Dissertacao Juliana Lopes

JULIANA SILVA LOPES
Modelagem matemtica do processo fermentativo de produo de

retamicina por microrganismo filamentoso Streptomyces olindensis
So Paulo
2007
JULIANA SILVA LOPES

Dissertao apresentada Escola

Politcnica da Universidade de So
Paulo para obteno do ttulo de
Mestre em Engenharia
So Paulo
2007
JULIANA SILVA LOPES

Dissertao apresentada Escola

Politcnica da Universidade de So
Paulo para obteno do ttulo de
Mestre em Engenharia
rea de concentrao:
Engenharia Qumica
Orientador:
Prof. Dr. Reinaldo Giudici
So Paulo
2007
Este exemplar foi revisado e alterado em relao verso original, sob responsabilidade
nica do autor e com anuncia de seu orientador.
So Paulo, 03 de julho de 2007-07-03
Assinatura do autor
Assinatura do orientador
FICHA CATALOGRFICA
Lopes, Juliana Silva

Modelagem matemtica do processo fermentativo de produ-
o de retamicina por microrganismo filamentoso Streptomyces
olidensis / J.S. Lopes. -- So Paulo, 2007.
105 p.
Dissertao (Mestrado) - Escola Politcnica da Universidade

de So Paulo. Departamento de Engenharia Qumica.
1.Modelagem matemtica 2.Fermentao 3.Anlise

estatstica
I.Universidade de So Paulo. Escola Politcnica. Departamento
de Engenharia Qumica II.t.
DEDICATRIA
Aos meus pais por terem me apoiado

incondicionalmente em todos os
momentos da minha vida
AGRADECIMENTOS
Em especial ao Prof. Dr. Reinaldo Giudici pela dedicao,

orientao e apoio ao longo do trabalho.
Ao Prof. Dr. Galo Antonio Carrillo Le Roux pelos ensinamentos e
pelas valiosas sugestes na elaborao dos algoritmos.
Aos Profs. Dr. Aldo Tonso e Dra. Maria Cndida Reginato Facciotti
pelas correes e sugestes apresentadas durante a qualificao deste trabalho.
Aos professores da graduao e da ps-graduao pela
orientao na trajetria do meu crescimento profissional e que, com pacincia, me
possibilitaram a viso de novos horizontes.
Aos amigos de ps-graduao, em especial, Rita, Jos Paulo,
Mariana, Moiss, Marcelo e Nara que me incentivaram e ajudaram durante todo o
curso do mestrado.
s amigas de graduao que, mesmo estando longe, sempre me
apoiaram e me incentivaram na conquista de mais um objetivo.
s minhas irms, Cynthia e Vivianne, por todos os momentos que
passamos juntas e pelos laos eternos que nos unem.
Aos meus pais que no mediram esforos em toda minha
formao acadmica.
Ao CNPq pelo auxlio financeiro.
RESUMO
Neste trabalho estudou-se a modelagem matemtica de processo de

produo do antitumoral retamicina produzido pelo microrganismo filamentoso
Streptomyces olindensis em cultivos descontnuos, descontnuos alimentados e
contnuos. Atravs da modelagem matemtica possvel verificar o
comportamento dos fatores que interferem na produo deste metablito
secundrio, a fim de identificar as melhores condies de processo.
Foram estudados diferentes modelos: modelo morfologicamente estruturado,

modelo no estruturado e um modelo hbrido que combina equaes de balano
material com redes neurais artificiais. O modelo morfologicamente estruturado
um aperfeioamento de um modelo anterior e o modelo no estruturado, por sua
vez, foi desenvolvido na tentativa de simplificar a descrio do processo ao
considerar menos variveis e possuir menor nmero de parmetros ajustveis.
Nos modelos, as variveis consideradas no ajuste foram as concentraes de
biomassa, de glicose, de retamicina e de oxignio dissolvido no meio.
Os resultados das simulaes foram avaliados estatisticamente por

comparao com os dados experimentais. Os modelos tambm foram
comparados entre si atravs de uma anlise estatstica.
Observou-se que, dentre os modelos estudados, o modelo hbrido apresentou

sensibilidade pronunciada s condies iniciais e qualidade de representao dos
dados experimentais inferior dos demais modelos. Os modelos
morfologicamente estruturado e no estruturado apresentaram capacidade similar
de representao do comportamento dos dados experimentais dos ensaios
descontnuos, descontnuo-alimentados e contnuos com baixas taxas de
alimentao.
ABSTRACT
The mathematical modeling of retamycin production during batch, fed-batch

and continuous cultivations of Streptomyces olindensis was studied. Through the
mathematical modeling, it is possible to identify the best conditions to conduct the
process. Different models considered were: a morphologically structured model, an
unstructured model and a hybrid model that combines artificial neural networks
with mass balances. The morphologically structured model included an
enhancement in a model previously described. The unstructured model was
developed as an attempt to simplify the description of the process by considering
fewer variables and fewer parameters to be adjusted. The variables considered in
the models were the concentrations of biomass, glucose, retamycin and dissolved
oxygen.
Simulation results were submitted to statistical analysis such as model

discrimination and test of adequacy to verify which of the models were suitable to
describe the process and whether the results of the simulations fit the experimental
data or not.
Results show that the hybrid model presented high sensitivity to the initial
conditions and its capability of representing the experimental data was worse than
that of the other developed models. Both the morphologically structured model and
the unstructured model show similar suitability to represent the experimental data
behavior for batch, fed-batch and low-dilution rate continuous runs.
LISTA DE ILUSTRAES
Figura 2.1: Processamento do sinal em um neurnio de uma rede feedforward

(Pellicci, 2001) ................................................................................................ 13
Figura 2.2: Rede de mltiplas camadas (Pellicci, 2001) ........................................ 14
Figura 2.3: Rede recursiva (Pellicci, 2001) ............................................................ 14
Figura 4.1: Compartimentos apical (Za), subapical (Zs) e hifal (Zh) de um elemento
hifal................................................................................................................. 37
Figura 4.2: Efeito do oxignio dissolvido sobre a cintica de crescimento para Kox
= 0.02489 mmol/L .......................................................................................... 48
Figura 4.3: Comparao da simulao com os dados experimentais para as

variveis concentrao celular (X), de glicose (S), de retamicina (P) e oxignio
dissolvido (OD) nos ensaios descontnuos .................................................... 50


dissolvido (OD) nos ensaios descontnuos alimentados e respectivas vazes
de alimentao ............................................................................................... 52

de alimentao ............................................................................................... 53

dissolvido (OD) nos ensaios contnuos e respectivas vazes de alimentao
....................................................................................................................... 54
Figura 4.8: Sensibilidade do modelo ao parmetro k u1 no ensaio D-1 .................. 57
Figura 4.9: Sensibilidade do modelo ao parmetro k u1 no ensaio DA-1 e variao

das fraes celulares ..................................................................................... 58
Figura 4.10: Sensibilidade do modelo ao parmetro k u2 no ensaio D-1 e variao

das fraes celulares .................................................................................... 60
Figura 4.11: Sensibilidade do modelo ao parmetro k u2 no ensaio DA-1 e variao

Figura 4.12: Sensibilidade do modelo ao parmetro ku3 no ensaio D-1 e variao

das fraes celulares ..................................................................................... 63
Figura 4.13: Sensibilidade do modelo ao parmetro k u3 no ensaio D-A1 e variao




de alimentao ............................................................................................... 71

de alimentao ............................................................................................... 72

dissolvido (OD) nos ensaios contnuos e respectivas vazes de alimentao
....................................................................................................................... 73
Figura 4.19: Diagrama do modelo hbrido ............................................................. 74
Figura 4.20: Ajuste da curva sigmoidal para os ensaios replicados ...................... 78
Figura 4.21: Ajuste da curva sigmoidal para o ensaio D-3+ .................................. 78
Figura 4.22: Seleo do nmero de neurnios na rede RN 1 ............................... 79
Figura 4.23: Seleo do nmero de neurnios na rede RN 2 ............................... 79
Figura 4.24:Seleo do nmero de neurnios na rede RN 3 ................................ 80
Figura 4.25: Comparao entre os valores experimentais e os calculados. (A)

etapa de treinamento e (B) etapa de validao .............................................. 81
Figura 4.26: : Comparao da simulao com os dados experimentais para as

variveis concentrao celular (X), de glicose (S) e de retamicina (P) nos
ensaios descontnuos (condies iniciais: X0 = 0,2415 g/L, S0 = 10,8208 g/L,
P0 = 0,0017 g/L) ............................................................................................. 82

ensaios descontnuos (condies iniciais: X0 = 0,2415 g/L, S0 = 10,8208 g/L,
P0 = 0,0017 g/L) ............................................................................................. 83

ensaios descontnuos alimentados (condies iniciais: X 0 = 0,2415 g/L, S0 =
10,8208 g/L, P0 = 0,0017 g/L) ........................................................................ 84

ensaios descontnuos alimentados (condies iniciais: X 0 = 0,2415 g/L, S0 =
10,8208 g/L, P0 = 0,0017 g/L) ........................................................................ 85

ensaios D-1 e DA-1 (condies iniciais: X0 = 0,28 g/L, S0 = 10,0 g/L, P0 =
0,002 g/L) ....................................................................................................... 86
LISTA DE TABELAS
Tabela 3.1: Composio do meio de alimentao nos ensaios descontnuos

alimentados .................................................................................................... 25
Tabela 3.2: Resumo das condies dos ensaios descontnuos alimentados

realizados (Pamboukian, 2003) ...................................................................... 27
Tabela 3.3: Resumo das condies dos ensaios contnuos (Pamobukian, 2003). 29
Tabela 4.1: Parmetros do modelo de Giudici, Pamboukian e Facciotti (2004) .... 43
Tabela 4.2: Parmetros do modelo 1 .................................................................... 47
Tabela 4.3: Matriz de correlao dos parmetros estimados ................................ 55
Tabela 4.4: Parmetros utilizados na anlise de sensibilidade ............................. 55
Tabela 4.5: Parmetros do modelo 2 .................................................................... 68
Tabela 4.6: Estatstica dos parmetros estimados no modelo 2 ........................... 68
Tabela 4.7: Clculo do erro experimental mdio de X ........................................... 88
Tabela 4.8: Clculo do erro experimental mdio de S ........................................... 88
Tabela 4.9: Clculo do erro experimental mdio de P ........................................... 89
Tabela 4.10: Clculo do erro experimental mdio de OD ...................................... 89
Tabela 4.11: Varincias e graus de liberdade dos modelos .................................. 90
Tabela 4.12: Teste de discrimao entre modelo .................................................. 90
Tabela 4.13: Varincias dos modelos e do erro experimental ............................... 91
Tabela A.1: Equaes dos modelos 0, 1 e 2 ....................................................... 102

LISTA DE SMBOLOS
Ab, At e t0 parmetros ajustveis da equao sigmoidal (eq. 4.34)
b1, b2, b3 parmetros da eq. 4.24
CL concentrao de oxignio dissolvido no meio de cultura (mmol O 2/L)
CL* concentrao de saturao oxignio dissolvido no meio de cultura (mmol

O2/L)
CTHAM concentrao de tris(hidroxi)metilaminometano (g/L)
Cye concentrao de extrato de levedura (g/L)
df graus de liberdade
fs(s) funo definida pela equao 4.2
fh frao de clulas hifais ativas (g Z h ativo/g Zh total)
F vazo de alimentao (g/L)
Fcalc razo entra a varincia do modelo e a varincia do erro experimental
Famostragem vazo de amostragem (L/h)
k constante cintica para o crescimento de clulas apicais, subapicais e hifais

(h-1)
k2 constante cintica para a produo de retamicina (h -1)
kLa coeficiente volumtrico de transferncia de oxignio (h -1)
ku1 constanteparaareaodebranching(h -1)
ku2 constanteparaareaodetipextension(h -1)
ku3 constante para a reao de diferenciao (h -1)
K2 constante de saturao (g/L)
Kms constante de saturao de glicose para manuteno (g/L)

Ku3 constante de saturao para reao de diferenciao (L/g glicose)
KOX constante de saturao para o oxignio...........................(mmol O 2/L)
KN constante de saturao para a fonte de nitrognio (g NH 3/L)
KS constante de saturao para a fonte de carbono (g glicose/L)
KS2 constante de saturao (g/L)
m nmero de modelos em competio
mO2 coeficiente de manuteno (consumo de oxignio) (h -1)
ms coeficiente de consumo de glicose para manuteno celular (h -1)
n nmero de pontos experimentais
N concentrao da fonte de nitrognio (g NH3/L)
NF concentrao da fonte de nitrognio no meio de alimentao (g NH 3/L)
OD concentrao de oxignio dissolvido no meio de cultivo (%)
p nmerodeparmetrosdomodeloi
pi nmero de replicaes em cada ponto
P concentrao de retamicina (g retamicina/L)
rx velocidade instantnea de crescimento celular (g/L.h)
rp velocidade instantnea de produo de retamicina (g/L.h)
rs velocidade instantnea de consumo de substrato (g/L.h)
s-2 estimativa combinada da varincia
si2 estimativadavarinciadomodeloi
S concentrao de glicose (g/L)
SF concentrao de glicose no meio de alimentao (g/L)
u1 velocidadedereaodebranching(h -1)
u2 velocidadedereaodetipextension(h -1)
u3 velocidade de reao de diferenciao (h -1)
v nmero de variveis
V volume do reator (L)
X concentrao de biomassa (g/L)
valor calculado pelo modelo
yi valor experimental do teste de Barlett
yi valor mdio da varivel para os ensaios repetidos ( y barra)
yij valor experimental da varivel
ij valor calculado pelo modelo
YO2 fator de converso de oxignio a clulas (g cel/mmol O2)
Za frao mssica do compartimento apical (g/g)
Zh frao mssica do compartimento hifal (g/g)
Zs frao mssica do compartimento subapical (g/g)
Letras gregas
nvel de significncia
1 coeficiente estequiomtrico de consumo de glicose para formao da

biomassa (g glicose/gcel)
2 coeficiente estequiomtrico de consumo de glicose para formao de

retamicina (g glicose/g retamicina)
3 coeficiente estequiomtrico de consumo da fonte de nitrognio para a

formao da biomassa (g NH3/g cel)
4 coeficiente estequiomtrico de consumo da fonte de nitrognio para
formao de retamicina (g NH3 / g retamicina)
1 fator de converso de extrato de levedura em NH 3 equivalente (g NH3/g

extrato de levedura)
2 fator de converso de tris(hidroxi)metilaminometano em NH3 equivalente (g

NH3/g THAM)
velocidade especfica de crescimento celular (h -1)
a velocidade especfica de crescimento de clulas apicais (h -1)
d velocidade especfica de degradao da biomassa (h -1)
max velocidade especfica mxima de crescimento celular (h-1)
N velocidade especfica de consumo de nitrognio (g NH 3/(g cel.h))
O2 velocidade especfica de consumo de oxignio (mmol O 2/(g cel.h))
P velocidade especfica de produo de retamicina (g retamicina/(g cel.h))
S velocidade especfica de consumo de glicose (g glicose/(g cel.h))
sa velocidade especfica de crescimento de clulas subapicais (h -1)
2
calc
teste de Bartlett
SUMRIO
1 Introduo ........................................................................................................ 1
2 Reviso Bibliogrfica ........................................................................................ 3
2.1 Retamicina ................................................................................................ 3
2.2 Influncia de fatores na produo de retamicina....................................... 3
2.2.1 Microrganismo ................................................................................... 3
2.2.2 Meios de cultura e condies de cultivo ............................................ 4
2.3 Modelagem Matemtica ............................................................................ 6
2.3.1 Modelos fenomenolgicos para processos fermentativos envolvendo

microrganismos filamentosos ........................................................................... 9
2.3.2 Redes neurais artificiais ................................................................... 12
2.3.3 Modelos hbridos utilizados em processos bioqumicos .................. 16
2.4 Anlise estatstica do modelo.................................................................. 18
2.4.1 Discriminao entre modelos ........................................................... 18
2.4.2 Adequao do modelo ..................................................................... 21
3 Origem dos dados .......................................................................................... 23
3.1 Microrganismo......................................................................................... 23
3.2 Meio de cultura........................................................................................ 23
3.3 Ensaios realizados .................................................................................. 24
3.3.1 Descrio dos ensaios descontnuos alimentados .......................... 26
3.3.2 Descrio dos ensaios contnuos .................................................... 29
4 Modelagem Matemtica ................................................................................. 31
4.1 Modelos fenomenolgicos ...................................................................... 32

4.1.1 Modelo 0: modelo morfologicamente estruturado proposto por
Giudici, Pamboukian e Facciotti (2004) .......................................................... 32
4.1.2 Modelo 1: modelo morfologicamente estruturado, considerando a

concentrao de oxignio dissolvido e uma frao de clulas hifais ativas (f h)..
......................................................................................................... 44
4.1.3 Modelo 2: modelo no estruturado .................................................. 65
4.2 Modelo 3: modelo hbrido........................................................................ 74
4.3 Anlise estatstica ................................................................................... 87
4.3.1 Clculo do erro experimental de cada varivel de estado................ 87
4.3.2 Discriminao entre modelos ........................................................... 89
4.3.3 Teste de adequao do modelo....................................................... 91
5 Concluses e recomendaes ....................................................................... 93
Referncias Bibliogrficas ..................................................................................... 95
Apndice A .......................................................................................................... 102

