UNIVERSIDAD

NACIONAL AGRARIA
DEENLA SELVA
FACULTAD DE INGENIERIA
INDUSTRIAS
ALIMENTRARIAS

Diferentes metodologías para la

sostenibilidad de la optimización. Técnicas utilizadas en
fermentación sumergida y en estado sólido.

CURSO : BIOTECNOLOGIA DE ALIMENTOS

DOCENTE : ING. HUMBERTO RIVERA ROJAS

ALUMNA :
Javier Zúñiga, Gabriela

CICLO : 2019 – 0
 Diferentes metodologías para la sostenibilidad de la optimización. Técnicas
utilizadas en fermentación sumergida y en estado sólido.
Anup Ashok1 • Devarai Santhosh Kumar1

Resumen

Las técnicas de optimización se consideran parte de la forma en que la naturaleza se

ajusta a los cambios que ocurren a su alrededor. Existen diferentes factores que
establecen las condiciones de trabajo óptimas o la producción de cualquier producto
con valor agregado. Se acepta un modelo para un proceso en particular después de
que se haya verificado su sostenibilidad a nivel estadístico y analítico. Las técnicas de
optimización se pueden dividir en categorías como estadísticas, inspiradas en la
naturaleza y redes neuronales artificiales, cada una con sus propios beneficios y uso
en casos particulares. Se discutirá una breve introducción sobre las subcategorías de
diferentes técnicas disponibles y su efectividad computacional. El enfoque principal del
estudio gira en torno a la aplicabilidad de estas técnicas a cualquier operación
particular, como la fermentación sumergida (SMF) y la fermentación en estado sólido
(SSF), su capacidad para producir metabolitos secundarios y la utilidad en el
laboratorio y el nivel industrial. También se discutirán los estudios primarios para
determinar la actividad enzimática de diferentes microorganismos como bacterias,
hongos y levaduras. La L-Asparaginasa, los fármacos más comúnmente utilizados en
el tratamiento de la leucemia linfoblástica aguda (LLA) se considerarán como un
ejemplo, se discutirá una breve discusión sobre los modelos utilizados en la
producción por los procesos de FPE y FSE para comprender las técnicas de
optimización. Que se están repartiendo Se espera que esta discusión ayude a
determinar la técnica adecuada que se puede utilizar para ejecutar cualquier proceso
de optimización para diferentes propósitos, y ayude a hacer que estos procesos
requieran menos tiempo con un mejor resultado.

