Utilizaron GA y NMDS por separado para optimizar los
parmetros de fermentacin, como el caudal de aire y la velocidad de agitacin
del biorreactor para una mxima produccin de actinomicina D. La GA y la
NMDS predijeron una combinacin ptima de parmetros de fermentacin casi
similar. Casi la produccin de 1,5 veces de actinomicina D se increment en
comparacin con el punto ptimo en un experimento de frasco de agitacin
(1,26 a ~ 2 g / L).

PROBLEMAS Y CUELLO DE BOTELLAS EN TCNICAS DE

OPTIMIZACIN MEDIA
La optimizacin media implica un gran nmero de experimentos
independientemente de los medios elegidos, lo que explica el costo de la mano
de obra y es un experimento abierto. Rara vez, los datos generados a partir de
los medios de matraz de agitacin coinciden exactamente con los estudios de
fermentadores (Kennedy et al., 1994, O'Kennedy et al., 2003). Todos los
estudios con frascos de agitacin sufren de cuatro debilidades principales, el
pH no puede ser controlado, las pobres capacidades de transferencia de
oxgeno, la mezcla inadecuada y la evaporacin considerable durante el
proceso. Se supone ampliamente que el mejor medio obtenido en el mtodo de
cultivo en matraz de agitacin ser el mejor medio en el fermentador.
Desafortunadamente, no se han llevado a cabo muchos estudios rigurosos
sobre la comparacin de los rendimientos medios a diferentes escalas en esta
lnea (Gupta y Rao, 2003). Adems, el medio de escala industrial suele sufrir
problemas como la variabilidad del lote, la disponibilidad durante todo el ao,
las fluctuaciones en el precio, la estabilidad durante el coste del transporte, los
problemas asociados con el almacenamiento a granel y el tiempo.
Los microbios o clulas son de naturaleza dinmica con muchos mecanismos
de control interno, pero la mayora de los estudios de optimizacin de los
medios los tratan como una caja negra o se utilizan nicamente para datos
empricos. Creemos que la prxima generacin de tcnicas de optimizacin del
medio debe tener en cuenta el mecanismo regulador de la va metablica. No
slo se debe considerar la tasa de mutaciones que se producen en el medio
particular bajo la influencia de componentes medios, ya que pueden aumentar
o disminuir el rendimiento o producto que nos interesa. Si las cepas mutantes
estn disponibles, tambin deben ser exploradas en los estudios de
optimizacin del medio, ya que podran darnos una manera de desarrollar un
nuevo proceso, donde un medio barato totalmente nuevo puede ser utilizado.
Lo ms importante es que varios estudios de optimizacin se centren en la
fermentacin basada en cultivo lquido, pero no hay mtodos extensos
disponibles para las tcnicas de fermentacin de estado slido o semislido.
Casi todos los investigadores se encuentran con este problema, "cundo debe
dejar de aplicar las tcnicas de optimizacin ms o qu paso es el punto final
de los estudios de optimizacin" en una etapa u otra. El diseo de un medio de
fermentacin puede ser un problema sin fin, ya que el punto final final, por
ejemplo, el rendimiento es un valor arbitrario, el cual depende de varios otros
factores. La mayora de los expertos en los campos siempre buscan nuevos
componentes o medios para aumentar el rendimiento.