Introduo 1
1 Introduo
Os diversos tipos de cncer se caracterizam pelo crescimento de clulas

anormais em qualquer tecido do corpo. Mais de 11 milhes de pessoas so
diagnosticadas com cncer a cada ano e estima-se que seja a causa da morte de
7 milhes de pessoas por ano, o que corresponde a 12,5% dos bitos (OMS,
2006).
As antraciclinas so antibiticos antitumorais usados no tratamento

quimioterpico de diversos tipos de cncer. As mais empregadas atualmente so
a doxorrubicina e a daunorrubicina, mas apresentam srios problemas na sua
utilizao, principalmente uma elevada toxicidade e um elevado custo de produo
(Pamboukian, 2003). Sendo assim, torna-se necessrio buscar novas drogas
menos txicas, como o caso da retamicina.
A retamicina mostrou-se eficaz no tratamento de cncer, porm, ainda no

chegou ao mercado devido baixa produtividade do processo e a dificuldades na
etapa de purificao, o que conduz a um alto custo do medicamento (Pamboukian,
2003). Nesse sentido, necessrio o melhoramento do processo de produo
deste antitumoral, seja atravs da obteno de cepas com maior capacidade de
produo, seja atravs da otimizao das condies empregadas nos cultivos em
biorreatores ou ainda pelo melhoramento dos processos de purificao do
antibitico. Assim, a modelagem matemtica do processo constitui uma importante
ferramenta de otimizao do processo de produo, pois permite a avaliao de
condies no testadas experimentalmente atravs de simulao (Ohba, 1998).
Se as expresses cinticas forem corretamente definidas, possvel prever o
curso da fermentao baseando-se nos valores iniciais de algumas variveis,
como, por exemplo, concentrao de substratos. Isto leva a simulaes que, no
final, podem resultar em um desenho timo do equipamento ou em um modo
timo de operao de um dado sistema (Nielsen; Villadsen, 1994).
Introduo 2
O presente trabalho tem como objetivo geral o de contribuir no

desenvolvimento de modelos matemticos representativos do processo
fermentativo de produo de retamicina. Diversos aspectos deste processo vm
sendo estudados experimentalmente em uma linha de pesquisa do Laboratrio de
Engenharia Bioqumica (LEB) do Departamento de Engenharia Qumica da Escola
Politcnica da USP (DEQ-EPUSP) (Guimares, 2000; Martins, 2001; Pamboukian,
2003; Guimares, 2005; Inoue, 2006). Em colaborao com pesquisadores do
Laboratrio de Simulao e Controle de Processos Centro de Engenharia de
Sistemas Qumicos (LSCP-CESQ) do DEQ-EPUSP tm sido desenvolvidos
modelos matemticos para este processo fermentativo (Giudici; Pamboukian;
Facciotti, 2004). O presente trabalho se insere neste esforo e tem como objetivos
especficos continuar o desenvolvimento e aperfeioamento do modelo
morfologicamente estruturado proposto por Giudici, Pamboukian e Facciotti
(2004), bem como elaborar outros modelos representativos do processo de
produo de retamicina, que possam ser teis para estudos de melhoria do
processo.
Reviso Bibliogrfica 3
2 Reviso Bibliogrfica
2.1 Retamicina
A retamicina um antibitico com atividade antitumoral que pode ser

produzido por via fermentativa utilizando o microrganismo Streptomyces
olindensis. O produto se apresenta na forma de um p de colorao vermelha com
baixa solubilidade em gua e alta solubilidade em solventes orgnicos (Lima et al.,
1969 apud Giudici, Pamboukian e Facciotti, 2004). A retamicina mostrou-se
promissora como agente quimioterpico, devido menor toxicidade quando
comparado com os antitumorais mais usados nesse tipo de tratamento.
2.2 Influncia de fatores na produo de retamicina
A partir da cepa mutante Streptomyces olindensis ICB20, muitos trabalhos

tm sido realizados a fim de identificar os principais fatores que podem influenciar
o processo, como, por exemplo, concentrao de oxignio dissolvido no meio de
cultura, forma de operao do reator de fermentao, entre outros.
2.2.1 Microrganismo
A linhagem selvagem de Streptomyces olindensis DAUFPE 5622 foi isolada

na dcada de 1960 em Pernambuco e mostrou-se promissora na produo do
LIMA, O.G.; LYRA, F.D.A.; ALBUQUERQUE, M.M.F.; MACIEL, G.M.; COELHO, J.S.B. Primeiras observaes sobre o
complexo antibitico e antitumoral retamicina produzido pelo Streptomyces olindensis nov. sp. IAUFPe. Revista do
Instituto de Antibiticos, v. 9, p. 27-37, 1969.
antibitico antitumoral retamicina (Lyra et al., 1968 apud Pamboukian, 2003). A fim
de se aumentar a produtividade em retamicina, foi obtida uma cepa mutante de
Streptomyces olindensis, denominada ICB20, pelo Laboratrio de Gentica do
Instituto de Cincias Biomdicas da USP (ICB-USP), a qual apresentou uma
produtividade em retamicina significativamente superior da linhagem selvagem
(Pamboukian, 2003).
2.2.2 Meios de cultura e condies de cultivo
Com a cepa mutante Streptomyces olindensis ICB20, foram realizados alguns

trabalhos no Laboratrio de Engenharia Bioqumica do Departamento de
Engenharia Qumica da Escola Politcnica da USP (LEB/DEQ/EPUSP), a fim de
se aumentar a produo de retamicina em biorreatores (Pamboukian, 2003).
Guimares (2000) estudou a influncia do preparo do inculo e do pH na

produo de retamicina por Streptomyces olindensis, linhagem mutante ICB20, em
cultivos submersos. Os ensaios foram realizados em biorreatores de bancada,
estabelecendo o processo de inoculao em duas etapas: um pr-cultivo de 16
horas e um cultivo de 24 horas, em incubador rotativo a 30C e 200 rpm. O pH 7,0
foi o que conduziu a melhores resultados no processo de produo de retamicina.
Martins (2001) analisou a transferncia de oxignio e a respirao microbiana

durantes os cultivos de Streptomyces olindensis ICB20, concluindo que a
manuteno da concentrao de oxignio dissolvido em 100% da concentrao de
saturao durante a fase de crescimento do microrganismo favorece a produo
do antibitico por permitir a sntese dos precursores do metabolismo primrio. A
manuteno de oxignio dissolvido em baixas concentraes durante a fase de
produo do antibitico no teve efeito negativo no processo.
LYRA, F.D.A., ARAJO, J. M., LIMA, O.G., ANDRADE, A.L., SCHUMACHER, I.E. Estudo taxonmico de trs cepas de
Streptomyces, produtoras de antibiticos do grupo das antraciclinas, portadores de ao antitumoral. Revista do
Instituto de Antibiticos v. 8, n. 1-2, p. 61-71, 1968.
Pamboukian (2003) estudou a produo do antitumoral retamicina em reatores

de bancada, em processos descontnuo alimentado e contnuo, visando a
obteno de elevadas quantidades do antibitico pelo controle da velocidade
especfica de crescimento em determinados perodos dos cultivos.
Guimares (2005) examinou a influncia de diferentes fontes de carbono e de

nitrognio na produo do antibitico retamicina em cultivos descontnuos de
Streptomyces olindensis ICB20 utilizando-se planejamento experimental para
delineamento dos cultivos realizados. De acordo com os resultados obtidos e com
base nas anlises estatsticas efetuadas, os melhores pares de fontes escolhidos
foram: glicose e extrato de levedura para o crescimento celular e amido e nitrato
de sdio para a produo de retamicina. Foram tambm testados novos mtodos
para a determinao da retamicina, tais como, espectrofotometria de varredura e
cromatografia lquida de alta eficincia (HPLC) e, ainda, foram testados mtodos
para comprovar a atividade biolgica da retamicina, como testes de atividade
antimicrobiana e atividade antitumoral.
Inoue (2006) estudou a influncia de diferentes limitaes nutricionais sobre a

produo de retamicina por Streptomyces olindensis ICB 20 com o uso de um
meio de cultura definido, em cultivos contnuos, empregando meios limitados em
carbono, nitrognio ou fosfato, variando-se a vazo especfica de alimentao
entre 0,025 e 0,075 h-1. A anlise dos dados dos cultivos mostrou que a produo
de retamicina foi favorecida sob limitao por fosfato. Os dados relativos anlise
de imagens indicaram uma relao entre a porcentagem em rea de diferentes
classes morfolgicas e a produo de retamicina, sendo que aparentemente, a
produo maior quando a porcentagem de clumps menor.
2.3 Modelagem Matemtica
Bonomi e Schmidell (2001) definem a modelagem matemtica de processos

fermentativos como a tentativa de representar, atravs de equaes matemticas,
os balanos de massa para cada componente do biorreator, associados s
complexas transformaes bioqumicas que ocorrem no processo e s
velocidades com que essas transformaes se processam. Voleski e Votruba
(1992) mencionam que, devido complexidade dos processos reais (que envolve
leis fsico-qumicas, bioqumicas e genticas), somada s limitaes matemticas,
os modelos so baseados na idealidade, e em geral fornecem uma representao
fiel de apenas algumas propriedades do processo. Segundo os autores, a
formulao do modelo deve possuir um comprometimento entre grau de
complexidade e soluo economicamente desejvel (esforo computacional).
Logicamente, a descrio completa de todas as vias e interaes metablicas

que ocorrem em um processo biolgico seria uma tarefa impossvel (Ohba, 1998).
Segundo Sinclair e Kristiansen (1987), em um modelo para fermentao devem
ser considerados somente aspectos relevantes nos quais tem-se interesse. Dessa
maneira, um modelo seria uma srie de relaes entre as variveis de interesse
de um sistema em estudo.
O objetivo da modelagem matemtica de um processo fermentativo ,

portanto, organizar informaes desconexas sobre os eventos em um conjunto
coerente, identificar quais sistemas e interaes so relevantes em um sistema,
descobrir novas estratgias que permitam descrever o comportamento do
processo em determinadas condies e entender as caractersticas
qualitativamente importantes para o processo (Bailey, 1998).
Os modelos matemticos de processos fermentativos podem ser definidos em

trs grupos: modelos fenomenolgicos, modelos entrada-sada (caixa-preta) e
modelos hbridos (caixa-cinza).
Na abordagem fenomenolgica, o desenvolvimento do modelo conduzido

pelos aspectos relevantes do processo e pelos chamados princpios fundamentais.
Tais modelos tendem a apresentar boa capacidade de extrapolao. No entanto, o
conhecimento necessrio para um sistema especfico muitas vezes no
disponvel. Conseqentemente, o esforo maior nesse tipo de abordagem
dedicado identificao correta dos mecanismos relevantes ao processo, o que
pode consumir muito tempo (Van Can et al., 1996).
Os modelos fenomenolgicos para processos fermentativos so constitudos

por equaes de balano ou de conservao (de massa, de energia ou de
quantidade de movimento, ou seja, os chamados princpios fundamentais),
equaes de velocidade (como, por exemplo, expresses cinticas que
descrevem a gerao ou consumo de espcies dentro do sistema) e equaes
termodinmicas, que relacionam propriedades termodinmicas do sistema
(presso, temperatura, densidade, concentrao). As equaes cinticas so
denominadas modelos cinticos (Bonomi; Schmidell, 2001).
Os modelos cinticos de processos fermentativos podem ser classificados

quanto ao nmero de componentes usados na representao celular em dois tipos
(Bonomi; Schmidell, 2001):
- Modelos no estruturados: o microrganismo visto como uma espcie

reagente simples, possivelmente com uma composio qumica fixa, sem
considerar variaes nos componetes intracelulares;
- Modelos estruturados: as clulas so descritas com maiores detalhes,

considerando, por exemplo, componentes intracelulares, permitindo
descrever o estado das clulas e sua adaptao s mudanas do meio
ambiente.
Quanto heterogeneidade da populao microbiana, os modelos cinticos

podem ser classificados em (Bonomi e Schmidell, 2001):
- Modelos no segregados: a populao considerada homognea, isto ,

todas clulas apresentam o mesmo comportamento;
- Modelos segregados: as clulas so consideradas discretas, como

indivduos de uma populao heterognea, com distribuio de idade, de
tamanho e de propriedades celulares.
Em relao abordagem estruturada, Bizukojc e Ledakowicz (2003)

descrevem dois tipos de modelos que podem ser aplicados para descrever o
crescimento microbiano. So eles os modelos intracelularmente estruturados,
onde se formulam expresses cinticas para as reaes intracelulares dos
mecanismos metablicos bsicos e os modelos morfologicamente estruturados,
nos quais a biomassa dividida em subsees ou compartimentos de variadas
funes e propriedades bioqumicas. Nos modelos morfologicamente estruturados,
as dimenses das clulas podem ser consideradas.
Na abordagem caixa-preta, o desenvolvimento do modelo est relacionado

com observaes do comportamento dos dados medidos do sistema a ser
modelado. A principal vantagem dessa estratgia o fato de ser possvel a
obteno, em um perodo curto de tempo, de um modelo matemtico preciso sem
que seja necessrio um conhecimento detalhado do processo. No entanto, a
principal desvantagem dessa abordagem a impossibilidade de realizar
extrapolaes, sendo necessrio que os experimentos cubram todo o domnio de
aplicao do modelo para evitar tal problema. O principal exemplo de modelos do
tipo entrada-sada so as redes neurais artificiais (Van Can et al., 1997) (ver item
2.3.2.). Resumidamente, as redes neurais artificiais so funes que estimam
relaes entrada sada de um dado sistema. So, portanto, mais uma
ferramenta a ser utilizada em modelagem de processos. Sua caracterstica mais
interessante que no dependem de um modelo matemtico que relacione as
entradasesadasdeumprocesso.Elasaprendemessarelaoapartirdeum
treinamento semelhanteao aprendizado de um crebro humano. Em funo de
suas caractersticas, a rede neural pode ser aplicada em casos que apresentam
fortes no-linearidades, situaes nas quais em geral mais difcil obter modelos
fenomenolgicos (Alves, 2003).
Na modelagem hbrida, h a combinao das equaes de princpios

fundamentais com uma ou mais redes neurais artificiais (RNA). Nesse caso, as
RNAs atuam como estimadoras de parmetros ou variveis no conhecidas.
Assim, a rede pode ser treinada para estimar parmetros do modelo
fenomenolgico ou substituir equaes deste como, por exemplo, equaes de
velocidade de reao e de velocidade de crescimento celular (Tonin, 2005).
2.3.1 Modelos fenomenolgicos para processos fermentativos envolvendo

microrganismos filamentosos
Bajpai e Reuss (1980) investigaram um modelo mecanstico para a produo

de penicilina. O modelo no-estruturado foi validado com dados experimentais.
Considerou-se a cintica de Contois para o consumo de glicose e de oxignio e
tambm a autlise de penicilina. Tambm levou-se em conta a inibio da
formao de produto pelo excesso de substrato. O modelo foi utilizado para
estudar os efeitos da vazo de alimentao, da concentrao inicial de substratos
e do coeficiente volumtrico de transferncia de oxignio sobre o processo.
Concluiu-se que o modelo foi capaz de descrever a tendncia de comportamento
da formao de produto.
Matsumura et al. (1981) propuseram um modelo morfologicamente estruturado

para a produo de cefalosporina C por Cephalosporium acremonium em um
cultivo descontnuo e, posteriormente, aplicaram com sucesso tal modelo em uma
simulao de um cultivo descontnuo alimentado. Foram consideradas trs formas
morfolgicas e tambm que a produo do antibitico estava associada
diferenciao da clula. Inicialmente, o modelo no conseguia prever a formao
de cefalosporina C em cultivos fed-fatch quando se utilizavam altas vazes de
alimentao, devido represso da biossntese do metablito quando a
velocidade de crescimento celular diminua, causando um acmulo de glicose no

meio. Aps a insero de um termo de inibio no modelo, foi possvel descrever
o comportamento do cultivo fed-batch, mesmo em altas vazes de alimentao.
Nielsen (1993) props um modelo morfologicamente estruturado para

descrever o crescimento de microrganismos filamentosos. Tal modelo considera
que em um elemento hifal existem trs formas morfolgicas: clulas apicais,
subapicais e hifais. O modelo assume que o consumo de substrato e formao de
biomassa ocorre somente nos compartimentos apical e subapical. O
compartimento hifal inativo em termos de crescimento. O modelo foi ento
aplicado para descrever o crescimento de trs espcies de microrganismos
filamentosos. O modelo foi utilizado posteriormente por outros autores na
formulao de modelos morfologicamente estruturados para descrever a produo
de metablitos secundrios por microrganismos filamentosos.
Menezes et al. (1994) desenvolveram um modelo no estruturado para a

produo de penicilina G em cultivos descontnuos alimentados realizados em
reatores de 1m3 de capacidade. O modelo adotou as equaes de velocidades
especficas propostas por Bajpai e Reuss (1980), negligenciando a represso
catablica por glicose e incluindo a autlise da biomassa. O poder preditivo do
modelo foi testado, obtendo-se sucesso para fermentaes com diferentes perfis
de alimentao de acar e outras matrias-primas.
Paul e Thomas (1996) reportaram um modelo estruturado para a produo de

penicilina em fermentaes submersas de Penicillium chrysogenum. Atravs de
medidas feitas por anlise de imagens, os autores conseguiram relacionar as
transformaes morfolgicas produo do antibitico sob diferentes regimes de
alimentao de glicose. Devido sua capacidade preditiva, concluiu-se que o
modelo pode ser usado em estratgias de controle, balancenado o suprimento de
nutrientes e a demanda da cultura para atingir o efeito desejado.
Zangirolami et al. (1997) investigaram a aplicabilidade do modelo