Palabras clave Optimización, Fermentación sumergida, Fermentación en estado

sólido Ampliación de escala L-Asparaginasa
Introducción
Los métodos de optimización empezaron a existir cuando Euclides, alrededor del 300
a. C., mostró que la distancia mínima entre dos puntos es igual a la longitud de una
línea recta que une estos puntos (Agrawal y Sharma 2015). Más tarde, también se
demostró que el cuadrado es la forma que tiene el área más alta entre todos los
rectángulos de una longitud de borde dada. Desde 100 AC, Herón demostró que
cuando la luz se refleja desde un espejo sigue un camino más corto (Agrawal y
Sharma 2016). Las técnicas de optimización están teniendo una aceptación cada vez
mayor en todos los campos de estudio, ya que se hace que el trabajo sea mucho más
fácil que la metodología de prueba y error normal. Se puede decir que se ha
convertido en una piedra angular en los respectivos campos de estudio y para
aumentar su aplicabilidad, se han desarrollado algoritmos y software que se agregan a
la ventaja de estas técnicas (Williams et al. 2004; Xu et al. 2012). La metodología
básica de cualquier técnica de optimización es trabajar en la estructura y sensibilidad
del método y presentar la mejor manera de calcular cualquier función o limitación que
surja junto con la técnica (Fasham et al.1995; Li et al. 2001; Yam et al. 2010). Las
restricciones lineales y no lineales que surgen en el problema de optimización se
pueden manejar fácilmente mediante el método de penalización. En este método, se
agregan pocas o más expresiones para hacer que la función objetivo sea menos
óptima a medida que la solución se acerca a una restricción (Ba y Boyaci 2007;
Mandal et al. 2015).
En cualquier operación, es mejor trabajar en las condiciones que brindan el resultado
más exitoso, que en este caso sería una mayor cantidad del producto, por lo que para
producir una mejor cantidad será útil optimizar los factores asociados con ese
procedimiento y en el caso de la mayoría de las actividades microbianas sería
temperatura, pH, fuente de carbono, fuente de nitrógeno, etc. (Sindhu et al. 2009;
Kumar et al. 2010; Faisal et al. 2014; Irfan et al. 2016). Se debe determinar un
conjunto completo de parámetros optimizados, que tengan en cuenta la mayoría de los
factores, y se debe probar para mostrar si el proceso fue exitoso o no en la
determinación del resultado final. Hay una amplia gama de métodos disponibles para
describir las técnicas de optimización, algunas de ellas son técnicas bastante simples
(por ejemplo, un factor a la vez {OFAT}) y también ciertas técnicas complejas que
incluyen el diseño central compuesto (CCD), Plackett– Burman diseño (PBD) cada uno
con sus propias metodologías diferentes como se describe en la Fig. 1 (Mu¨ller et al.
2002; Kenari et al. 2011; Hoa y Hung 2013; Bruns et al. 2014). Las técnicas simples
que se utilizarán son bastante largas y requieren mucho tiempo, y en el sentido
económico esto sería una gran dificultad, también como se observa en la técnica
OFAT, la interacción crítica entre los parámetros que se están probando se ignorará, y
hay posibilidades que los resultados que se entregarán pueden ser erróneos, por lo
que sería mejor determinar los requisitos del experimento y construir los métodos de
optimización en torno a los parámetros requeridos después de un análisis estadístico
cuidadoso para minimizar los errores que puedan ocurrir y hacer frente a la mayoría de
los Los problemas que pueden surgir en el proceso también serán eficientes en tiempo
y dinero (Garsoux et al. 2004; Venil et al. 2009; Elias et al. 2010).
Fig. 1 Una descripción general de las diferentes técnicas utilizadas en el diseño de
experimentos (DOE)

Diseño de