DIRECCIONES FUTURAS EN LAS TCNICAS DE OPTIMIZACIN EN

EL DISEO DEL MEDIO DE FERMENTACIN
Adems de las estrategias de mejora de la deformacin, se ha demostrado que
la optimizacin del medio es otra estrategia valiosa hacia la mejora del
rendimiento del producto y la mejora del proceso. La evolucin de las
formulaciones de medio mediante el cribado de diversas fuentes de carbono y
nitrgeno y sus diferentes combinaciones puede mejorar significativamente el
crecimiento microbiano, la viabilidad y el rendimiento global del producto
durante el desarrollo del proceso. El costo del producto de fermentacin podra
reducirse reemplazando componentes costosos con fuentes ms baratas y / o
aumentando la productividad. Estos son los objetivos de una exitosa estrategia
de optimizacin. Todava hay algunos puntos que deben tenerse en cuenta
para una mayor precisin y optimizaciones adicionales, por ejemplo, cada
microbio tiene algunas limitaciones a su nivel de gen para la produccin de
metabolito especfico, por lo que se busca siempre un nuevo microbio con
mayor productividad.
A veces los microbios en las condiciones actuales no son capaces de utilizar la
materia prima ms barata, pero a travs de la mutacin puede ser posible
hacerlos capaces de asimilar sustrato de bajo costo con un mejor rendimiento.
La manipulacin gentica es la forma alternativa de aumentar la productividad
de los microbios. Las preocupaciones recientes sobre el microorganismo
genticamente modificado han puesto un gran interrogante en el uso de
microbios recombinantes en la fermentacin a gran escala. Por lo tanto, el uso
de microbios naturales es de gran eleccin para varios investigadores y
personal industrial.
Dado que la condicin de limitacin del sustrato es el factor clave de la
produccin de metabolitos secundarios, por lo tanto, el diseo y la optimizacin
del modo de produccin quimiosttico puede aumentar la productividad y
reducir la prdida de sustrato no utilizado. El diseo ulterior de niebla o
bioreactor de lecho fluidizado es la alternativa para reutilizar el microbio a
largo plazo y la mxima utilizacin del sustrato. Es difcil entender la naturaleza
exacta del microbio o el otro sistema vivo y la biologa pero con el aumento en
la comprensin ser factible seleccionar diseo adecuado para un mejor
funcionamiento; Por ejemplo, el flujo metablico es la tasa de rotacin de
cualquier producto o molculas formadas a travs de una va metablica que
est regulada por una serie de enzimas implicadas en esa va particular. El
conocimiento detallado del flujo metablico y su regulacin podra ser til para
disear un medio o el rendimiento de los modelos matemticos con mayor
precisin. Por otra parte, el conocimiento previo de la biosntesis de los
metabolitos deseados proporciona la informacin sobre el intermedio (s)
formado (s) durante la biosntesis de ese metabolito que a su vez ser til
durante la seleccin de carbono, nitrgeno o solucin salina que tambin
puede actuar como inductor Para la produccin de metabolitos deseados.

CONCLUSIONES
La optimizacin de los medios de fermentacin es un paso esencial para la
produccin de metabolitos antes de comenzar con planes de produccin semi-
piloto / piloto. En esta revisin crtica, se han revisado y discutido las tcnicas
de optimizacin convencionales y avanzadas utilizadas en el proceso de
optimizacin del medio. Se encontr que los enfoques estadsticos tenan el
potencial de ahorrar tiempo experimental para el desarrollo del proceso y la
mejora de la calidad. Adems, las tcnicas de optimizacin ayudan a reducir el
costo total del producto. Los diseos y mtodos discutidos en esta revisin se
han analizado en base a la eficiencia, simplicidad y consumo de tiempo, y sus
aplicaciones se han sugerido en consecuencia. Sin embargo, el medio
formulado despus de emplear varios diseos todava necesita una evaluacin
adicional bajo condiciones de produccin realistas y, finalmente, con modelos a
escala completa que reflejan el entorno de produccin. En general, esta
revisin proporciona una justificacin para la seleccin de la tcnica
actualizada adecuada para la optimizacin de los medios empleados durante el
proceso de fermentacin de la produccin de metabolitos. Tambin, en los
ltimos aos, se ha ensayado y aplicado un nuevo enfoque del modo integrado
de cultivo de microbios, es decir, la fermentacin aerobia y anaerbica usando
microbios facultativos adecuados. Cheng et al. (2014) ha aplicado este enfoque
integrado para la produccin de xilitol y etanol utilizando Candida tropicalis, e
inform que en condiciones aerobias el xilitol es el producto final que acta
como sustrato para la produccin de etanol mediante cultivo anaerobio. Del
mismo modo, Huang et al. (2014) sugirieron que el cambio de condiciones
anaerbicas / aerbicas durante la etapa de cultivo afecta la composicin de la
comunidad bacteriana y la posterior degradacin de los clorofenoles en las
clulas de combustible microbiano bioctodo. Este enfoque integrado tiene
varias ventajas, por ejemplo, sin necesidad de unidad de operacin
suplementaria, cero generacin de aguas residuales, procesamiento en
material slido pretratado, y tampoco necesidad de esterilizacin; Todas estas
ventajas pueden ayudar a que la industria biotecnolgica sea ms econmica y
respetuosa con el medio ambiente.