morfologicamente estruturado de Nielsen (1993) para descrever a produo de
penicilina por Penicillium chrysogenum em cultivos descontnuos alimentados. O
modelo apresentou bons resultados nas predies de concentrao de biomassa

e produto, mas, em alguns casos, o modelo no apresentou bons resultados para
a concentrao de glicose. Os autores ressaltam que o pequeno nmero de
parmetros do modelo e a sua fora preditiva o capacitam para ser utilizado em
estratgias de controle.
Cruz et al. (1999) desenvolveram um modelo no-estruturado para representar

a produo de cefalosporina C em cultivos descontnuos alimentados. O modelo
foi aplicado em diferentes condies de operao, sendo possvel determinar uma
vazo de alimentao tima que promove uma produo maior do antibitico.
Birol et al. (2002) propuseram um modelo morfologicamente estruturado para

descrever a produo de penicilina em cultivos fed-batch. Tal modelo uma
variao do modelo de Nielsen (1993) e inclui os efeitos do oxignio dissolvido no
meio e as variaes de volume nas fases abitica e bitica devido formao de
biomassa. Vrios regimes de alimentao foram testados, a fim de demonstrar a
capacidade do modelo proposto. Concluiu-se que o modelo apresenta grande
aplicabilidade em termos de condies operacionais, pois oferece larga
flexibilidade ao simular o processo.
Bizukojc e Ledakowicz (2003) formularam um modelo morfologicamente

estruturado para a descrio do acmulo de cido ctrico em cultivos descontnuos
de Aspergillus niger. As curvas simuladas mostraram-se consistentes com os
dados experimentais.
Giudici, Pamboukian e Facciotti (2004) tambm utilizaram o modelo

morfologicamente estruturado de Nielsen (1993) para avaliar as transformaes
morfolgicas nos cultivos de Streptomyces olindensis para produo do antibitico
retamicina. O modelo forneceu uma boa descrio quantitativa para a produo de
retamicina, crescimento de biomassa e consumo de glicose, tanto em cultivos
descontnuos como em cultivos descontnuos alimentados.
Liu, Xing e Han (2005) formularam um modelo morfologicamente estruturado

considerando as funes especficas de diferentes compartimentos do elemento
hifal combinado com um modelo populacional, no qual se descreve o crescimento
das hifas de acordo com suas idades e comprimentos. O modelo foi aplicado com
sucesso na simulao de processos descontnuos de produo de estreptomicina.
2.3.2 Redes neurais artificiais
As redes neurais artificiais so uma descrio genrica para uma classe de

modelos computacionais inspiradas na estrutura de neurnios biolgicos. Elas
podem reconhecer padres, reorganizar dados e aprender comportamentos
dinmicos complexos de sistemas fsicos (Silva et al, 2000).
Pellicci (2001) descreve brevemente o funcionamento do crebro humano e

posteriormente faz uma analogia com o neurnio computacional. O neurnio a
unidade biolgica fundamental do crebro. O crebro humano possui cerca de 100
bilhes de neurnios interconectados atravs dos dendritos, que se comunicam
com os demais pelas junes conhecidas como sinapses. A transmisso atravs
desta juno de natureza qumica e a quantidade de sinal transmitido depende
da quantidade de substncias qumicas (neurotransmissores) circulando entre os
dendritos e saindo dos neurnios pelos axnios (ramificaes com os neurnios
vizinhos). No mecanismo de aprendizagem do crebro humano, o comprimento da
ligao sinptica modificado alterando-se a fora interativa entre os neurnios.
Cada neurnio possui cerca de 10.000 dendritos atravs dos quais os sinais so
captados, processados e devolvidos ao meio na forma de um impulso nervoso.
O neurnio computacional funciona de maneira similar ao biolgico, possuindo

vrias entradas e sadas, sendo que estas ltimas so conectadas ao elemento
adjacente atravs de conexes ponderadas de maneira similar s ramificaes
sinpticas. Cada conexo possui um peso correspondente que modifica os sinais
de entrada. Os sinais ponderados so somados, modificados por uma funo de
ativao (sigmoidal, seno hiperblico, tangente hiperblica, etc.) e enviados da
sada para a entrada do prximo neurnio. O funcionamento do neurnio artificial

pode ser resumido nos seguintes passos conforme ilustrado na figura 2.1: 1) os
sinais so recebidos do neurnio anterior; 2) os sinais so multiplicados por pesos
correspondentes a cada ligao; 3) os sinais ponderados so somados para
caracterizar a combinao de efeitos de cada entrada; 4) a soma calculada
modificada por uma funo de ativao ou transferncia para compensar as inter-
relaes entre as entradas; 5) os sinais ativados seguem para o neurnio
subseqente (Pellicci, 2001).
x (i)
w (i)
y +1
w (i+ 1 )
x (i+ 1 )
z(i) = [ x(i)*w (i)]
z
w (i+ 2 )
-1
x (i+ 2 )
E n trad as d e Som a de F u n o
ou tros tod as as T ran sfern cia
n eu r n ios en trad as
S ad as p ara os
n eu r n ios
Figura 2.1: Processamento do sinal em um neurnio de uma rede feedforward (Pellicci, 2001)
Assim como o sistema nervoso organiza seus neurnios, os modelos de

neurnios artificiais so arranjados ordenadamente, formando as redes neurais
artificiais. Tais redes so formadas por uma camada de entrada, uma ou mais
camadas ocultas e uma camada de sada.
No que se refere estrutura da rede, duas classes so geralmente

empregadas: redes de mltiplas camadas (multilayer feedforward network),
conforme a Figura 2.2 e redes recursivas (Figura 2.3). Em redes feedforward, o
fluxo de informaes entre uma camada e outra unidirecional, a partir da
entrada, passando pelas camadas ocultas e pela sada. J nas redes recursivas,
as informaes de sada retornam camada de entrada.
x(1)
y(1)
x(2)
.
. . y(2)
. .
. .
.
. .
.
. .
x(q) .
. .
.
. .
y(p)
1 (bias)
camada camada camada

de entrada oculta de sada
Figura 2.2: Rede de mltiplas camadas (Pellicci, 2001)
-1
z
y(1 )
-1
z
x(1 )
.
.
.
.
.
x(q ) .
1
(b ias)
Figura 2.3: Rede recursiva (Pellicci, 2001)

A rede neural mais usada em modelagem e simulao de processos qumicos

a rede feedforward. Os ns nas diferentes camadas da rede representam
elementos de processamento do tipo neurnios. O nmero de neurnios nas
camadas de entrada e sada depende dos respectivos nmeros de dados de
entrada e sada considerados. Por outro lado, o nmero de neurnios na camada
interna pode variar e sua estrutura define a topologia da rede. Os neurnios de
uma camada so conectados a todos os neurnios da camada seguinte. Cada
interconexo tem associado um peso que modifica a fora do sinal que flui atravs
do caminho. Assim, a entrada de cada neurnio a soma ponderada das sadas
dos neurnios da camada anterior. Em outras palavras, cada informao que sai
de um neurnio de uma camada i ponderada por um dado peso Wij e enviada a
todos os neurnios da camada seguinte j. A sada de cada n obtida passando a
soma ponderada atravs de um operador chamado funo de ativao (Alves,
2003).
Uma vez que a topologia da rede foi definida, passa-se para a fase de
treinamento da mesma, a fim de determinar os valores apropriados para os pesos
de cada interconexo (Alves, 2003).
Para o treinamento da rede, existem dois tipos de algoritmos de

aprendizagem: supervisionado ou no supervisionado. Quando os pesos so
ajustados de acordo com a diferena entre a sada desejada com a obtida pela
rede, esse tipo de algoritmo de aprendizagem chamado de supervisionado. Este
o mais usado na Engenharia Qumica, tambm chamado de algoritmo de
retropropagao ou backpropagation. J o algoritmo no supervisionado no
necessita de sada desejada conhecida, onde a prpria rede neural artificial realiza
automaticamente um mapa com dados de entrada apresentados para prever o
conjunto de sada. Essas redes possuem maior aplicao em tarefas de
classificao e agrupamento de dados (Tonin, 2005).
2.3.3 Modelos hbridos utilizados em processos bioqumicos
Na modelagem de processos biotecnolgicos, h uma grande dificuldade na

determinao de parmetros confiveis que descrevem o processo
adequadamente. Isto ocorre por causa da complexa natureza do metabolismo
microbiano e no linearidade de sua cintica. Devido a essa dificuldade, muitas
vezes modelos baseados em princpios fundamentais e estudos de cintica
detalhados no esto prontamente disponveis, sendo proveitoso encontrar um
caminho rpido e simples de descrever os processos fermentativos de maneira
acurada para estudos de otimizao e controle. A modelagem hbrida se
apresenta como uma forma alternativa e vantajosa de modelagem ao combinar
conhecimentos prvios do processo, atravs de balanos materiais, com redes
neurais artificiais que descrevem as cinticas desconhecidas do processo.
Thompson e Kramer (1994) aplicaram uma estratgia de modelagem hbrida

em um estudo de caso no qual previa-se a formao de biomassa e de penicilina
em um cultivo descontnuo alimentado. A abordagem incluiu o clculo das
velocidades especficas de crescimento, o treinamento de uma rede neural e as
equaes de princpios fundamentais. As variveis de entrada consideradas no
modelo eram as concentraes de substrato, biomassa e produto (S, X e P), taxa
de diluio, concentrao de substrato na alimentao e variao de tempo. As
variveis de sada do modelo eram as variveis de estado S, X e P no tempo t+t.
Os autores concluram que a modelagem hbrida eficiente em predies
acuradas e confiveis.
Costa et al. (1999) utilizaram a metodologia de modelagem hbrida para

representar as cinticas de crescimento celular para os processos de produo de
penicilina e etanol. O modelo era formado pelas equaes de balano material
para as variveis concentrao de biomassa, substrato e produto e por redes
neurais que estimavam os parmetros cinticos do processo. Mostrou-se que o
modelo descreveu a dinmica do processo de maneira precisa.
Silva et al. (2000) aplicaram um algoritmo do tipo redes neurais hbrido para
descrever o processo de produo de cefalosporina C por C. acremonium.
Equaes de balano material foram combinadas com uma rede neural do tipo
feedforward. O modelo hbrido consistiu de duas redes neurais artificiais: a
primeira estimou a velocidade especfica de crescimento a partir das condies
iniciais do processo e de algumas variveis medidas on-line (fraes molares de
CO2 e O2 no gs de sada); a segunda rede foi empregada para estimar a
velocidade especfica de produo a partir da velocidade especfica de
crescimento prevista na rede anterior, pois, para metablitos secundrios como
cefalosporina C, o crescimento celular inibe a produo. As sadas das redes
foram includas nos balanos de massa para a estimao das concentraes de
biomassa, substrato e produto. A rede foi usada na estimao das velocidades de
crescimento celular e formao de produto, as quais foram inseridas nas
equaes de balano material. O modelo hbrido apresentou bons resultados ao
descrever satisfatoriamente a complexa dinmica do processo.
Bravo, Diez e Shene (2004) propuseram um modelo hbrido para simular

mudanas nas concentraes de substratos (glicose e frutose) durante a sntese
de sorbitol. As variveis de entrada da rede eram o tempo, concentraes dos
substratos, pH e temperatura e a varivel de sada era a velocidade de sntese de
sorbitol, a qual foi calculada pela interpolao e derivao de funes splines.
Algumas das variveis de entrada da rede e a de sada foram usadas na
integrao das equaes diferenciais. Concluiu-se que, para descrever o processo
adequadamente, a rede neural deve possuir mais de 30 neurnios na camada
oculta.
2.4 Anlise estatstica do modelo
O ajuste do(s) modelo(s) proposto(s) a um conjunto de ensaios

experimentais normalmente avaliado e considerado satisfatrio ou no, por
simples inspeo visual do comportamento da curva do modelo frente aos dados
experimentais, alm da anlise do resduo mnimo. Essa avaliao tanto mais
vlida, na medida em que for levada em conta a falta de reprodutibilidade e o
grande erro experimental inerente aos processos biolgicos. Apesar dessa
constatao, importante submeter os ajustes obtidos a uma anlise estatstica
especfica, com dois objetivos bsicos (Bonomi; Schmidell, 2001):
Verificar se possvel discriminar um ou mais modelos propostos em

relao aos outros;
Verificar se o(s) modelo(s) remanescente(s) representa(m)

adequadamente o conjunto de dados experimentais disponveis.
2.4.1 Discriminao entre modelos
D-se o nome de discriminao entre modelos ao procedimento para

identificar qual o melhor modelo formulado que representa o processo em estudo.
Supondo-se que um dado modelo proposto seja o modelo correto, o resduo

obtido pelo critrio dos mnimos quadrados representaria uma estimativa no-
tendenciosa da varincia do erro experimental. Para um modelo rival, no-
adequado, esta quantidade superestima a varincia do erro experimental, uma vez
que estima a verdadeira varincia do erro mais o desvio sistemtico entre o
modelo e os dados experimentais. A este desvio d-seonomedefaltadeajuste.
A falta de ajuste dos modelos no adequados pode ser suficientemente

pronunciada de forma a ser identificada por algum teste estatstico. Trs casos
podem ser considerados, dependendo do grau de conhecimento da varincia do
erro experimental (Ohba, 1998):
a varincia do erro experimental conhecida;
a varincia do erro experimental no conhecida, porm

disponvel uma estimativa independente desta varincia;
no conhecida nenhuma informao sobre a varincia do erro

experimental.
No ltimo caso, as estimativas da varincia dos diferentes modelos em

relao aos dados experimentais poderiam ser testadas utilizando-se o conceito
de Igualdade Estatstica ou Homogeneidade. Por ser freqente este ltimo caso,
vrios testes foram desenvolvidos para a discriminao entre modelos, como, por
exemplo, o teste do 2 de Bartlett (Ohba, 1998).
Neste teste, avalia-se a homogeneidade das estimativas do erro

experimental, ou seja, testa-se se o valor da varincia de algum modelo
estatisticamente diferente dos demais. Isso feito usando o teste do 2 de
Bartlett, calculando o 2 atravs da frmula (Bonomi; Schmidell, 2001; Froment;

calc
Bischoff, 1990):
m m
2
ln( s ) ( df ) i ( df ) i ln( s i )
2
i 1 i 1

2
(1.1)

calc
1 m 1 1
1
3 ( m 1) i 1 ( df ) i
m

( df ) i

i 1
onde:
2
s : estimativa combinada da varincia
2
si : estimativa da varincia do modelo i;
( df )
2
i
si
2
i 1
s m
(1.2)
( df ) i
i 1
(y y j )
2
j
2 j 1
si ; i 1, 2 ,..., m
(df ) i
(1.3)
yj: valor experimental no ponto j;
y j : valor calculado pelo modelo i no ponto j;
m: nmero de modelos em competio;
(df)i: graus de liberdade para o modelo i (n-p)i;
n: nmero de pontos experimentais;
p: nmero de parmetros do modelo i.
Se 2 > tab2 (1-,m-1), o modelo ao qual corresponde o maior valor de si2

calc
descartado, e assim sucessivamente, at restar apenas um modelo; o valor de

tab (1-, m-1) obtido em tabelas estatsticas,onde o nvelde significncia
2
escolhido (geralmente 5%).
Se 2 < tab2 (1-,m-1), nenhum dos modelos pode ser descartado.