Disenp
experimentos
kmvkffmvdiddie

Métodos de estadistica Técnicas inspiradas en

Red neural artificial
la naturaleza

Bloques aleatorizados, Algoritmo de

Enjambre de partículas
cuadrados de celosía propagación hacia atrás Evolucion

Colonia de hormigas
Método de Taguchi Algoritmo genetico

Modelos de regresión Evolución diferencial

Colmena

Métodos de superficie Luciernaga

de respuesta

Diseño anidado de
parcela dividida

2 diseño factorial
k
ANN es un sistema de computación paralelo que está hecho de una gran cantidad de
procesadores simples conectados entre sí. (Yingetal.2009; Funesetal.2015). IS fue
diseñada como una alternativa interesante para resolver problemas asociados con la
predicción, optimización, control, etc. Puede considerarse como un diseño de la red
biológica humana, más comúnmente el cerebro que tiene la capacidad de manejar
múltiples operaciones en un solo tramo (Funes et al. 2015; Pappu y Gummadi 2016).
Se espera que la ANN use los principios organizativos que se utilizan en el cerebro
humano. Lo mejor de ANN es que su uso en el modelado del sistema nervioso
biológico ayudaría a comprender las funciones biológicas, lo que será una gran ventaja
para este estudio.
La producción de enzimas que ayudan en la producción comercial adicional de
medicamentos farmacéuticos utilizados en el tratamiento de diferentes enfermedades
es un ejemplo donde la aplicación de estas técnicas de optimización es una
necesidad, ya que la pérdida de material no es un factor aceptable. La calidad de los
medicamentos producidos no debe verse afectada de ninguna manera. La L-
asparaginasa es considerada como una de esas enzimas importantes, es un
componente de la amidohidrolasa que generalmente descompone la asparagina en
ácido aspártico y amoníaco específicamente en el campo médico debido a sus
características antileucémicas en el tratamiento de la leucemia linfoblástica aguda
(ALL), y en La industria alimentaria para prevenir la formación de acrilamida a
temperaturas más altas en productos alimenticios fritos (Couto y Sanroma´n 2006; El-
Bakry et al. 2015). Debido a estas aplicaciones, la necesidad de más enzimas ha sido
un desafío en el escenario actual, ya que la capacidad de producción debe
incrementarse para satisfacer la creciente demanda. Se sabe que ciertas células
leucémicas dependen del suministro de la L-asparagina desde una fuente externa. La
naturaleza específica de la L-asparaginasa para controlar el crecimiento de las células
leucémicas de las células normales es lo que le ha dado énfasis sobre las otras
enzimas (Venil et al. 2009; Farag et al. 2015). La fuente más utilizada para la
producción de L-asparaginasa es la Escherichia coli y la Erwinia carotovora, pero ha
mostrado un gran número de efectos secundarios para la enzima preparada utilizando
estos microbios durante un período de tiempo y el enfoque clínico ha ido cambiando
para incorporar la producción de la enzima de otras fuentes microbianas de diferentes
ubicaciones de biodiversidad (Cammack et al. 1972; Rizzari et al. 2000; Kenari et al.
2011; Kim et al. 2015).
En este documento, las discusiones se relacionarán con la breve idea de varias
técnicas que se utilizarán en común y también una extensión de la posibilidad de
utilizar la red neuronal artificial (ANN) como alternativa a las técnicas actuales. Se
espera que esta discusión ayude a simplificar el proceso de selección de la técnica
adecuada para los procesos de fermentación y ayude a los investigadores a
comprender los parámetros necesarios que se requerirán para el proceso. Una breve
introducción a las diversas técnicas disponibles se da en la Tabla 1.
 Tabla 1. Una breve descripción de las diferentes técnicas de optimización.