calc
Observa-se que o valor numrico de 2 calc

sozinho no aponta qual dos
modelos em competio deve ser rejeitado, e sim um processo iterativo em que se

descarta o modelo que apresenta maior varincia. Os clculos so repetidos at
que reste apenas um nico modelo ou que as estimativas das varincias dos
modelos remanescentes possam ser consideradas homogneas e,
conseqentemente, os modelos sero considerados competitivos ou no
discriminveis.
2.4.2 Adequao do modelo
Para testar se um modelo estatisticamente adequado aos pontos

experimentais, preciso ter uma avaliao do erro experimental e comparar se o
desvio do modelo aos pontos pode ser explicado por este erro. Para isso deve ser
feito um certo nmero de experimentos replicados, em ao menos uma condio
experimental (Giudici, 1990).
Assim, define-se Fcalc como a relao entre a varincia do erro oriundo da

falta de ajuste e a estimativa da varincia do erro experimental:
2
si
F calc 2
(1.4)
se
onde,
2
si : estimativa da varincia do modelo i;
2
se : estimativa da varincia do erro experimental;
v n pi
( y ijk y ik )
2
2 k 1 i 1 j 1
si n
(1.5)
v pi p
i 1
v n pi
( y ijk y ik )
2
k 1 i 1 j 1
se
2
n (1.6)
v pi nv
i 1
n: nmero de pontos;
v: nmero de variveis;
pi: nmero de replicaes em cada ponto;
yij: valor experimental da varivel;
y ij : valor calculado pelo modelo;
yi : mdia da varivel para os ensaios repetidos;
n n
Assim, se Fcalc > F(1-, v pi p , v pi nv ), o modelo inadequado com

i 1 i 1
uma probabilidade (1- ). Quando a relao calculada no excede o valor

tabelado, no detectada falta de ajuste e o modelo no considerado
n n
inadequado. Como os valores de v pi p e v pi nv so normalmente

i 1 i 1
elevados, considera-se que o modelo representa adequadamente os dados

experimentais quando Fcalc < 1.
Origem dos dados 23
3 Origem dos dados
Nesta seo, esto descritas as metodologias usadas no ajuste dos

parmetros, assim como alguns procedimentos seguidos nos ensaios de
fermentao realizados por Pamboukian (2003), os quais so relevantes para o
presente trabalho.
No presente trabalho no foram feitos ensaios experimentais. As informaes

referentes obteno de dados experimentais apresentadas a seguir referem-se
aos ensaios experimentais realizados por Pamboukian (2003), cujos dados foram
utilizados no presente trabalho para validao do modelo e estimao de
parmetros.
3.1 Microrganismo
Os ensaios utilizados neste trabalho foram realizados com uma linhagem

mutante de Streptomyces olindensis, denominada ICB20, fornecida pelo
Laboratrio de Gentica de Microrganismos do Instituto de Cincias Biomdicas
da Universidade de So Paulo (ICB/USP).
3.2 Meio de cultura
O meio utilizado nos ensaios (exceto no ensaio D-3+) foi o R5 modificado,

empregado por Furlan (1997) em cultivos de Streptomyces olindensis, o qual
possui a seguinte composio (Pamboukian, 2003): glicose (10,0 g/L), extrato de
Origem dos dados 24
levedura (5,0 g/L), tris(hidroximetil)-aminometano (3,09 g/L), casaminocidos (0,10

g/L), K2SO4 (0,25 g/L) e MgCl2.6H2O (10,12 g/L). O pH era ajustado em 7.0. Aps
a esterilizao do meio, as seguintes solues estreis eram adicionadas (para
250 mL de meio de cultura): KH2PO4 0.5 % p/v (2,5 mL), CaCl2 5M (1,0 mL) e 0,5
mL de soluo de elementos trao (40 mg ZnCl 2, 200 mg FeCl3.6H2O, 10 mg
(NH4)6Mo7O24.4H20, 10 mg CuCl2.2H2O, 10 mg MnCl2.4H2O, 10 mg
Na2B4O7.10H2O em 1000 mL de gua destilada).
Como citado anteriormente, o meio de cultura empregado no ensaio D-3+ foi

diferente, pois neste foi usada uma concentrao maior de glicose, a fim de se
empregar a mesma quantidade total de nutrientes fornecida nos ensaios
descontnuos alimentados DA-3, DA-4 e DA-5. Assim, na composio inicial do
meio de cultura para o ensaio D-3+ a concentrao de glicose foi de 16,7g/L e as
concentraes dos demais nutrientes foram as mesmas descritas anteriormente.
3.3 Ensaios realizados
Pamboukian (2003) realizou 8 ensaios descontnuos alimentados, nos quais

foram usadas vazes de alimentao exponenciais a fim de se manter a
velocidade especfica de crescimento fixa durante o perodo de alimentao. Em
paralelo a cada ensaio descontnuo alimentado foi realizado um ensaio
descontnuo padro, para a comparao de resultados.
O primeiro conjunto de ensaios, DA-1 e DA-2, foi realizado com diferentes

concentraes de glicose na alimentao, fixando-se a velocidade especfica de
crescimento em um valor baixo (x = 0,03 h-1). No ensaio DA-1, o meio de
alimentao era composto por 1,0 L do meio R5 modificado, enquanto que no DA-
2 utilizou-se 1,0L de meio R5 modificado com a concentrao de todos os
nutrientes duplicadas.
Origem dos dados 25
Da mesma maneira, foi realizado um segundo conjunto de ensaios, composto

por DA-3, DA-4 e DA-5, no qual as velocidades especficas de crescimento foram
fixadas em diferentes valores, durante a alimentao. O meio de alimentao
desses ensaios era composto por 1,0 L do meio R5 modificado, com apenas a
concentrao de glicose quadruplicada.
No terceiro conjunto de ensaios, composto por DA-3b, DA-4b e DA-5b, o meio

de alimentao continha 1,0L de meio R5 modificado, com a concentrao de
todos os nutrientes quadruplicada. Nesses ensaios, a velocidade especfica de
crescimento foi fixada em diferentes valores. A composio dos meios de
alimentao nos ensaios descontnuos alimentados est descrita na Tabela 3.1.
Alm disso, foram realizados 4 ensaios contnuos, os quais se iniciaram com

uma etapa descontnua de 16 horas (correspondente ao final da fase exponencial
de crescimento) e, a partir desse instante, promoveu-se a alimentao de meio de
cultura e de retirada de caldo, a uma vazo constante, mantendo-se um volume
til de 4,0 L. O meio de cultura empregado foi o R5 modificado, descrito no item
3.2.
Tabela 3.1: Composio do meio de alimentao nos ensaios descontnuos alimentados
DA-3 DA-3b
DA-1 DA-2 DA-4 DA-4b
DA-5 DA-5b
Glicose 10,0 g/L 20,0 g/L 40,0 g/L 40,0 g/L

Extrato de levedura 5,0 g/L 10,0 g/L 5,0 g/L 20,0 g/L
Casaminocidos 0,1 g/L 0,2 g/L 0,1 g/L 0,4 g/L
Tris(hidroximetil)aminometano 3,09 g/L 6,18 g/L 3,09 g/L 12,36 g/L
K2SO4 0,25 g/L 0,50 g/L 0,25 g/L 1,0 g/L
MgCl2.6H2O 10,12 g/L 20,24 g/L 10,12 g/L 40,48 g/L
Origem dos dados 26
3.3.1 Descrio dos ensaios descontnuos alimentados
Todos os ensaios descontnuos alimentados utilizados na modelagem

matemtica foram realizados no Laboratrio de Engenharia Bioqumica do
DEQ/EPUSP, em reatores BIOFLO III (New Brunswick Scientific Co.), de 5 L de
capacidade, nas seguintes condies: agitao de 500 rpm, vazo especfica de
ar de 1 vvm, temperatura de 30C e pH 7,0, com volume inicial de 3,5 L (sendo
3,15 L de meio de cultura e 0,35 L de inculo). A alimentao foi realizada
transferindo-se 1,0 L de meio de cultura para o reator, com vazo exponencial.
Portanto, o volume total nos ensaios descontnuos alimentados foi de 4,5 L. A
Tabela 3.2 mostra o detalhamento das condies destes ensaios.
Paralelamente a cada ensaio descontnuo alimentado, foi realizado um ensaio

descontnuo, nas mesmas condies descritas acima, com volume inicial de
cultivo de 4 L, sendo 3,6 L de meio de cultura e 0,4 L de inculo.
Origem dos dados 27
Tabela 3.2: Resumo das condies dos ensaios descontnuos alimentados realizados
(Pamboukian, 2003)
Ensaio Descrio
Composio da alimentao: meio R5 modificado
Vazo exponencial de alimentao
Controle de x em 0,03 h-1 (cerca de 10% de xmax)
DA-1
Equao de alimentao: = 0,156e0,03.(t-21) L/h
Perodo de alimentao: entre 21 e 27 horas de cultivo.
Ensaio descontnuo alimentado executado em paralelo: D-1
Composio da alimentao: meio R5 modificado, com as
concentraes de todos os nutrientes duplicadas
DA-2 Controle de x em 0,03 h-1 (cerca de 10% de xmax)

Composio da alimentao: meio R5 modificado, com apenas a
concentrao de glicose quadruplicada


Origem dos dados 28


concentraes de todos os nutrientes quadruplicadas
DA-3b Controle de x em 0,03 h-1 (cerca de 10% de xmax)

Ensaio descontnuo alimentado executado em paralelo: D-3b


Origem dos dados 29
3.3.2 Descrio dos ensaios contnuos
Os ensaios contnuos realizados foram conduzidos em reatores BIOFLO III

(New Brunswick Scientific Co.) de 5 L de capacidade, nas seguintes condies:
agitao de 500 rpm, vazo especfica de ar de 1 vvm, 30C e pH 7,0. Conforme
mencionado anteriormente, foi realizada inicialmente uma etapa descontnua
inicial de 16 horas (correspondente ao final da fase exponencial de crescimento) e,
a partir desse instante, promoveu-se a alimentao de meio de cultura e de
retirada de caldo, a uma vazo constante, mantendo-se um volume til de 4,0 L. A
Tabela 3.3 mostra o detalhamento das condies destes ensaios.
Tabela 3.3: Resumo das condies dos ensaios contnuos (Pamobukian, 2003)
Ensaio Descrio
C-1 Volume Inicial = 4,0 L
Incio da alimentao = 16 horas
Vazo de alimentao = 400 mL/h
Vazo especfica de alimentao: D = 0,1 h -1
Tempo de residncia = 10 horas
Tempo total de alimentao = 80 horas
Composio do meio de alimentao: meio R5 modificado
C-2 Volume Inicial = 4,0 L
Origem dos dados 30
C-3a Primeira etapa do ensaio contnuo C-3

Volume Inicial = 4,0 L
C-3b Segunda etapa do ensaio contnuo C-3
Vazo especfica de alimentao: D = 0,25 h-1
C-4a Primeira etapa do ensaio contnuo C-4
Volume Inicial = 4,0 L
C-4b Segunda etapa do ensaio contnuo C-4
Tempo de residncia = 3,3 horas
Modelagem Matemtica 31
4 Modelagem Matemtica
Neste captulo, so apresentados os resultados da modelagem matemtica.

Os modelos sero expostos da seguinte maneira:
Modelo 0: modelo desenvolvido por Giudici, Pamboukian e Facciotti

(2004). Tal modelo ser apresentado aqui por ter servido de base para
os outros modelos fenomenolgicos;
Modelo 1: derivao do modelo morfologicamente estruturado de

Giudici, Pamboukian e Facciotti (2004) com a incluso da varivel de
estado oxignio dissolvido e de um termo fh que representa a parcela
de zona hifal ativa para crescimento celular (vide item 4.1.2.);
Modelo 2: modelo no estruturado, no qual a biomassa representada

por uma nica varivel;
Modelo hbrido: combinao das equaes de balano material com

redes neurais artificiais, que funcionam como estimadoras das
velocidades especficas de formao de biomassa e produto e consumo
de substrato.
As equaes de todos os modelos tambm esto apresentadas no Apndice

A.
Os modelos foram submetidos a uma anlise estatstica, a fim de avali-los

quanto sua adequao aos dados experimentais e tambm para discrimin-los
entre si.
4.1 Modelos fenomenolgicos
4.1.1 Modelo 0: modelo morfologicamente estruturado proposto por Giudici ,

Pamboukian e Facciotti (2004)
Na modelagem matemtica do processo de produo de retamicina pelo

microrganismo filamentoso Streptomyces olindensis, Giudici, Pamboukian e
Facciotti (2004) consideraram as seguintes hipteses e fenmenos:
a) Modelo morfologicamente estruturado proposto por Nielsen (1993) para o

crescimento celular;
b) As principais fontes de nitrognio consideradas foram extrato de levedura e

tris(hidroximetil)aminometano;
c) A principal fonte de carbono considerada foi a glicose;
d) Os substratos considerados no crescimento celular foram as fontes de

carbono e de nitrognio;
Consumo de Substrato: glicose
A velocidade especfica de consumo de glicose inclui o consumo de glicose

para crescimento celular, produo de retamicina e manuteno celular:
S 1 2 p m s f s (S ) (4.1)
onde:
s velocidade especfica de consumo de glicose (g glicose/ (g cel.h))
p
velocidade especfica de produo de retamicina (g retamicina/ (g cel.h))
1 coeficiente estequiomtrico de consumo de glicose para formao da

biomassa (g glicose/gcel)
2 coeficiente estequiomtrico de consumo de glicose para formao de

retamicina (g glicose/g retamicina)
mS coeficiente de consumo de glicose para manuteno celular (h-1)
fS (S ) funo definida pela eq. (4.2)
O consumo de glicose para manuteno da biomassa foi modelado como

dependente da concentrao de substrato, seguindo proposies apresentadas
por Guardiola et al. (1995) e Paul et al. (1998). Somente enquanto houver glicose
disponvel no meio de cultura, as clulas podem consumi-la para a manuteno,
porm a velocidade de consumo de glicose para manuteno diminui quando a
concentrao de glicose no meio de cultura muito pequena. Essa dependncia
evita a previso de situaes irreais como concentraes negativas de substrato.
usada uma equao da forma de Monod para representar tal dependncia com
f(S) dada por:
S
f s (S ) (4.2)
S K ms
sendo que Kms a constante de saturao de glicose para manuteno.
O balano material para a glicose dado por:
dS F
(S F S ) S X (4.3)
dt V
onde:
SF concentrao de glicose na alimentao (g/L)
F vazo de alimentao (L/h)
V volume do reator (L)
X concentrao de biomassa (g/L)
Consumo de Substrato: fontes de nitrognio
Nos cultivos de Streptomyces olindensis utilizados, considerou-se que as

principais fontes de nitrognio so extrato de levedura e
tris(hidroxi)metilaminometano (THAM), os quais foram expressos como um nico
componente, em termos de NH3 equivalente.
N 1 C ye 2 C THAM (4.4)
onde:
Cye concentrao de extrato de levedura (g/L)
CTHAM concentrao de tris(hidroxi)metilaminometano (g/L)
1 fator de converso de extrato de levedura em NH 3 equivalente (gNH3/g

extrato de levedura)
2 fator de converso de tris(hidroxi)metilaminometano em NH 3 equivalente

(g NH3/g THAM)
Considerou-se que a composio qumica do extrato de levedura

CH1.8O0.5N0.2 (Nielsen; Villadsen, 1994), que resulta em 1 = 0.138 g NH3 / g
extrato de levedura. A composio de THAM C 4H12O3N, que resulta em 2 =
0.139 g NH3 / g THAM.
A velocidade especfica de consumo de nitrognio inclui o consumo deste para

o crescimento da biomassa e para produo de retamicina. Admite-se que a
degradao da biomassa disponibiliza substrato nitrogenado:
N 3 ( d ) 4 p (4.5)
onde:
N velocidade especfica de consumo de nitrognio (g NH 3 / (g cel.h))
velocidade especfica de crescimento celular (h -1)
p velocidade especfica de produo de retamicina (g / (g cel.h))
coeficiente estequiomtrico de consumo da fonte de nitrognio para a

3
formao da biomassa (g NH3/g cel)
coeficiente estequiomtrico de consumo da fonte de nitrognio para

4
formao de retamicina (g NH3 / g retamicina)
O balano material para a concentrao da fonte de nitrognio dado por:
dN F
(N F N ) N X
dt V (4.6)
onde:
NF concentrao da fonte de nitrognio no meio de alimentao (g NH3/L)
Crescimento celular
O modelo para o crescimento celular uma derivao do modelo proposto por

Nielsen (1993).
Em microrganismos filamentosos h uma variao significativa no

metabolismo das clulas individuais nas estruturas multicelulares que formam os
filamentos. Para descrever essas culturas corretamente, necessrio considerar a
variao morfolgica das clulas (Nielsen; Villadsen, 1994).
Segundo Nielsen (1993), em um elemento hifal vrias clulas atrs da ponta

esto envolvidas no processo de extenso da mesma. Essas clulas dividem um
citoplasma comum no qual est situado o ncleo de cada clula. A parte do
elemento hifal localizada entre a ponta e o primeiro septo chamada
compartimento apical (Za). As clulas localizadas logo aps o compartimento
apical tm uma composio intracelular muito similar das clulas apicais e
formam o compartimento subapical (Z s). A clulas mais afastadas da ponta
possuem grandes vacolos. Essas clulas no participam diretamente no
processo de extenso da ponta, mas acredita-se que elas tenham importncia por
criar uma presso intracelular que assegura transporte de material celular em
direo ponta. Essa parte do elemento hifal denominada compartimento hifal
(Zh) (figura 4.1).
regio
apica l (Z a )
regio hifa l (Z h )
R egi o subap ica l (Z s )
Figura 4.1: Compartimentos apical (Za), subapical (Zs) e hifal (Zh) de um elemento hifal
De acordo com o mesmo autor, quando uma nova ponta formada, ela
inicialmente cresce em tamanho, o que corresponde a um aumento do
compartimento apical. Quando esta atinge um certo tamanho, um septo formado
aps a ponta e algumas das antigas clulas apicais se tornam novas clulas
subapicais. Esse processo denominado extenso da ponta (tip extension). A
formao de ramificao (branching) o mecanismo no qual novas clulas
apicais so formadas. Quando a clula envelhece, ela se torna cada vez mais
vacuolizada, caracterizando o processo de diferenciao(differentiation). Essas
clulas com vacolos possuem um metabolismo completamente diferente das
clulas apicais e subapicais e so denominadas clulas hifais. No se considera
que tais clulas contribuam para o crescimento celular.
As expresses cinticas para branching e tip extension so consideradas

como de primeira ordem na forma morfolgica que desaparece. A expresso
cintica para diferenciao tambm de primeira ordem em Z s e, alm disso,
considera-se que inibida por altas concentraes de glicose.
As expresses cinticas para as transformaes morfolgicas so:
branching Z Z u1 ku Z (4.7)
s a 1 s
tipextension Z Z u 2 k u2 Z (4.8)
a s a
k u3 Z
s
differentiation Z Z u (4.9)
s h 3 SK u3
1
Onde:
Za frao mssica do compartimento apical (g/g)
Zs frao mssica do compartimento subapical (g/g)
Zh frao mssica do compartimento hifal (g/g)
u1 velocidadedereaodebranching(h -1)
u2 velocidadedereaodetipextension(h -1)
u3 velocidade de reao de diferenciao (h -1)
k u1 constante cintica para a reaodebranching(h-1)
ku2 constante cintica para a reaodetipextension(h-1)
ku3 constante cintica para a reao de diferenciao (h-1)
K u3 constante de saturao para reao de diferenciao (L/g glicose)
O crescimento de clulas apicais e subapicais descrito pela cintica de

Monod, incluindo os efeitos das fontes de carbono e de nitrognio no meio de
cultura:
S N
a sa k

(4.10)
S K s N K N
onde:
a velocidade especfica de crescimento das clulas apicais (g/(g . h)
sa velocidade especfica de crescimento das clulas subapicais(g/(g . h)
constante cintica para o crescimento das clulas apicais, subapicais e

k
hifais (h-1)
S concentrao de glicose (g glicose/L)
N concentrao da fonte de nitrognio (gNH3/L)
KS constante de saturao para a fonte de carbono (g glicose/L)
K N constante de saturao para a fonte de nitrognio (gNH3/L)
A velocidade especfica de crescimento da biomassa dada por:
a Z a sa Z s (4.11)
Alm disso, em baixas concentraes de substrato, considera-se que a

degradao da biomassa ocorre somente no compartimento hifal da clula. De
acordo com o trabalho de Guardiola, Iborra e Cnovas(1995), da mesma maneira
que diminui a velocidade de consumo de glicose para manuteno, o aumento da
velocidade de degradao celular favorecido. Esse comportamento descrito da
seguinte maneira:
d k d 1 f s ( S ) Z h
(4.12)
onde:
kd constante cintica para degradao da biomassa (h -1)
Os balanos materiais para as variveis concentrao celular (X) e fraes

mssicas dos compartimentos apical (Z a), subapical (Zs) e hifal (Zh) so:
dZ a
u 1 u 2 a Z a d Z a
dt (4.13)
dZ s
u 2 u 1 u 3 s Z s d Z s
dt (4.14)
dZ h
u 3 d Z h d
dt (4.15)
dX F
( d ) X X
dt V (4.16)
Formao de produto
Pamboukian (2003) observou que a existncia de limitaes nutricionais um

fator importante na produo de retamicina. O incio da produo de retamicina
est ligado limitao por nutrientes, provavelmente a fonte de nitrognio. Martins
(2001) cita que a grande disponibilidade de oxignio no meio de cultivo durante a
fase de crescimento permite melhores desempenhos quanto produo do
complexo retamicina, ou seja, o oxignio no est diretamente envolvido na
biossntese do antibitico, mas um suprimento adequado durante a fase de
crescimento celular essencial no processo de produo do antitumoral. Dessa
maneira, considerou-se que a produo do antitumoral ocorre no compartimento
subapical e influenciada pelas concentraes de glicose e favorecida pela

exausto da fonte de nitrognio no meio de cultura:
S K
p k 2 N
Z s (4.17)

S K 2 N K N
onde:
k2 constante cintica para produo de retamicina (h -1)
K2 constante de saturao para formao de produto (g/L)
O balano material para o produto dado por:
dP F
pX P (4.18)
dt V
onde:
P concentrao de retamicina (g/L)
Variao de volume
No modelo, tambm foi considerada a variao de volume no biorreator devido

adio de meio de cultura e retirada de amostras. Assim:
dV
F F amostragem (4.19)
dt
onde:
F vazo de alimentao (L/h)
Famostragem vazo de amostragem (L/h)

Dos 18 parmetros do modelo 0, somente 6 foram estimados por regresso

no-linear utilizando o critrio dos mnimos quadrados, ajustando as predies do
modelo aos dados experimentais de concentrao de glicose, biomassa e
retamicina medidos por Pamboukian (2003). Alguns dos parmetros restantes
foram retirados da literatura, enquanto a outros foram atribudos valores
arbitrrios. A minimizao do critrio foi feita pelo mtodo de Marquardt (1963).
Os valores calculados foram obtidos pela resoluo do sistema de equaes

diferenciais ordinrias pelo mtodo de Runge-Kutta-Gill de quarta ordem com
controle de erro e passo varivel.
Assim, os valores dos parmetros do modelo 0 encontram-se na Tabela 4.1.

Tabela 4.1: Parmetros do modelo de Giudici, Pamboukian e Facciotti (2004)

Parmetro Valor Unidade Comentrios
ku1 2,3 h-1 Nielsen (1993)
ku2 0,7 h-1 Nielsen (1993)
ku3 0,85 h-1 Nielsen (1993)
Ku3 4,0 L/g glicose Nielsen (1993)
1 0,138 g NH3/g extrato de Composio de extrato
levedura de levedura
2 0,139 g NH3 / g THAM Composio of THAM
k 0,33 h-1 atribudo
KS 0,03 g glicose/L Nielsen (1993)
k2 0,271 0,007 h-1 estimado por RNL*
KS2 0,1 g glicose/L atribudo
KN 0,713 0,027 g NH3/L estimado por RNL*
3 0,211 0,003 g NH3/g biomassa estimado por RNL*
4 0,022 g NH3/g P Bieber et al. (1989)
1 1,117 0,046 g glicose/g biomassa estimado por RNL*
2 0,808 0,151 g glicose/g P estimado por RNL*
ms 0,019 0,007 h-1 estimado por RNL*
Kms 0,05 g glicose/L atribudo
kd 0,02 h-1 atribudo
Za em t=0 0,70 g clulas apicais/g Nielsen (1993)
clulas
Zs em t=0 0,20 g clulas subapicais/g Nielsen (1993)
clulas
Zh em t=0 0,10 g clulas hifais /g clulas Nielsen (1993)
*RNL: regresso no-linear
Os resultados da simulao no sero apresentados no presente trabalho,

mas os autores mostraram que o modelo apresentou bom ajuste em cultivos
descontnuos e contnuos para as variveis X, S e P, com exceo de um cultivo
descontnuo alimentado. Tal cultivo apresentou um rpido crescimento celular,
causando um alto consumo de oxignio, resultando na reduo do oxignio
dissolvido no meio. O ensaio mencionado foi o nico realizado por Pamboukian
(2003) em que houve limitao por oxignio. Tal fato motivou a incluso da
varivel oxignio dissolvido ao modelo (item 4.1.2).
As predies para os ensaios contnuos apresentaram resultados

qualitativamente inferiores em comparao aos ensaios descontnuos e
descontnuos alimentados.
4.1.2 Modelo 1: modelo morfologicamente estruturado, considerando a

concentrao de oxignio dissolvido e uma frao de clulas hifais
ativas (fh)
O modelo 1 uma variante do modelo 0, com a incluso da varivel de estado

concentrao de oxignio dissolvido no meio de cultura e de uma frao de
clulas hifais ativas para o crescimento e produo de antibitico (f h).
Ao estudar a transferncia de oxignio e respirao microbiana no meio de

cultura, Martins (2001) observou uma baixa demanda de oxignio durante a fase
de produo de retamicina em relao observada na fase de crescimento
celular. Assim, a manuteno de grande disponibilidade de oxignio durante a
fase de produo do antibitico indiferente, o que justifica a incluso da varivel
oxignio dissolvido como substrato somente na cintica de crescimento celular.
Alm disso, conforme Zangirolami et al. (1997), considerou-se que a transio

de clulas subapicais ativas em clulas hifais completamente vacuolizadas ocorre
gradualmente. Conseqentemente, as clulas hifais localizadas na vizinhana do
compartimento subapical pertencem a um estado transitrio, apresentando a
mesma atividade metablica e habilidade de crescimento exibida no
compartimento subapical. Dessa forma, uma frao f h de clulas hifais so
consideradas ativas para o crescimento celular e para produo de retamicina.
S N CL
a sa h k (4.20)
S K N K K
S N OX C L
onde:
h velocidade especfica de crescimento das clulas hifais ativas(g/(g . h)
CL concentrao de oxignio dissolvido no meio de cultura (mmolO 2/L)
Kox constante de saturao de oxignio (mmolO 2/L)
A velocidade especfica de crescimento da biomassa dada por:
a Z a sa Z s f h h Z h
(4.21)
sendo que fh a frao de clulas hifais ativas para o crescimento (clulas em

estado transitrio).
A equao da velocidade especfica de produo foi alterada para incluir a

frao ativa fh como produtora de retamicina.
S K
p k 2
N K ( Z s f h Z h )
N
(4.22)
S K 2 N
A velocidade especfica de respirao celular inclui o consumo de oxignio

para o crescimento da biomassa e para manuteno celular:
1
O mO
2 2

YO
2
(4.23)
onde:
O 2
velocidade especfica de consumo de oxignio (mmol O 2/gcel.h)
coeficiente de consumo de oxignio para manuteno (consumo de

mO2
oxignio) (h-1)
YO 2 fator de converso de oxignio em clulas (gcel/mmol O2)

A concentrao de saturao de oxignio no meio de cultivo ( C L* ) dada pela

seguinte expresso:
* b1
CL ( b 2 b3 . S ) (4.24)
10
A Eq. (4.24) uma adaptao da expresso apresentada por Martins (2001), a

qual considera que a presena de substncias diludas no meio de cultura
influencia a solubilidade do oxignio no mesmo. A expresso original leva em
conta o efeito tanto da concentrao de substrato (glicose) como das quantidades
de cido (HCl) e base (NaOH) adicionadas ao fermentador para controle de pH. A
Eq. (4.24) considera apenas o efeito da concentrao de glicose.
A porcentagem de oxignio dissolvido no meio de cultivo (OD) dada por:
CL
OD *
(4.25)
CL
onde:
CL concentrao de oxignio dissolvido no meio de cultura (mmolO 2/L)
*
CL concentrao de saturao de oxignio no meio de cultivo (mmol O 2/L)
O balano de oxignio no meio lquido dado por:
dC L F
k l a (C C L ) O2 . X C L
*
L (4.26)
dt V
onde:
kLa coeficiente volumtrico de transferncia de oxignio (h-1)
Dessa maneira, houve a incluso de 8 parmetros no modelo: K ox, fh, mo, YO2,
b1, b2, b3 e kla. Os demais parmetros do modelo 0 foram mantidos . O valor de fh
foi extrado da literatura (Zangirolami et al., 1997). Os valores de b 1, b2 e b3 foram
determinados por Martins (2001). Os valores de mo e YO2 foram determinados por
Pamboukian (2003). Os parmetros restantes K ox, e kla foram estimados por
regresso no-linear.
Os parmetros foram estimados pelo ajuste das predies do modelo aos

dados experimentais das concentraes de glicose (S), retamicina (P), biomassa
(X) e oxignio dissolvido (OD), usando o critrio dos mnimos quadrados.
S
Npo int s
min
Nruns
i , j , exp
S i , j , calc 2
X i , j , exp X i , j , calc P
2
i , j , exp
Pi , j , calc 2
OD i , j , exp OD i , j , calc
2 (4.27)
j 1 i 1
O sistema de equaes diferenciais ordinrias foi resolvido numericamente

pelo mtodo de Gear com passo varivel e controle de erro. A minimizao da
funo foi executada segundo o Mtodo de Marquardt (Marquardt, 1963). Os
valores dos parmetros adicionados ao modelo esto apresentados na Tabela 4.2.
Tabela 4.2: Parmetros do modelo 1

Zangirolami et al.
fh 0,13 g Zh ativo/g Zh total
(1997)
0,024891
Kox mmol O2/L estimado por RNL*
0,005
mo 0,83 mmol/g.h Pamboukian (2003)
1/Yo2 17,35 mmol/g Pamboukian (2003)
kla 125,61 4,2 h-1 estimado por RNL*
b1 0,2456 mmol O2/L Martins (2001)
b2 0,0114 ------- Martins (2001)
b3 6,7810-4 L/ g glicose Martins (2001)
Os parmetros estimados K ox e kla so significativos ao nvel de 95% do

intervalo de confiana.
As Figuras 4.3 a 4.7 mostram as simulaes obtidas com o modelo ajustado

aos ensaios descontnuos, descontnuos alimentados e contnuos. As curvas
mostram um bom ajuste do modelo aos dados experimentais tanto em cultivos
descontnuos como em descontnuos alimentados para as variveis X, S, P e OD.
Assim como no modelo 0, no houve bom ajuste no ensaio DA-5b. Nos ensaios
contnuos, o modelo no apresenta bom ajuste quando o valor de D se aproxima
do valor de max (C-3 e C-4).
O valor estimado de Kox relativamente baixo, o que faz com que o efeito do
oxignio sobre a cintica de crescimento seja pequeno. Isto significa que, para
Kox=0,024891 mmol O2/L, o termo que expressa a dependncia da velocidade de
crescimento em relao ao oxignio dissolvido ser praticamente igual a 1 para
uma ampla faixa de valores de oxignio dissolvido (Figura 4.2). De fato, com
exceo do ensaio DA-5b, no houve medidas de oxignio dissolvido em valores
abaixo de 20%. Para uma estimativa precisa deste efeito, seria necessria a
obteno de dados experimentais realizados sob limitao por oxignio.
0.8
C L /( Ko x + CL )
0.6
0.4
0.2
0
0 20 40 60 80 100
OD ( %)
Figura 4.2: Efeito do oxignio dissolvido sobre a cintica de crescimento para Kox = 0.02489
mmol/L
Martins (2001) reportou valores de k la em torno de 150 h-1 em ensaios

descontnuos de Streptomyces olindensis. O valor estimado de 125,61 h -1
condizente com a faixa reportada.
D -1 D -2
18 100
18 100
16
c on c e ntra o (g/L)
16 80
14
c o n c e n t ra o ( g /L )
14 80
12
12
O D (% )
60
O D (% )
60 10
10
8
8 40
40 6
6
4 20
4 20
2
2
0 0
0 0
0 20 40
0 20 40
te m p o (h )
te m p o (h )
X S P OD m o d e lo
X S P OD m o d e lo
D -3 D -4
12 18 100
16
10
co n cen tr ao (g /L )
80
c o nc e n tra o ( g/L )
14
8 12
O D (% )
60
10
6
8
40
4 6
4 20
2
2
0 0 0
0 20 40 60 0 20 40 60
te m p o (h )
te m p o (h )
X S P m o d e lo X S P OD m o d e lo
D -5 D -3 b
18 100 18 100
16 16
14 80 80
14
12
12
O D (% )
60
O D (% )
10 60
10
8
40 8
6 40
6
4 20
2 4 20
0 0 2
0 20 40 60 0 0
te m p o (h ) 0 20 40 60
te m p o (h )
X S P OD m o d e lo
X S P OD m o d e lo
Figura 4.3: Comparao da simulao com os dados experimentais para as variveis concentrao
celular (X), de glicose (S), de retamicina (P) e oxignio dissolvido (OD) nos ensaios descontnuos
D -4 b D -5 b
12
18 100
10 16
80
c onc e ntra o (g/L)

14
8
12
O D (% )
60
6 10
8
40
4 6
4 20
2
2
0 0 0
0 20 40 60 0 20 40 60
te m p o (h )
te m p o (h )
X S P m o d e lo
X S P OD m o d e lo
D -3 +
25 100
20 80
O D (% )
15 60
10 40
5 20
0 0
0 20 40 60 80
te m p o (h )
X S P OD m o d e lo
D A-1 D A-2
18 100
18 100
16 16
80
14 80
14
12 12
O D (% )
O D (% )
60 60
10 10
8 8
40 40
6 6
4 4 20
20
2 2
0 0 0 0
0 10 20 30 40 0 20 40
te m p o (h ) te m p o (h )
X S P OD m o d e lo X S P OD m o d e lo
v a z o d e a lim e n t a o
0 .3 0 .3
0 .2 0 .2
( L /h )
( L /h )
0 .1 0 .1
0 0
0 10 20 30 40 0 20 40
D A-3 D A-4
18 100 18 100
16 16
14 80 80
co n cen t rao ( g /L )
14
12 12
O D (% )
60
O D (% )
10 60
10
8
40 8
6 40
6
4 20 4 20
2
2
0 0
0 0
0 20 40 60 80
0 20 40 60
te m p o (h )
te m p o (h )
v a z o d e a lim e n ta o
0 .2
0 .2
(L /h )
0 .1 0 .1
( L /h )
0
0
0 20 40 60
0 20 40 60 80
te m p o (h )
te m p o (h )
alimentados e respectivas vazes de alimentao
D A-5 D A-3 b
20 100 18 100
18 16
80
16 80 14
14 12
O D (% )
12 60 60
10
O D (% )
10
8 40 8
40
6 6
4 20 4 20
2 2
0 0
0 0
0 20 40 60
0 20 40 60
0 .2
( L /h )
0 .1
0
0 20 40 60
te m p o (h )
D A-4 b D A-5 b
12 100
20
10
80
8 15
O D (% )
60
6
10
4 40
2 5 20
0
0 0
0 20 40 60
0 20 40 60
te m p o (h )
te m p o (h )
X S P m o d e lo X S P OD m o d e lo
0 .3
0 .3
0 .2 0 .2
( L /h )
( L /h )
0 .1 0 .1
0 0
0 20 40 60 0 20 40 60
alimentados e respectivas vazes de alimentao
C -1 C -2
18 100
18 100
16
16
14 80
14 80
c onc e ntra o (g/L)