Técnica de optimización Introducción Importancia Ejemplo Referencias

Bloques al azar It iEs la técnica común que se Esta técnica mejora la precisión. Enzima lipolítica Kumar and Knowles
utilizará para eliminar cualquier comparaciones eliminando cualquier y lignina. (1993); Carreiro
factor innecesario conocido como variabilidad que puede surgir et al. (2017)
el factor de molestia que surgirá
durante el procedimiento
experimental.
Método taguchi Este método utiliza el proceso de Se utilizan los resultados de estos experimentos Celulasa Athreya and
identificación de los parámetros de para analizar los datos y predecir la xylitol, Venkatesh
control adecuados que Calidad de los componentes producidos.etc. (2012); Biswas et
proporcionarán el resultado más al.
óptimo (2014); Sinha and
Singh (2016)
Diseño factorial Los experimentos generalmente se Las estimaciones que se realizan Lipasa, amilasa, Negi and Banerjee
realizan para estudiar múltiples utilizando esta técnica dan enzima (2006); Dange and
factores, por lo que la técnica más resultados que son válidos en una hidrolítica, Peshwe (2015)
comúnmente utilizada para este amplia gama de condiciones que tanasa, etc.
propósito será la técnica de diseño son aplicables en los
factorial y se ha encontrado que es experimentos.
la más eficiente para resolver
experimentos donde múltiples
factores influyen en el proceso.
Metodología de Es una colección de técnicas Es un procedimiento secuencial y el Lingo- Bruns et al. (2014);
superficie de matemáticas y estadísticas útiles objetivo principal es llevar al celulolíticos, Kunamneni et al.
respuesta. para el modelado y análisis de resultado final de manera rápida y biodiesel, (2015);
(RSM) problemas en los que una respuesta eficiente. El RSM determina la proteasas Kunamneni and
de interés está influenciada por condición operativa óptima final alcalinas, Singh (2016)
varias variables y el objetivo es del sistema o la región en la que se lactasa, etc.
optimizar esto. cumplen los parámetros operativos
establecidos
Diseño central compuesto Es la técnica utilizada para construir el Se calcula el número total de Etanol, fitasa, Mohana et al.
(CCD) modelo de segundo orden para la experimentos que se deben xilanasa, (2008); Karmakar
variable de respuesta como una ejecutar y se define la matriz quitinasa, etc.. and Ray
alternativa al tipo de representación requerida, luego, utilizando la (2011); Khaleel
factorial. metodología de regresión lineal, se et al. (2012)
registra el resultado final de la
experimentación.
Red neural artificial Desarrollado utilizando la neurona Un gran número de procesadores Amiloglucosidasa, Chang et al. (2006);
(ANN) biológica como material de simples con muchas proteasa, lipasa, Desai et al. (2008);
referencia para el desarrollo de interconexiones. Modelos ANN glucoamilasa Ying et al. (2009);
sistemas inteligentes que pueden intentan usar algunos Funes et al. (2015)
utilizarse como un avance a la Principios "organizativos" que se
escala de estudio actual. cree que se utilizan en el ser
humano

Técnicas de optimización inspiradas en la naturaleza.