12
12
O D (% )
60
O D (% )
10 60
10
8 8
40 40
6 6
4 20 4 20
2 2
0 0 0 0
0 20 40 60 80 100 0 20 40 60
v a z o de a lim e n ta o
0 .9
0 .4
0 .6
(L /h)
(L /h)
0 .2 0 .3
0 0
0 50 100 0 20 40 60
C -3 C -4
18 100 12
16
10
80
14
12 8
O D (% )
60
10
8 6
40
6
4
4 20
2 2
0 0
0
0 50 100 150
0 50 100 150 200
te m p o (h )
te m p o (h )
X S P OD m o d e lo X S P m o d e lo
0 .9
0 .6
(L /h )
0 .3
0
0 50 100 150
te m p o (h )
celular (X), de glicose (S), de retamicina (P) e oxignio dissolvido (OD) nos ensaios contnuos e
respectivas vazes de alimentao
A matriz de correlao dos parmetros estimados por regresso no-linear

est apresentada na Tabela 4.3. O valor do coeficiente de correlao entre os
parmetros no elevado, indicando que no h fortes interaes entre eles.
Tabela 4.3: Matriz de correlao dos parmetros estimados

Kox Kla
Kox 1 -0,25931
kla -0,25931 1
Como o modelo apresentou boa descrio qualitativa do processo, acredita-se

que o desvio quantitativo ocorreu devido s transformaes morfolgicas que
esto relacionadas com o crescimento celular nas equaes do modelo, ou seja,
as reaes de branching e tip extension ocorrem mais lentamente que o
previsto. Por isso, foi realizada uma anlise de sensibilidade dos parmetros das
transformaes morfolgicas (ku1, ku2 e ku3).
Na Tabela 4.4 apresentam-se os casos estudados e as faixas de valores que

foram aplicadas na anlise de sensibilidade.
Tabela 4.4: Parmetros utilizados na anlise de sensibilidade

Parmetros Valores Variao
ku1 2,3 50%
ku2 0,7 50%
ku3 0,85 50%
A anlise foi feita para os parmetros que afetam as transformaes

morfolgicas da clula. A variao aplicada foi de 50% sobre o valor dos
parmetros.
Parmetro ku1
O parmetro ku1 representaaconstanteparaareaodebranching,quea

formao de novas clulas apicais a partir de clulas subapicais. Como o
resultado da anlise mostrou comportamento semelhante em todos os ensaios,
sero apresentadas somente as curvas da simulao de um ensaio descontnuo
(D-1) e de um descontnuo alimentado (DA-1).
Percebe-se pelas Figuras 4.8 e 4.9 que o modelo pouco sensvel ao

parmetro ku1 nas primeiras 15 horas do experimento. Mesmo com mudanas
significativas nas fraes dos compartimentos da clula, as curvas de simulao
no apresentam grandes alteraes. O aumento do parmetro implica na
formao de mais clulas apicais no produtoras do antibitico, prejudicando a
formao do mesmo. Seguindo o mesmo argumento, a diminuio do valor de k u1
causou aumento da produo de retamicina.
12
10 S
P
c on c e n tr a o (g /L )
m o d e lo
8
+50%
-5 0 %
6
0
0 5 10 15 20 25 30 35 40
te m p o (h )
0 .8
Z a , Z s , Zh
0 .6
0 .4
0 .2
0
0 20 40
te m p o (h )
Za Zs Zh +50% -5 0 %
Figura 4.8: Sensibilidade do modelo ao parmetro ku1 no ensaio D-1

12
X
S
10
P
co n cen t rao ( g /L )
m o d e lo
8
50%
6 -5 0 %
0
0 5 10 15 20 25 30 35 40
te m p o (h )
0.8
Z a, Z s, Z h
0.6
0.4
0.2
0
0 20 40
te m p o (h )
Za Zs Zh + 50% -50%
Figura 4.9: Sensibilidade do modelo ao parmetro ku1 no ensaio DA-1 e variao das
fraes celulares
Parmetro ku2
O parmetro ku2 representaaconstanteparaareaodetipextension,que

a formao de novas clulas subapicais a partir de clulas apicais. Da mesma
maneira descrita acima, sero apresentadas somente as curvas da simulao de
um ensaio descontnuo (D-1) e de um descontnuo alimentado (DA-1) (Figuras
4.10 e 4.11).
De maneira semelhante apresentada na anlise de sensibilidade do

parmetro ku1, o modelo no sofreu alteraes com a variao do parmetro k u2,
principalmente no incio do cultivo. Nota-se que o aumento do parmetro afeta
positivamente a produo de retamicina, por estimular a formao de clulas
subapicais.
12
X
S
10
P
m o d e lo
8 +50%
-5 0 %
0
0 5 10 15 20 25 30 35 40
te m p o (h )
0 .8
Z a , Z s , Zh
0 .6
0 .4
0 .2
0
0 20 40
te m p o (h )
Za Zs Zh +50% -5 0 %
Figura 4.10: Sensibilidade do modelo ao parmetro ku2 no ensaio D-1 e variao das fraes
celulares
12
X
10 S
P
m o d e lo
8
+50%
-5 0 %
6
0
0 5 10 15 20 25 30 35 40
te m p o (h )
0 .8
Z a , Z s , Zh
0 .6
0 .4
0 .2
0
0 20 40
te m p o (h )
Za Zs Zh 50% -5 0 %
Figura 4.11: Sensibilidade do modelo ao parmetro ku2 no ensaio DA-1 e variao das fraes
celulares
Parmetros ku3
O parmetro ku3 representa a constante para a reao de diferenciao, que

a formao de clulas hifais a partir de clulas subapicais. Neste item, tambm
sero apresentadas somente as curvas da simulao de um ensaio descontnuo
(D-1) e de um descontnuo alimentado (DA-1).
Em relao ao parmetro ku3, o modelo no se mostrou sensvel ao longo dos

cultivos. Esse resultado coerente, pois a maior parte do compartimento hifal
inativa em termos de consumo de substrato e produo de retamicina.
Pela anlise das Figuras 4.8 a 4.13, as fraes morfolgicas no sofrem

mudanas significativas ao longo dos cultivos, motivando, portanto, a elaborao
de um modelo no estruturado, onde a biomassa pode ser representada por uma
nica varivel. Ao dispensar a descrio das variaes morfolgicas, o modelo
pode ser simplificado, sem perder a qualidade de representao das variveis
consideradas.
12
X
10 S
P
8 m o d e lo
+50%
6 -5 0 %
0
0 5 10 15 20 25 30 35 40
te m p o (h )
0 .8
Z a , Z s , Zh
0 .6
0 .4
0 .2
0
0 20 40
te m p o (h )
Za Zs Zh +50% -5 0 %
Figura 4.12: Sensibilidade do modelo ao parmetro ku3 no ensaio D-1 e variao das fraes
celulares
12
X
10 S
P
m o d e lo
8
+50%
-5 0 %
6
0
0 5 10 15 20 25 30 35 40
te m p o (h )
0 .8
Z a , Z s , Zh
0 .6
0 .4
0 .2
0
0 20 40
te m p o (h )
Za Zs Zh +50% -5 0 %
Figura 4.13: Sensibilidade do modelo ao parmetro ku3 no ensaio D-A1 e variao das fraes
celulares
4.1.3 Modelo 2: modelo no estruturado
No modelo no estruturado, a biomassa representada por uma nica

varivel, sem considerar as variaes na morfologia da clula. Assim, no modelo 2
foram consideradas as proposies do modelo 1, com exceo daquelas
referentes s transformaes celulares.
As seguintes hipteses e fenmenos foram considerados:
a) A biomassa representada por uma nica varivel;
b) O substratos considerados para o crescimento celular foram as fontes de

carbono (glicose), de nitrognio (extrato de levedura e
tris(hidroximetil)aminometano) e oxignio.
As equaes do modelo so:
Consumo de glicose
S 1 2 p m s f s (S ) (4.1)
S
f s (S ) (4.2)
S K ms
dS F
(S F S ) S X (4.3)
dt V
Consumo da fonte de nitrognio
N 1 C ye 2 C THAM (4.4)
N 3 ( d ) 4 p (4.5)
dN F
(N F N ) N X (4.6)
dt V
Consumo de oxignio
1
O mO
2 2

YO
2
(4.23)
* b1
CL ( b 2 b3 . S ) (4.24)
10
CL
OD *
(4.25)
CL
dC L F
k l a (C C L ) rO 2 . X C L
*
L (4.26)
dt V
Crescimento celular
S N C
k L
(4.28)
N K K C L
S K S N OX
d k d 1 f s ( S )
(4.29)
dX F
( d ) X X
dt V (4.16)
Formao de produto
S K
p k 2 N
(4.30)

S K 2 N K N
dP F
pX P (4.18)
dt V
Variao de volume
dV
F F amostragem (4.19)
dt
O ajuste dos parmetros do modelo 2 seguiu a mesma sistemtica adotada

para o modelo 1. Verificou-se a necessidade de adequar o valor de alguns
parmetros para compensar a excluso das fraes referentes morfologia
celular. Os parmetros k, k2 e kd que no modelo 1 multiplicavam fraes dos
compartimentos da clula foram reestimados no modelo 2 junto com os
parmetros Kox e kla por regresso no-linear. As Tabelas 4.5 e 4.6 e as Figuras
4.14 a 4.18 mostram os resultados obtidos.
Pela anlise visual das curvas simuladas, percebe-se que o modelo segue as
tendncias dos dados experimentais tanto qualitativa como quantitativamente,
assim como o modelo 1. Novamente, as excees se aplicam aos ensaios DA-5b
e aos ensaios contnuos com vazes especficas de alimentao acima de 0,25h-1.
As discusses referentes ao efeito do oxignio sobre o crescimento celular

apresentadas no item anterior se aplicam igualmente ao modelo 2.
Tabela 4.5: Parmetros do modelo 2

1 0,138 g NH3/g extrato de Composio de extrato
levedura de levedura
2 0,139 g NH3 / g THAM Composio de THAM
k 0,2966 0,00036 h-1 estimado por RNL*
KS 0.03 g glicose/L Nielsen (1993)
k2 0,0506 0,0021 h-1 estimado por RNL*
KS2 0,1 g glicose/L atribudo
KN 0,713 g NH3/L Giudici et al. (2004)
3 0,211 g NH3/g biomassa Giudici et al. (2004)
4 0,022 g NH3/g P Bieber et al. (1989)
1 1,117 g glicose/g biomassa Giudici et al. (2004)
2 0,808 g glicose/g P Giudici et al. (2004)
ms 0,019 h-1 Giudici et al. (2004)
Kms 0,05 g glicose/L estimado por RNL*
kd 0,0341 0,00023 h-1 estimado por RNL*
Kox 0,0132 0,00022 mmol O2/L estimado por RNL*
mo 0,83 mmol/g.h Pamboukian (2003)
1/Yo2 17,35 mmol/g Pamboukian (2003)
kla 128,36 0,024 h-1 estimado por RNL*
b1 0,2456 mmol O2/L Martins (2001)
b2 0,0114 ------- Martins (2001)
b3 6,78.10-4 L/ g glicose Martins (2001)
Tabela 4.6: Estatstica dos parmetros estimados no modelo 2

Parmetro Valor Desvio padro Matriz de correlao
Kox 0,0132 0,00022 1
kla 128,36 0,024 0,36 1
k 0,2966 0,00036 0,42 0,0084 1
k2 0,0506 0,0021 0,50 -0,054 0,45 1
kd 0,0341 0,00023 0,84 -0,37 0,59 0,49 1
D -1 D -2
16 100 16 100
c on c e ntra o (g/L)
80 80
12 12
O D (% )
O D (% )
60 60
8 8
40 40
4 4
20 20
0 0 0 0
0 10 20 30 40 0 20 40 60
D -3 D- 4
16
16 100
con cent rao (g /L )

12 80
12
O D (% )
60
8
8
40
4
4
20
0
0 0
0 20 40 60
0 20 40 60
te m p o (h )
te m p o (h )
X S P OD m o d e lo X S P OD modelo
D -5 D -3 b
16 100 16 100
80 80
12 12
O D (% )
O D (% )
60 60
8 8
40 40
4 4
20 20
0 0 0 0
0 20 40 60 0 20 40 60
Figura 4.14: Comparao da simulao com os dados experimentais para as variveis

concentrao celular (X), de glicose (S), de retamicina (P) e oxignio dissolvido (OD) nos ensaios
descontnuos
D -4 b D -5 b
16 16 100
80
12 12
O D (% )
60
8 8
40
4 4
20
0 0 0
0 20 40 60 0 20 40 60
D -3 +
100
20
80
16
O D (% )
60
12
40
8
4 20
0 0
0 20 40 60 80
te m p o (h )
X S P OD m o d e lo

descontnuos
D A-1 D A-2
16 100 16 100
80 80
12 12
O D (% )
O D (% )
60 60
8 8
40 40
4 4
20 20
0 0 0 0
0 10 20 30 40 0 20 40 60
0 .3 0 .3
0 .2 0 .2
( L /h )
( L /h )
0 .1 0 .1
0 0
0 10 20 30 40 0 20 40
D A-3 D A-4
16 100 100
16
80 80
12
12
O D (% )
O D (% )
60 60
8
8
40 40
4 4
20 20
0 0 0 0
0 20 40 60 80 0 20 40 60
0 .2
0 .2
(L /h )
0 .1 0 .1
( L /h )
0
0
0 20 40 60
0 20 40 60 80
te m p o (h )
te m p o (h )

descontnuos alimentados e respectivas vazes de alimentao
D A-5 D A-3 b
20 100 16 100
16 80 80
12
O D (% )
12 60
O D (% )
60
8 40 8
40
4 20
4
20
0 0
0 20 40 60 0 0
0 20 40 60
te m p o (h )
te m p o (h )
0 .2
( L /h )
0 .1
0
0 20 40 60
te m p o (h )
D A-4 b D A-5 b
12 100
20
80
8 16
60
O D (% )
12
4 40
8
4 20
0
0 0
0 20 40 60
0 20 40 60
te m p o (h )
te m p o (h )
0 .3
0 .3
0 .2 0 .2
( L /h )
( L /h )
0 .1 0 .1
0 0
0 20 40 60 0 20 40 60

descontnuos alimentados e respectivas vazes de alimentao
C -1 C -2
16 100 100
16
80 80
12
12
O D (% )
O D (% )
60 60
8
8
40 40
4 4
20 20
0 0 0 0
0 50 100 0 20 40 60
0 .9
0 .4
0 .6
(L /h)
(L /h)
0 .2 0 .3
0 0
0 50 100 0 20 40 60
C -3 C -4
100 12
16
80 10
12 8
O D (% )
60
6
8
40
4
4 20
2
0 0 0
0 50 100 0 50 100 150 200
0 .9
0 .6
(L /h )
0 .3
0
0 50 100 150
te m p o (h )

contnuos e respectivas vazes de alimentao
4.2 Modelo 3: modelo hbrido
No modelo hbrido, equaes de balano material foram combinadas com

redes neurais do tipo feedforward (Figura 4.19) utilizando treinamento
supervisionado (backpropagation). As redes neurais funcionaram como
estimadores das cinticas a partir das concentraes de X, S e P.
Assim, foram elaboradas trs redes neurais: a primeira foi empregada para
estimar os valores das velocidades instantneas de crescimento celular rx (RN1); a
segunda, as velocidades instantneas de consumo de substrato rs (RN2); e a
terceira, a velocidade instantnea de formao de produto rp (RN3).
A entrada de todas as redes eram as concentraes de substrato (S),

biomassa (X) e produto (P). As sadas das redes (rx, rs e rp) foram utilizadas nos
balanos de massa para calcular as concentraes de biomassa, substrato e
produto nos tempos subseqentes (Xt+dt, St+dt e Pt+dt).
rx
RN1
X t + dt
rS E quaes de
X, S e P RN2 B alano S t + dt
rP
M aterial P t + dt
RN3
Figura 4.19: Diagrama do modelo hbrido