En el mundo de los estudios computacionales, existen muchas técnicas que se
pueden utilizar para analizar el problema en cuestión, entre ellas, técnicas de lógica
difusa, optimización inspirada en la naturaleza y también diseños de redes neuronales.
Estas técnicas de optimización tienen la ventaja de ser rápidas y útiles. Al comprender
mucho mejor la declaración del problema (Yang 2014; Funes et al. 2015). El avance en
estos campos de estudio es el principal trabajo de investigación que se está realizando
en los últimos años.
Las técnicas de optimización se han basado en diferentes modelos que están
disponibles en la naturaleza, la naturaleza ha sido la columna vertebral para el
desarrollo de tales técnicas. Existen diferentes metodologías que se han utilizado en
función de los estudios realizados sobre factores presentes en la naturaleza y todas
las adiciones más recientes a la metodología de optimización se pueden considerar
como la obtenida de alguna forma de proceso natural (Fister et al. 2013). Los
algoritmos inspirados en la naturaleza se clasifican básicamente en dos subcategorías,
es decir, Evolutivo y Enjambre, donde los evolutivos incluyen metodologías como los
algoritmos genéticos, la evolución diferencial y los otros como la colonia de hormigas.
La colmena se encuentra bajo la optimización del enjambre (Afshinmanesh et al. 2005;
Fister et al. 2013). Incluso en la naturaleza, los sistemas biológicos se consideran el
factor más importante para diseñar cualquier técnica debido a la presencia de
características específicas y positivas, y por lo tanto, la mayoría de las técnicas
pueden considerarse técnicas de inspiración biológica. Algunos ejemplos de
optimización bioinspirada incluyen optimización de colonias (ACO), optimización de
enjambre de partículas (PSO) y optimización de luciérnagas (FO), etc. (Afshinmanesh
et al. 2005; Dorigo y Stu¨tzle 2009; Arora y Singh 2013 ). Algunas técnicas también se
han agregado utilizando sistemas físicos o químicos como referencia. Cada una de las
técnicas individuales tiene una ventaja que mantiene sobre la otra, la peculiaridad de
estas técnicas ayuda a resolver algunos de los problemas difíciles asociados con un
poco de complicación. Las estrategias que están envueltas en cada una de estas
técnicas lo ayudan a crear una ruta aleatoria y se puede obtener una solución rápida a
partir de estas técnicas aleatorias que se utilizarán. Su aplicación en la técnica de
fermentación ayudará a determinar las condiciones del cultivo celular, se pueden
estudiar los estudios paramétricos que involucran los parámetros físicos y químicos y
los resultados de cada uno de estos estudios se pueden tabular para determinar la
mejor solución óptima para el conjunto experimental ( Hongwen et al. 2005;
Kunamneni et al. 2015).
La optimización siempre ha tenido la ventaja de mejorar la pureza y la productividad de
cualquier proceso, la efectividad con la que se puede determinar esta solución define
el éxito de esa técnica de optimización en particular, y debe ser robusta y, por lo
menos, mucho menos costosa. Ser considerado como una técnica exitosa
(Varalakshmi y Raju 2013).
Todo el proceso de fermentación se divide en tres partes, aguas arriba, fermentación y
procesos aguas abajo. La optimización de los factores en cada paso individual es
importante para comprender el proceso general; hay factores que se pueden variar en
cada uno de estos pasos que deberán llevar a cabo el cambio requerido en el proceso
(Kumar et al. 2010; Irfan et al. 2016; de Melo et al. 2014). El proceso ascendente
involucra la parte de tratamiento previo, en donde el material y los parámetros se
configuran para que se ejecute el proceso, es la sección de optimización primaria, ya
que la mayoría de los parámetros de optimización deben decidirse y configurarse en
esta etapa para que el procesamiento pueda llevados a cabo sin problemas, los
parámetros optimizados en esta etapa facilitarán la ejecución del proceso en general
sin mucha dificultad. La parte más importante es el proceso de fermentación en el que
se producen todas las reacciones y se producen los productos necesarios, por lo que
este proceso debe manejarse con el mayor cuidado. Se espera que la optimización de
esta sección proporcione el mejor resultado para toda la producción proceso. Los
parámetros físicos y químicos que deben establecerse deciden el resultado del
proceso, se deben realizar varias ejecuciones para obtener el mejor resultado positivo
(Hoa y Hung 2013; Meng et al. 2015). El procesamiento posterior trata principalmente
con la purificación del producto obtenido, los procesos involucrados difieren según el
producto que se produce y si se trata de un proceso de fermentación sumergida o de
estado sólido, ya que existe una gran diferencia en el tratamiento de un producto
líquido y Producto sólido, las optimizaciones que pueden estar involucradas en esta
sección incluirán el orden en el que se lleva a cabo cada proceso individual, cuál es la
tendencia de repetición del proceso y qué materiales cuantitativos están involucrados
en estos procesos (Rodríguez-ferna´ndez et al. 2011; Kunamneni et al. 2015; Chang y
Chang 2016).
Aplicación de técnicas de optimización en SSF y SmF.
La diferencia básica entre SSF y SmF es el tipo de sustrato que se utiliza, sólido en el
caso de SSF y caldo líquido en el caso de SmF, las técnicas de optimización que se
pueden usar para estudiar cada una de estas variaciones y, si es posible, una mejor
técnica para ser Se puede sugerir el uso para reducir el tiempo de redundancia en el
proceso (Subramaniyam y Vimala 2012; Doriya et al. 2016). Las técnicas evolutivas
tienen la metodología de proceso que incluye la selección, el cruce y la mutación como
partes esenciales del proceso.

Técnicas estadísticas
Un factor a la vez (OFAT)
Es la técnica más común para el proceso de optimización, aunque es un
procedimiento que toma tiempo, es uno de los métodos más simples disponibles para
la aplicabilidad del proceso. Los parámetros físicos y químicos se pueden controlar
con mucha facilidad en SmF sobre SSF debido a su naturaleza líquida, por lo que la
técnica OFAT es más adecuada en el caso de procesos de SmF (Xu et al. 2003). Para
una mejor comprensión, un ejemplo del resultado de salida del proceso se muestra en
la Fig. 2a a continuación, donde se calculó el valor óptimo del rendimiento contra la
temperatura del proceso.
Fig 2. Rendimiento óptimo usando la técnica OFAT, b encontrando el menor valor usando el
método de Taguchi, c diseño factorial de tercer orden usando para parámetros (Kalantar y
Deopurkar 2007)

Método taguchi
Esta técnica funciona sobre la base del número de parámetros a estudiar, cuando solo
se consideran los parámetros físicos, esta técnica tiene la ventaja de que se utiliza en
los procesos SmF debido a la facilidad en la manipulación de los parámetros que se
pueden realizar en estos procesos. El método de Taguchi trabaja en la combinación de
múltiples parámetros para obtener el óptimo para mejorar la calidad del proceso
(Athreya y Venkatesh 2012; Mandal et al. 2015). Los parámetros óptimos obtenidos
con esta técnica tienen la especificidad de ser absolutos para cualquier cambio en el
efecto ambiental, ya que el diseño de parámetros es el paso más importante en la
metodología de Taguchi (Biswas et al. 2014). La Figura 2b muestra la efectividad del
método de Taguchi sobre el método tradicional de determinar la mejor salida para el
proceso.
Factorial diseños
La técnica más comúnmente preferida cuando un mayor número de parámetros está
involucrado en el proceso, ha sido eficiente en el diseño de técnicas donde la
importancia de los parámetros químicos predomina en la efectividad de los parámetros
físicos y, por lo tanto, se puede decir que puede ser menos preferido en el caso de
técnicas SmF (Dange y Peshwe 2015; Kalantar y Deopurkar 2007). En el caso de los
diseños de SSF, los parámetros deben gestionarse y estudiarse con mucho cuidado
que en el caso de SmF, y también habrá un factor particular que influye en el proceso
general y se conoce como el efecto principal, el estudio del La interacción de los
diferentes factores y un diseño cuantitativo del proceso que conduce a una
representación del modelo de regresión y que se puede resolver utilizando las
estimaciones de mínimos cuadrados son más adecuados para el proceso de SSF en
los estudios de SmF (Weng y Sun 2006; Montgomery 2013). La Figura 2c muestra el
diseño factorial de tres niveles que se ejecutó en cuatro parámetros diferentes para
establecer la efectividad del proceso que se está estudiando.
Metodología de superficie de respuesta (RSM)
Varias variables desempeñan un papel contribuyente en la determinación de la
solución óptima en el caso de esta técnica, tiene una mejor compatibilidad cuando se
utiliza con parámetros físicos que están involucrados en el proceso, por ejemplo,
presión, temperatura, etc. (Venil et al. 2009). Los diseños de superficie se modelan en
un modelo de primer orden o de segundo orden según el requisito de ese proceso, y
los datos experimentales se recopilan después de la validación adecuada de los
parámetros involucrados, lo que ayuda a estimar con mayor facilidad. Es un
procedimiento secuencial y ayuda a determinar el valor óptimo exacto o lo llevará a
una región donde el valor óptimo está presente, por lo tanto, esta técnica puede
considerarse adecuada para el proceso de FHF en los procesos SSF (Ghosh et al.
2013; El -Naggar et al. 2015). La Figura 3a a continuación muestra la gráfica de la
superficie de respuesta para la interacción de los dos componentes que se muestran
en un tercer parámetro típico, los resultados óptimos se establecen en función de los
requisitos del proceso.
Diseño central compuesto (CCD)
Se utiliza más comúnmente cuando se construyen modelos de superficie de respuesta
de superficie superior y de segundo orden y son más adecuados para diseños de
parámetros de orden superior cuando los parámetros físicos y químicos juegan un
papel importante en la determinación de la salida de cualquier proceso, ya que el
diseño funciona mucho mejor con los números de parámetros más altos y la influencia
de un número mayor de parámetros en el caso de SSF es mayor que en el caso de
SmF, el CCD se puede considerar como una extensión de las técnicas factoriales y
RSM, por lo que tiene un mejor dominio sobre los parámetros involucrados en los
procesos SSF (Karmakar y Ray 2011; de Melo et al. 2014). La Figura 3b proporciona
una representación simple de los diferentes sistemas que están disponibles para
establecer el óptimo utilizando la técnica CCD, donde los factores individuales se
representan a lo largo de los bordes del cubo y el resultado óptimo está en el centro
del cubo.

Fig. 3 a Diagrama de superficie utilizando la técnica RSM (El-Sersy et al., 2010), b Técnica
multifactor CCD (Fenech et al., 2012)

Red neuronal artificial (ANN)

Una técnica exhaustiva que tiene la capacidad de tratar con cualquier número de
parámetros, ya sean físicos o químicos. Esta técnica es adecuada en casi todos los
casos, ya que tiene la capacidad de ajustarse a los cambios mínimos que se
incorporan al sistema, el sistema funciona como una neurona humana y es capaz de
identificar los cambios más simples y tiene una respuesta que identifica el Cambios
que se están haciendo. Es la técnica más utilizada en el escenario actual y ha ido
ganando importancia durante mucho tiempo (Desai et al. 2008; Funes et al. 2015).
ANN es una técnica apta que puede ayudar a identificar los cambios que están
ocurriendo en el proceso con una mejor precisión y siempre se ha entendido que los
cambios en SSF son mucho más difíciles de entender y mantener que en SmF, pero
se espera que La técnica ayudará a aclarar ese proceso en particular (Chang et al.
2006). En el caso de los estudios de SSF, los cambios son mucho más rápidos y
pequeños que en el caso de SmF, por lo que esta técnica permite identificar los
cambios exactos y el efecto de estos cambios en la solución final (Ying et al. 2009;
Baskar y Renganathan 2012). La Figura 4 describe el funcionamiento básico de una
técnica ANN, como se representa aquí, las variables de entrada se pasan a través de
capas ocultas que contienen diferentes capas de neuronas que representan los
parámetros individuales, después de determinar el mejor conjunto de parámetros que
daría la salida óptima, los resultados se tabulan y la salida final se da para ese
conjunto particular de procesos.