As equaes de balano material foram integradas pelo mtodo de Gear,

utilizando a rotina ode15s do software Matlab:
dV
F F am ostragem
dt (4.19)
dX F
rX X (4.31)
dt V
dP F
rp P (4.32)
dt V
dS F
(S F S ) rS (4.33)
dt V
Como os valores das velocidades instantneas no so conhecidos, foi

necessrio estim-los a partir dos dados experimentais de X, S e P. Para tanto,
ajustou-se para cada uma das variveis uma curva sigmide (eq. 4.34) aos dados
experimentais dos ensaios descontnuos realizados por Pamboukian (2003)
(Figuras 4.20 e 4.21). A escolha deste tipo de curva para suavizar as tendncias
dos dados experimentais ruidosos foi baseada no prprio comportamento
qualitativo dos dados (Ratkowsky, 1983).
At Ab
y Ab (4.34)
(t t 0 )
1 exp[ ]
w
onde Ab, At, t0 e w so parmetros ajustveis.
Os ensaios D-1, D-2, D-3, D-4, D-5, D-3b, D-4b e D-5b so repeties do
ensaio padro, ento se ajustou a mesma curva para todos. O ensaio D-3+ possui
concentrao inicial de nutrientes diferente, representando, portanto, um segundo
conjunto de pontos experimentais. Tal ensaio foi representado por um segundo
conjunto de parmetros da Eq. (4.34). A curva de S(t) do ensaio D-3+ apresenta
duas inflexes e para o seu ajuste foi utilizada a soma de duas curvas sigmides.
A partir das curvas ajustadas, foi feita a interpolao dos dados para gerao
de uma determinada quantidade de pontos (em intervalos de tempo de 0,1 min) a
ser usada na etapa de treinamento da rede. Esta suavizao serve de filtro das
flutuaes experimentais e se mostrou necessria para melhorar o ajuste
(treinamento)dasredesneurais.Osvaloresde rx, rs e rp foram determinados ao
derivar a Eq. 4.34.
(t t 0 )
At Ab exp
dy w
2
(4.35)
dt (t t 0 )
w 1 exp
w
Pontos obtidos a partir da curva sigmoidal foram usados na etapa de

treinamento das redes. Foi avaliado o nmero de neurnios na camada oculta (3,
6, 9, 12 e 15) nas trs redes. Na etapa de validao das redes, foram utilizados os
dados experimentais brutos (ruidosos) de X, S e P e os correspondentes valores
de rx, rs e rp obtidos da curva sigmoidal nos mesmos instantes t. As redes
selecionadas foram as que apresentaram menor erro na etapa de validao
(Figuras 4.22 a 4.24). Assim, as redes selecionadas RN1, RN2 e RN3 possuem 3,
6 e 12 neurnios na camada oculta, respectivamente.
A Figura 4.25 mostra os grficos de comparao entre os valores de

velocidade calculados pela rede e os dados experimentais, tanto na etapa de
treinamento como na de validao. Apesar do bom ajuste obtido na etapa de
treinamento, observa-se que a rede no capaz de inferir com boa acuidade os
dados na etapa de validao. Os dados utilizados em tal etapa so os
determinados por Pamboukian (2003) e a falta de ajuste reflete a variabilidade
natural dos dados experimentais observados nos diferentes ensaios padro.
As Figuras 4.26 e 4.27 apresentam os resultados das concentraes de

biomassa, glicose e retamicina fornecidos pelo modelo hbrido para os ensaios
descontnuos. Percebe-se que o modelo hbrido apresentou um ajuste satisfatrio
nos ensaios descontnuos. Vale ressaltar que as curvas de simulao so as
mesmas em todos os ensaios replicados (D-1, D-2, D-3, D-4, D-5, D-3b, D-4b e D-
5b), j que as condies iniciais consideradas na simulao foram iguais.
As Figuras 4.28 e 4.29 mostram os resultados das simulaes para os ensaios

descontnuos alimentados. Pela anlise visual das curvas, verifica-se a falta de
ajuste na maioria dos ensaios. Os desvios comeam a se acentuar durante a
etapa de alimentao, mantendo-se elevados at o fim das corridas,
principalmente para a varivel concentrao de glicose. O modelo hbrido
apresentou boa descrio qualitativa tanto para a concentrao de biomassa
quanto para a de retamicina. Assim como na modelagem fenomenolgica, para os
ensaios DA-4b e DA-5b, o modelo hbrido apresentou maiores desvios em relao
aos dados experimentais.
12
10
8
0
0 10 20 30 40 50 60
te m p o (h )
S X P ajus te
Figura 4.20: Ajuste da curva sigmoidal para os ensaios replicados
20
18
16
14
12
10
0
0 10 20 30 40 50 60 70 80
te m p o (h )
S X P a ju s te
Figura 4.21: Ajuste da curva sigmoidal para o ensaio D-3+

RN 1
1.00E+00
NH3
NH6
NH9
1.00E-01
NH12
Erro
Nh15
1.00E-02
1.00E-03
0 5 10 15 20 25 30 35
apresentaes
Figura 4.22: Seleo do nmero de neurnios na rede RN 1
RN 2
1.00E+00
NH3
NH6
1.00E-01 NH9
Erro
NH12
NH15
1.00E-02
1.00E-03
0 5 10 15 20 25 30
apresentaes
Figura 4.23: Seleo do nmero de neurnios na rede RN 2
RN 3
1.00E+01
NH3
NH6
1.00E+00
NH9
Erro
NH12
NH15
1.00E-01
1.00E-02
0 5 10 15 20 25
apresentaes
Figura 4.24:Seleo do nmero de neurnios na rede RN 3
1 1
0.8 0,8
rx calculado
rx calculado
0.6 0,6
0.4 0,4
0.2 0,2
0 0
0 0.2 0.4 0.6 0.8 1 0 0,2 0,4 0,6 0,8 1
rx experimental rx e xpe rim e ntal
(A) (B)
1 1
0.8 0 ,8
rs calculado
rs c a lc u la d o
0.6 0 ,6
0.4 0 ,4
0.2 0 ,2
0 0
0 0.2 0.4 0.6 0.8 1 0 0 ,2 0 ,4 0 ,6 0 ,8 1
rs experim ental r s e x p e r im e n ta l
(A) (B)
1 1
0.8 0 ,8
rp calculado
rp c a lc u la d o
0.6 0 ,6
0.4 0 ,4
c
0.2 0 ,2
0 0
0 0.2 0.4 0.6 0.8 1 0 0 ,2 0 ,4 0 ,6 0 ,8 1
rp experim ental r p e xp e r im e n t a l
(A) (B)
Figura 4.25: Comparao entre os valores experimentais e os calculados. (A) etapa de treinamento
e (B) etapa de validao
D -1 D-2
12
12
10

10
8 8
6 6
4 4
2 2
0 0
0 10 20 30 40 0 20 40
te m p o (h )
te m p o (h )
X S P m o d e lo X S P modelo
D -3 D -4
12 12
10 co n cen tr ao (g /L ) 10
8 8
6 6
4 4
2 2
0 0
0 20 40 60 0 20 40 60
X S P m o d e lo X S P m o d e lo
D -5 D -3 b
12
12
10
10
8 8
6 6
4 4
2 2
0 0
0 10 20 30 40 50 0 20 40 60
Figura 4.26: : Comparao da simulao com os dados experimentais para as variveis

concentrao celular (X), de glicose (S) e de retamicina (P) nos ensaios descontnuos (condies
iniciais: X0 = 0,2415 g/L, S0 = 10,8208 g/L, P0 = 0,0017 g/L)
D -4 b D -5 b
12 12
10 10
8 8
6 6
4 4
2 2
0 0
0 10 20 30 40 50 0 20 40 60
D -3 +
20
15
10
0
0 20 40 60 80
te m p o (h )
X S P m o d e lo

concentrao celular (X), de glicose (S) e de retamicina (P) nos ensaios descontnuos (condies
D A-1 D A-2
12
12
10
10
8
8
6
6
4
4
2 2
0 0
0 10 20 30 40 0 10 20 30 40 50
D A -3 D A -4
12 12
10 10
8 8
6 6
4 4
2 2
0 0
0 20 40 60 80 0 20 40 60

concentrao celular (X), de glicose (S) e de retamicina (P) nos ensaios descontnuos alimentados
(condies iniciais: X0 = 0,2415 g/L, S0 = 10,8208 g/L, P0 = 0,0017 g/L)
D A -5 D A -3 b
16
12
14
10
12
10 8
8 6
6
4
4
2
2
0 0
0 20 40 60 0 20 40 60
DA - 4b DA - 5b
12
16
10 14
8 12
10
6
8
4 6
2 4
2
0
0
0 10 20 30 40 50
0 10 20 30 40 50
te m p o (h )
te m p o (h )
X S P modelo X S P modelo

concentrao celular (X), de glicose (S) e de retamicina (P) nos ensaios descontnuos alimentados
(condies iniciais: X0 = 0,2415 g/L, S0 = 10,8208 g/L, P0 = 0,0017 g/L)
Conforme mencionado anteriormente, as simulaes foram efetuadas com

as mesmas condies iniciais em todos os cultivos. Os valores utilizados foram
aqueles determinados pelo ajuste da curva sigmoidal. Para verificar a
sensibilidade do modelo hbrido condio inicial, executou-se um segundo
conjunto de simulaes com os valores das condies iniciais ligeiramente
perturbados. Percebe-se pelos resultados apresentados na figura 4.30 que houve
uma piora na representao dos dados, evidenciando a sensibilidade do modelo
hbrido s condies iniciais de cultivo. O modelo hbrido, portanto, apresenta uma
capacidade limitada de predio, no podendo ser utilizado em simulaes com
condies que estejam fora da regio coberta pelos dados usados na etapa de
treinamento das redes (extrapolao). Dessa maneira, a abordagem hbrida
apresentada no presente trabalho no capaz de descrever o processo
satisfatoriamente do ponto de vista quantitativo em condies de cultivo. Por esta
razo, o modelo hbrido no ser considerado no teste de adequao do modelo.
D -1 D A-1
12 12
10 10
8 8
6 6
4
4
2
2
0
0
0 10 20 30 40
0 10 20 30 40
te m p o (h )
te m p o (h )

concentrao celular (X), de glicose (S) e de retamicina (P) nos ensaios D-1 e DA-1 (condies
4.3 Anlise estatstica
4.3.1 Clculo do erro experimental de cada varivel de estado
No clculo do erro experimental para cada varivel de estado foram

considerados os ensaios descontnuos padro.
Para cada varivel (X, S, P e OD), calculou-se a mdia e o desvio padro

entre os ensaios, em cada tempo amostrado. O erro foi calculado pela diviso do
desvio padro pela mdia, em cada tempo amostrado. Por fim, determinou-se o
erro mdio para cada varivel de estado, calculando-se a mdia de todos os erros.
Nos casos em que alguma varivel atingia um patamar no final do ensaio, foram
considerados para o clculo da mdia e erro globais apenas os pontos anteriores
ao patamar para evitar a interferncia de erros que se mostram praticamente
constantes e muito pequenos, seguindo procedimento usado por Tavares (2005).
As tabelas 4.7 a 4.10 mostram os resultados dos erros obtidos para cada varivel
de estado.
Nota-se que os erros podem variar apreciavelmente ao longo do tempo de

cultivo, e que os erros mdios das variveis foram 15% para X, 12% para S, 11%
para P e 4% para OD. Estes desvios so decorrentes no apenas das medies
experimentais (tcnicas analticas empregadas) e das flutuaes que ocorrem ao
longo de um cultivo, mas principalmente da dificuldade de reprodutibilidade entre
os ensaios, algo inerente aos processos biotecnolgicos.
Tabela 4.7: Clculo do erro experimental mdio de X

Tempo (h) Mdia de X Desvio Padro Erro (%)
0 0,27 0,07 25
4 0,25 0,04 17
6 0,44 0,05 11
8 0,57 0,17 29
12 1,79 0,51 29
16 3,25 0,50 15
20 4,11 0,51 12
24 4,49 0,38 8
28 4,70 0,46 10
32 4,59 0,67 15
36 4,63 0,53 12
40 4,24 0,40 10
44 4,23 0,52 12
48 3,70 0,37 10
52 4,24 0,42 10
Erro mdio 15
Tabela 4.8: Clculo do erro experimental mdio de S

Tempo (h) Mdia de S Desvio Padro Erro (%)
0 10,88 0,42 4
4 10,58 0,61 6
6 10,20 0,14 1
8 10,40 0,61 6
12 9,34 0,94 10
16 7,02 1,25 18
20 4,05 1,57 39
Erro mdio 12
Tabela 4.9: Clculo do erro experimental mdio de P

24 1,78 0,56 32
28 2,69 0,27 10
32 3,05 0,42 14
36 3,44 0,27 8
40 3,40 0,26 8
44 3,60 0,12 3
48 3,61 0,17 5
52 3,97 0,21 5
Erro mdio 11
Tabela 4.10: Clculo do erro experimental mdio de OD

4 1,00 0,00 0
8 0,99 0,01 1
12 0,91 0,02 3
16 0,75 0,05 6
20 0,73 0,05 7
24 0,83 0,05 6
28 0,90 0,06 6
32 0,95 0,05 5
36 0,97 0,04 4
40 0,98 0,03 3
44 0,98 0,03 3
48 0,98 0,02 2
Erro mdio 4
4.3.2 Discriminao entre modelos
Conforme descrito no item 2.2.1, o teste do 2 de Bartlett avalia se as
varincias dos modelos diferem entre si, ou seja, se os modelos so

estatisticamente equivalentes ou no para a descrio dos dados experimentais.
Os clculos referentes a este teste apresentados nas Tabelas 4.11 e 4.12 foram
feitos a partir das Eq. 1.1, 1.2 e 1.3.
Tabela 4.11: Varincias e graus de liberdade dos modelos

Variveis
Modelo dfi si2
dependentes
0 957 0,998 S, X, P
1 1217 0,898 S, X, P, OD
2 1214 0,887 S, X, P, OD
3 843 2,951 S, X, P
Tabela 4.12: Teste de discrimao entre modelo

N modelos
calc tab ( 95 %, m 1)
2 2
modelos s
2
Resultados
(m)
Descarta-se o
4 0,1,2,3 1,327 518,1 7,815
modelo 3
Nenhum modelo
3 0,1,2 0,922 4,39 5,991
descartado
A comparao das varincias dos quatro modelos indicou que o conjunto

das quatro varincias no homogneo. Isto indica que pelo menos um dos
modelos apresenta uma varincia estatisticamente diferente das dos demais.
Neste caso, deve-se descartar o modelo que apresenta maior varincia, no caso o
modelo 3, de acordo com a Tabela 4.11. Esse resultado j era esperado frente s
observaes visuais das qualidades dos ajustes feitas anteriormente.
Prosseguiu-se ento com o teste de discriminao entre os trs modelos

restantes (0, 1, 2). Os resultados indicaram que as varincias destes trs modelos
no so estatisticamente diferentes ao nvel de 95% de confiana. Portanto, do
ponto de vista da qualidade do ajuste, os trs modelos so equivalentes em
termos de representao dos dados experimentais.
4.3.3 Teste de adequao do modelo
Esse teste realizado para determinar se o modelo representa

adequadamente o conjunto de dados fornecidos. Para tanto, a varincia do erro do
modelo comparada com a varincia do erro experimental estimado. Conforme
descrito no item 2.2.2, o erro do modelo deve ser menor que o erro experimental.
No presente trabalho, os testes de adequao do modelo foram realizados

para o modelo 0, modelo 1 e modelo 2 para cada varivel de estado considerada
no ajuste dos parmetros, ou seja, X, S, P e OD.
Tabela 4.13: Varincias dos modelos e do erro experimental

modelo 0 1 2 s2e
s2X 1,256 1,393 1,365 0,438
s2S 1,345 1,599 1,610 0,595
s2P 0,431 0,424 0,424 0,193
s2OD ---- 0,011 0,012 0,173
s2total 0,998 0,898 0,887 0,294
Fcalc 3,39 3,05 3,02
Pela anlise da Tabela 4.13, observa-se que as varincias dos modelos so

maiores que a varincia do erro experimental avaliada a partir dos ensaios
descontnuos padro. Do ponto de vista estatstico, tal ocorrncia implicaria na
inadequao dos modelos frente aos dados experimentais. No entanto, preciso
considerar que rigorosamente os ensaios padro no apresentaram boa
reprodutibilidade, o que provoca um aumento dos erros entre os modelos e os
dados experimentais, especialmente porque os modelos utilizam condies iniciais
diferenciadas para os diferentes cultivos. Isto significa que as previses dos
modelos no sero as mesmas. Vale ressaltar ainda que os ensaios contnuos
foram includos nos clculos da varincia dos modelos. A observao do ajuste
para os ensaios contnuos mostra que os modelos apresentaram grandes desvios
em relao aos dados, especialmente nas condies de vazes especficas de

alimentao acima de 0,25h-1 e essas medidas foram includas na anlise das
varincias, impactando os valores das mesmas.
Concluses e recomendaes 93
5 Concluses e recomendaes
Com base nos resultados do trabalho, as seguintes concluses podem ser

obtidas:
- Os modelos 1 e 2 descreveram adequadamente as tendncias dos dados

experimentais;
- A incorporao da varivel oxignio dissolvido ao modelo 0 permitiu uma

representao satisfatria desta varivel ao longo dos cultivos. No entanto,
a estimativa dos parmetros relacionados ao efeito do oxignio sobre a
cintica de crescimento celular foi prejudicada, dada a faixa de
concentrao experimental. A influncia do oxignio dissolvido sobre a
cintica do processo no pde ser adequadamente percebida, porque a
maioria dos ensaios no foi realizada sob limitao por oxignio;
- O modelo 3 hbrido no apresentou a mesma qualidade de ajuste aos

dados em comparao com os modelos fenomenolgicos, alm de ter se
mostrado sensvel s condies iniciais de cultivo. A anlise estatstica de
discriminao entre modelos rivais indicou que o modelo hbrido
desenvolvido no adequado para descrever o processo;
- As previses dos modelos 0, 1 e 2 no diferem estatisticamente entre si.

Neste sentido, o modelo 2 tem a vantagem de ser mais simples (menor
nmero de variveis e de parmetros) e apresentar a mesma capacidade
preditiva dos outros modelos;
- Apesar dos modelos 1 e 2 apresentarem visualmente uma boa

representao do processo, no foi possvel afirmar estatisticamente que
eles se adequam aos dados;
- Os ensaios contnuos no foram bem representados por nenhum dos

modelos, principalmente aqueles conduzidos em altas vazes especficas
de alimentao.
Concluses e recomendaes 94
No que se refere a trabalhos futuros como continuao ao presente estudo,

as seguintes recomendaes podem ser feitas:
- Determinao da concentrao de oxignio dissolvido crtica para uma

melhor estimao do parmetro K ox, bem como uma melhor avaliao
do efeito do oxignio dissolvido sobre o crescimento celular;
- Explorao de outras formas de modelos baseados em redes neurais

diferentes da utilizada neste trabalho. Alm disso, seria interessante o
levantamento de uma faixa de dados, que incorporassem diferentes
condies operacionais, para um melhor ajuste pelas redes;
- Desenvolvimento de um modelo capaz de representar a tendncia dos

dados em processo contnuo.
Referncias Bibliogrficas 95
Referncias Bibliogrficas
ALVES, R. M. B. Otimizao de um Processo Industrial de Produo de

Isopreno via Redes Neurais. 2003, 283 p. Tese (Doutorado) - Escola
Politcnica, Universidade de So Paulo, So Paulo, 2003.
BAILEY, J. E. Mathematical modeling and analysis in biochemical engineering:

past accomplishments and future opportunities. Biotechnology Progress, v.
14, p. 8-20, 1998.
BAJPAI, R.K., REUSS, M. A mechanistic model for penicillin production.