Fig 4. Metodología ANN (Falahian et al. 2015)

Técnicas inspiradas en la naturaleza.

Algoritmo genético
Las técnicas de optimización evolutiva se utilizan en los estudios de parámetros
fisicoquímicos en diferentes condiciones experimentales, se basan en la evolución
biológica de la reproducción, la mutación, etc. Estas técnicas son más adecuadas
cuando los parámetros químicos tienen prioridad sobre los físicos, una función de
aptitud es establecido que determina la calidad de las soluciones de proceso, el
proceso tiene la capacidad de repetibilidad, que es una ventaja agregada a la solución
general, tiene un problema solo en el caso de que estén involucradas técnicas
evolutivas complejas; de lo contrario, estas técnicas se consideran robustas, simples y
fáciles de manejar ( Coello 1999). La Figura 5a muestra los diferentes pasos
involucrados en la metodología del algoritmo genético que involucra la selección, el
cruce y la mutación.
Fig. 5 a Pasos involucrados en la ejecución de GA, b determinación de la mejor salida posible
utilizando la técnica de PSO, c ilustración simple de proceso de trabajo método ACO.

Optimización de enjambre
Las técnicas bioinspiradas son parte del proceso evolutivo que incluye varios procesos
como el enjambre de partículas, la colmena y las técnicas de optimización de colonias
que son una técnica de línea de ruta guiada que es útil para comprender los cambios
aleatorios que se están llevando a cabo en cualquier proceso Los pasos involucrados
en cada uno de estos procesos son complicados y un poco difíciles de manejar, pero
la precisión con la que se dispensan los resultados de cada una de las técnicas supera
cualquiera de los largos procesos que están asociados con el funcionamiento de las
técnicas (Biswas et al. 2007; Dhanarajan et al. 2014). La Figura 5b muestra ejemplos
de los resultados que se obtuvieron al ejecutar un PSO en múltiples factores; aunque
hay un gran número de resultados, el mejor resultado se marca en la parte inferior, que
representa el menor valor posible para el conjunto de experimentación que se ejecutó.
La Figura 5c muestra la metodología que se ejecutará utilizando la técnica de
optimización ACO donde se establecerá una ruta particular después de varias
experimentaciones y esa ruta se utilizará como la óptima para todas las ejecuciones
adicionales. Se espera que estas técnicas tengan una mejor comprensión de los
procesos asociados con la SSF; aunque su aplicabilidad en los procesos de SmF no
puede ser invisible, la cantidad de tiempo que toma en comparación con otras técnicas
que se utilizan para estudiar el proceso de SmF permite que estas técnicas sean
limitadas para el estudio del proceso de SSF (Roy et al. 2006; Doriya et al. al. 2016).
SmF se ha ampliado a nivel industrial y las dificultades que se encuentran con la
ampliación del proceso de SSF hacen que sea importante tener un cálculo muy
preciso cuando se trata de los procesos que involucran los estudios de SSF (Mitchell
et al. 2000).
La parte más importante de cualquiera de estos procesos es el crecimiento de los
microorganismos que participan en estos procesos. Cada tipo de microorganismo tiene
sus propias necesidades para su crecimiento, por ejemplo, temperatura, pH, contenido
de humedad, agitación, etc. Cada uno de estos factores tendrá un efecto específico
sobre el crecimiento del microorganismo, como las bacterias solo pueden crecer con
un alto contenido de humedad. medio ambiente, mientras que los hongos crecen en un
ambiente de bajo contenido de humedad, lo que hace que este microorganismo sea
específico para las bacterias del corazón y las heces, respectivamente, donde estas
condiciones están disponibles (Chen et al. 2011; Abbas Ahmed 2015). El algoritmo
genético (GA) explica mejor el crecimiento del microorganismo, ya que involucra
factores como el cruce o la recombinación y la mutación, el paso primario involucrado
selecciona una raza de una generación particular que se selecciona en función de la
efectividad con la que podrían mostrar resultados; y el crossover es una técnica que es
extremadamente útil cuando se trata de microorganismos recombinantes; y la
mutación también ayuda a determinar si hay algún cambio que esté ocurriendo en el
crecimiento del microorganismo. Las bacterias, la levadura y los mohos requieren
mucha humedad, mientras que los hongos crecen en ambientes de baja humedad
(Singh y Srivastava 2013; Sinha y Singh 2016). Las técnicas avanzadas siempre
tienen la utilidad de comprender el crecimiento de microorganismos en comparación
con los métodos de optimización OFAT y Taguchi más simples.
Estudios de escalado utilizando técnicas de optimización.
La ampliación de cualquier proceso es la tarea más importante que debe estudiarse
con sumo cuidado, la efectividad de un proceso es la capacidad de replicar los
resultados que se obtienen en los estudios a pequeña escala o en laboratorio para la
producción en masa de Las enzimas. La producción a gran escala no puede ser un
método de prueba y error de producción, solo se inicia una vez que el proceso se
identifica con claridad utilizando técnicas estadísticas antes de ponerlo en producción
activa (Schutyser et al. 2004; Varalakshmi y Raju 2013). Cada técnica tiene su propia
ventaja en la producción de la enzima; La opción siempre será utilizar la mejor técnica
adecuada que proporcionará mejor productividad, menor costo y tiempo (Ashok et al.
2017). La preparación de enzimas de bajo costo se puede realizar utilizando técnicas
más simples como los bloques aleatorios y los métodos de Taguchi, pero a medida
que aumenta la complicación en la producción, como el aumento en la cantidad de
factores que afectan el proceso, en tales casos, es más prudente utilizar Técnicas
avanzadas como ANN o técnicas de optimización inspiradas en la naturaleza (Athreya
y Venkatesh 2012; Ali et al. 2016); Estos ayudan a comprender mejor el proceso y
aumentar la efectividad de la producción. Por ejemplo, en la producción de L-
asparaginasa a partir de fuentes bacterianas o fúngicas que usan SmF, el efecto de los
factores es fácilmente manejable, y se pueden usar técnicas más simples como
Taguchi o diseño factorial para entender el proceso, pero cuando se usa SSF, el
número De los factores que deben controlarse y la eficiencia de control también
aumenta exponencialmente al utilizar microorganismos recombinantes, el número de
factores a manejar aumenta y, por lo tanto, se requerirá una mayor eficiencia para
analizar el proceso. En SSF, como el control de los factores se considera mucho más
difícil que en el caso de SmF, por lo que se prefieren técnicas como GA, ANN y ACO,
mientras se manejan este tipo de procesos (Kumar et al. 2010; Pallem et al. . 2010).
La Figura 6 resume las diferentes técnicas que se pueden usar de manera efectiva al
tratar con las técnicas SmF y SSF cuando se está estudiando la ampliación del
proceso.
Bloques
aleatorizados
Manejo más fácil
Taguchi
SmF
Diseño factorial
Menos factores
RSM & CCD
Estudios de escalado