J.Chem.Tech. Biochem, v. 30, p. 332-344, 1980
BIEBER L.W., SILVA FILHO A.A., SILVA E.C., MELLO J.F., LYRA F.D.A. The
anthracyclinic complex retamycin. 1. Structure determination of the major
contituents. J. Nat. Prod, v. 52, p. 385-388, 1989.
BIROL, G.; NDEY, C.; PARULEKAR, S. J.; INAR, A. A morphologically

structured model for penicillin production. Biotechnology and
Bioengineering, v. 77, p. 538-552, 2002.
BIZUKOJC, M.; LEDAKOWICZ, S. Morphologically structured model for growth

and citric acid accumulation by Aspergillus niger. Enzyme and Microbial
Technology, v. 32, p. 268-281, 2003.
BONOMI, A.; SCHMIDELL, W. Modelagem matemtica e simulao de processos

fermentativos. In: SCHMIDELL, W.; LIMA, U. A.; AQUARONE, E.; BORZANI,
W. (coord.) Biotecnologia Industrial: engenharia bioqumica. So Paulo:
Edgard Blcher, 2001, v. 2. p. 123-178.
BRAVO, S.; DIEZ, M. C.; SHENE, C. Hybrid neural network model for simulating
sorbitol synthesis by glucose-fructose oxidoreductase in Zymomonas mobilis
CP4. Braz. J. Chem. Eng., So Paulo, v. 21, n. 4, p. 509 518, 2004.
COSTA, A.C., HENRIQUES, A.S.W., ALVES, T.L.M., MACIEL FILHO, R. AND

LIMA, E.L., A Hybrid Neural Model for the Optimization of Fed-Bath
Fermentations, Brazilian Journal of Chemical Engineering, So Paulo, v. 16,
n. 1, 1999.
CRUZ, A. J. G.; SILVA, A. S. ; ARAUJO, M. L. G. C.; GIORDANO, R. C.; HOKKA,

C. O. Modeling and Optimization of the Cephalosporin C Production Bioprocess
in a Fed-Batch Bioreactor with Invert Sugar. Chemical Engineering Science,
v. 54, p. 3137-3142, 1999.
FROMENT. G. F.; BISCHOFF, K. B. Chemical Reactor Analysis and Design.

Singapura: John Wiley & Sons, 1990, 664 p.
FURLAN, R.L. Obteno e Estudos de mutantes com pruduo alternada do

antibitico retamicina sintetizado por Streptomyces olindensis DAUFPE
5622. 1997. 76p. Dissertao (Mestrado) Escola Politcnica, Universidade de
So Paulo, So Paulo, 1997.
GIUDICI, R. Modelagem e Simulao de Processos. So Paulo: Epusp, 1990.

Apostila para disciplina de graduao do Departamento de Engenharia
Qumica Modelagem e Simulao de Processos.
GIUDICI, R.; PAMBOUKIAN, C. D. R.; FACCIOTTI, M. C. Morphologically

structured model for antitumoral retamycin production during batch and fed-
batch cultivations of Streptomyces olindensis. Biotechnology and
Bioengineering, v. 86, n. 4, p. 414-424, 2004.
GUARDIOLA, J., IBORRA, J.L., CNOVAS, M. A model that links growth and
secondary metabolite production in plant cell suspension cultures.
Biotechnology and Bioengineering, v. 46, n.3, p. 291-297, 1995.
GUIMARES, L.M. Influencia do preparo do inculo e do pH na produo do

antibitico retamicina por Streptomyces olindensis So20. 2000. 122p.
Dissertao (Mestrado) Escola Politcnica, Universidade de So Paulo, So
Paulo, 2000.
GUIMARES, L.M. Influncia de diferentes fontes de carbono e nitrognio na

produo do antitumoral retamicina por Streptomyces olindensis ICB20.
2005. 207 p. Tese (Doutorado) Escola Politcnica, Universidade de So
Paulo, So Paulo, 2005.
INOUE, O. O. Influncia de diferentes limitaes nutricionais sobre a

produo de retamicina por Streptomyces olindensis ICB20. 2006. 132 p.
Tese (Doutorado) Escola Politcnica, Universidade de So Paulo, So Paulo,
2006.
LIU, G.; XING, M.; HAN, Q. A population-based morphologically structured model

for hyphal growth and product formation in streptomycin fermentation. World
Journal of Microbiology and Biotechnology, v.21, p. 1329-1338, 2005.
MARQUARDT, D.W. An algorithm for least squares estimation of nonlinear

parameters. Journal of the Society for Industrial and Applied Mathematics,
v. 11, n. 2, p. 431-441, 1963.
MARTINS, R. A. Transferncia de oxignio e respirao microbiana em

cultivos de Streptomyces olindensis So20, visando produo do
antibitico retamicina. 2001. 157p. Dissertao (Mestrado) Escola
MATSUMURA, M.; IMANAKA, T.; YOSHIDA, T.; TAGUCHI, H. Modeling of

cephalosporin C production and its application to fed-batch culture. Journal of
Fermentation Technology, v. 59, n. 2, p. 115-123, 1981.
MENEZES, J.C., ALVES, S.S., LEMOS, J.M., AZEVEDO, S.F. Mathematical

modelling of industrial pilot-plant penicillin-G fed-batch fermentations. J. Chem.
Tech. Biotechnol, v. 61, p.123-138, 1994.
NIELSEN, J. A simple morphologically structured model describing the growth of

filamentous microorganisms. Biotechnology and Bioengineering, v. 41, p.
715-727, 1993.
NIELSEN, J., VILLADSEN, J. Bioreaction Engineering Principles. New York:

Plenum Press, 1994. p. 163 269.
OHBA, M. S. Modelagem matemtica da produo de glicoamilase por

Aspergillus awamori NRRL 3112. 1998. 213 p. Dissertao (Mestrado)
Escola Politcnica, Universidade de So Paulo, So Paulo, 1998.
OMS (Organizao Mundial da Sade): Cancer - World Health Organization

cancer control programme. Disponvel em: http://www.who.int/cancer/en/.
Acesso em: 23 nov 2006.
PAMBOUKIAN, C. R. D. Produo do antitumoral retamicina por

Streptomyces olindensis em processos descontnuo alimentado e
contnuo. 2003, 163p. Tese (Doutorado) Escola Politcnica, Universidade de
So Paulo, So Paulo, 2003.
PAUL, G. C.; THOMAS, C. R. A structured model for hyphal differentiation and

penicillin production using Penicillium chrysogenum. Biotechnology and
Bioengineering, v. 51, p. 558-572, 1996.
PAUL G.C., SYDDALL, M.T., KENT, C.A.,THOMAS C.R. A structured model for
penicillin production on mixed substrates. Biochem. Eng. J. v. 2, p. 11-21.
1998.
PELLICCI, R. L. Modelagem e Simulao de Um Processo de Extrao de

Aromticos Via Redes Neurais. 2001, 130 p. Dissertao (Mestrado) - Escola
RATKOWSKY, D. A. Nonlinear Regression Modeling: A Unified Practical

Approach. Nova Iorque: Marcel Dekker, 1983, 276 p.
SILVA, R.G.; CRUZ, A.J.G.; HOKKA, C. O.; GIORDANO, R.L.C.; GIORDANO, R.

C. A hybrid feedforward neural network model for the cephalosporin C
production process. Brazilian Journal of Chemical Engineering, So Paulo,
v. 17, n. 4-7, p. 587 597, 2000
SINCLAIR, C. G.; KRISTIANSEN, B. Fermentation kinetics and modeling. Gr-

Bretanha: Open University Press, 1987. 113 p.
TAVARES, L. Z. Otimizao do processo de produo de etanol por levedura

amiloltica recombinante utilizando tcnicas de modelagem matemtica.
2005. 275 p. Tese (Doutorado) Universidade de So Paulo, So Paulo, 2005
THOMPSON, M.L. AND KRAMER, M.A., Modeling Chemical Processes Using

Prior Knowledge and Neural Networks, AIChE Journal, v. 40, n. 8, p. 1328-
1340, 1994.
TONIN, F. C. Avaliao de variveis operacionais e aplicao de enfoque

hbrido na modelagem do processo de produo de penicilina G acilase
por Bacillus megaterium. 2005. 73 P. Dissertao (Mestrado) - Universidade
Federal de So Carlos, So Carlos, 2005.
VAN CAN, H.J.L., HELLINGA, C., LUYBEN, K.C.A.M., HEIJNEN, J.J. AND TE
BRAAKE, H.A.B., Strategy for Dynamic Process Modelling Based on Neural
Networks in Macroscopic Balances, AIChE Journal,v. 42, n. 12, p. 3403-3418,
1996.
VOLESKY, B.; VOTRUBA, J. Modeling and optimization of fermentation

processes. Amsterd: Elsevier, 1992. 266 p.
ZANGIROLAMI, T. C.; JOHANSEN, C .L.; NIELSEN, J.; JORGENSEN, S. B.

Simulation of penicillin production in fed-batch cultivations using a
morphologically structured model. Biotechnology and Bioengineering, v. 56,
p. 593-604, 1997.
Apndice 102
Apndice A
Equaes dos modelos 0, 1 e 2
Tabela A.1: Equaes dos modelos 0, 1 e 2

Modelo 0 Modelo 1 Modelo 2
Consumo de Glicose Consumo de Glicose Consumo de glicose
S 1 2 p m s f s (S ) (4.1) S 1 2 p m s f s (S ) (4.1) S 1 2 p m s f s (S ) (4.1)
S S S
f s (S ) (4.2) f s (S ) (4.2) f s (S ) (4.2)
S K ms S K ms S K ms
dS F dS F dS F
(S F S ) S X (4.3) (S F S ) S X (4.3) (S F S ) S X (4.3)
dt V dt V dt V
Consumo da fonte de nitrognio Consumo da fonte de nitrognio Consumo da fonte de nitrognio
N 3 ( d ) 4 p (4.5) N 3 ( d ) 4 p (4.5) N 3 ( d ) 4 p (4.5)
dN F dN F dN F
(N F N ) N X (N F N ) N X (N F N ) N X
dt V (4.6) dt V (4.6) dt V (4.6)
Apndice 103
Continuao da tabela A.1

Crescimento celular Crescimento celular Crescimento celular
u1 ku Z (4.7) u1 ku Z (4.7)
1 s 1 s
u 2 k u2 Z (4.8) u 2 k u2 Z (4.8)
a a
k u3 Z k u3 Z
s s
u (4.9) u (4.9)
3 SK u3
1 3 SK u3
1
S N S N CL S N C
a sa k a sa h k k

L

N K SK N K K
S K s n S N OX C L S K S N K N K OX
C L
(4.20) (4.28)
(4.10)
a Z a sa Z s f h h Z h
a Z a sa Z s (4.11) (4.21)
d k d 1 f s ( S ) Z h d k d 1 f s ( S ) (4.29)
d k d 1 f s ( S ) Z h (4.12)
(4.12)
dZ a
dZ a u 1 u 2 a Z a d Z a
u 1 u 2 a Z a d Z a dt
dt
(4.13)
(4.13)
dZ s
dZ s u 2 u 1 u 3 s Z s d Z s
u 2 u 1 u 3 s Z s d Z s dt
dt
(4.14) (4.14)
Apndice 104

dZ h dZ h
u 3 d Z h d (4.15) u 3 d Z h d (4.15)
dt dt
dX F dX F dX F
( d ) X X (4.16) ( d ) X X (4.16) ( d ) X X (4.16)
dt V dt V dt V
Formao de produto Formao de produto Formao de produto
S K S K S K
p k 2 N
Z s p k 2 N
( Z s f h Z h ) p k 2 N

S K 2 N K N S K 2 N K N S K 2 N K N
(4.22)
(4.17) (4.30)
dP F
dP F pX P (4.18) dP F
pX P (4.18) dt V pX P (4.18)
dt V dt V
Consumo de oxignio
Consumo de oxignio
1
1 O mO (4.23)
O mO
2 2
(4.23) YO
2 2 2
YO
2
* b1
* b1 CL ( b 2 b3 . S ) (4.24)
CL ( b 2 b3 . S ) (4.24) 10
10
Apndice 105
dC L F dC L F
k l a (C C L ) rO 2 . X C L k l a (C C L ) rO 2 . X C L
* *
L L
dt V dt V
(4.26) (4.26)
Variao de volume Variao de volume Variao de volume
dV dV dV
F F amostragem (4.19) F F amostragem (4.19) F F amostragem (4.19)
dt dt dt

Dissertacao Juliana Lopes

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Dissertacao Juliana Lopes

Enviado por

Direitos autorais:

Formatos disponíveis

JULIANA SILVA LOPES

Modelagem matemtica do processo fermentativo de produo de

Modelagem matemtica do processo fermentativo de produo de

Dissertao apresentada Escola

Modelagem matemtica do processo fermentativo de produo de

Dissertao apresentada Escola

So Paulo, 03 de julho de 2007-07-03

Lopes, Juliana Silva

Dissertao (Mestrado) - Escola Politcnica da Universidade

1.Modelagem matemtica 2.Fermentao 3.Anlise

Aos meus pais por terem me apoiado

Em especial ao Prof. Dr. Reinaldo Giudici pela dedicao,

Neste trabalho estudou-se a modelagem matemtica de processo de

Foram estudados diferentes modelos: modelo morfologicamente estruturado,

Os resultados das simulaes foram avaliados estatisticamente por

Observou-se que, dentre os modelos estudados, o modelo hbrido apresentou

The mathematical modeling of retamycin production during batch, fed-batch

Simulation results were submitted to statistical analysis such as model

Figura 2.1: Processamento do sinal em um neurnio de uma rede feedforward

Figura 2.2: Rede de mltiplas camadas (Pellicci, 2001) ........................................ 14

Figura 2.3: Rede recursiva (Pellicci, 2001) ............................................................ 14

Figura 4.3: Comparao da simulao com os dados experimentais para as

Figura 4.4: Comparao da simulao com os dados experimentais para as

Figura 4.5: Comparao da simulao com os dados experimentais para as

Figura 4.6: Comparao da simulao com os dados experimentais para as

Figura 4.7: Comparao da simulao com os dados experimentais para as

Figura 4.9: Sensibilidade do modelo ao parmetro k u1 no ensaio DA-1 e variao

Figura 4.10: Sensibilidade do modelo ao parmetro k u2 no ensaio D-1 e variao

Figura 4.11: Sensibilidade do modelo ao parmetro k u2 no ensaio DA-1 e variao

Figura 4.12: Sensibilidade do modelo ao parmetro ku3 no ensaio D-1 e variao

Figura 4.13: Sensibilidade do modelo ao parmetro k u3 no ensaio D-A1 e variao

Figura 4.14: Comparao da simulao com os dados experimentais para as

Figura 4.15: Comparao da simulao com os dados experimentais para as

Figura 4.16: Comparao da simulao com os dados experimentais para as

Figura 4.17: Comparao da simulao com os dados experimentais para as

Figura 4.18: Comparao da simulao com os dados experimentais para as

Figura 4.19: Diagrama do modelo hbrido ............................................................. 74

Figura 4.20: Ajuste da curva sigmoidal para os ensaios replicados ...................... 78

Figura 4.21: Ajuste da curva sigmoidal para o ensaio D-3+ .................................. 78

Figura 4.22: Seleo do nmero de neurnios na rede RN 1 ............................... 79

Figura 4.23: Seleo do nmero de neurnios na rede RN 2 ............................... 79

Figura 4.24:Seleo do nmero de neurnios na rede RN 3 ................................ 80

Figura 4.25: Comparao entre os valores experimentais e os calculados. (A)

Figura 4.26: : Comparao da simulao com os dados experimentais para as

Figura 4.27: Comparao da simulao com os dados experimentais para as

Figura 4.28: Comparao da simulao com os dados experimentais para as

Figura 4.29: Comparao da simulao com os dados experimentais para as

Figura 4.30: Comparao da simulao com os dados experimentais para as

Tabela 3.1: Composio do meio de alimentao nos ensaios descontnuos

Tabela 3.2: Resumo das condies dos ensaios descontnuos alimentados

Tabela 4.1: Parmetros do modelo de Giudici, Pamboukian e Facciotti (2004) .... 43

Tabela 4.2: Parmetros do modelo 1 .................................................................... 47

Tabela 4.3: Matriz de correlao dos parmetros estimados ................................ 55

Tabela 4.4: Parmetros utilizados na anlise de sensibilidade ............................. 55

Tabela 4.5: Parmetros do modelo 2 .................................................................... 68

Tabela 4.6: Estatstica dos parmetros estimados no modelo 2 ........................... 68

Tabela 4.7: Clculo do erro experimental mdio de X ........................................... 88

Tabela 4.8: Clculo do erro experimental mdio de S ........................................... 88

Tabela 4.9: Clculo do erro experimental mdio de P ........................................... 89

Tabela 4.10: Clculo do erro experimental mdio de OD ...................................... 89

Tabela 4.11: Varincias e graus de liberdade dos modelos .................................. 90

Tabela 4.12: Teste de discrimao entre modelo .................................................. 90

Tabela 4.13: Varincias dos modelos e do erro experimental ............................... 91

Tabela A.1: Equaes dos modelos 0, 1 e 2 ....................................................... 102