ANN
Manejo difícil
Diseño factorial
SSF
PSO, ACO
Más factores
GA, ANN

Fig. 6 Técnicas adecuadas para ampliar los procesos de SmF y SSF.

Conclusión
Se considera que las técnicas estadísticas son las más adecuadas cuando se trata de
parámetros de proceso más simples y se amplían en el caso de la fermentación
sumergida, donde los parámetros son más fáciles de controlar, aunque ciertos tipos de
proceso requieren técnicas avanzadas pero esto puede considerarse mínimo, mientras
que en el caso de la fermentación en estado sólido, donde el manejo de los
parámetros es muy difícil y se requieren múltiples esfuerzos para obtener la mejor
solución, se sugiere el uso de técnicas avanzadas. Los estudios de escala de matraz
se pueden hacer usando métodos estadísticos, pero al escalar el proceso a un nivel de
laboratorio o industrial, es mejor cambiar el enfoque a técnicas de optimización
avanzadas. La revisión actual tiene la capacidad de ayudar a comprender qué técnicas
se requieren cuando se trabaja con técnicas de fermentación en estado sólido y
sumergidas a escala de laboratorio, y también se espera que reduzca el tiempo de
cualquier proceso, ya que ayudaría a centrarse en las variables críticas, disminuyendo
así La economía involucrada en la gestión del proceso en su conjunto.