Lezione n.1 - Università degli Studi della Basilicata
Lezione n.1 - Università degli Studi della Basilicata
Lezione n.1 - Università degli Studi della Basilicata
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Introduzione alla mo<strong>della</strong>zione<br />
dinamica in (micro)biologia<br />
<strong>Lezione</strong> 1<br />
Prof. Eugenio Parente<br />
Dipartimento di Biologia- <strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Questa presentazione è stata creata da Eugenio Parente, 2007. Il materiale è coperto da licenza<br />
Creative Commons Public License “Attribuzione - Non commerciale - Condividi allo stesso<br />
modo” (http://creativecommons.org/licenses/by-nc-sa/2.5/deed.it). I termini <strong>della</strong> licenza sono<br />
i seguenti:<br />
Tu sei libero:<br />
* di riprodurre, distribuire, comunicare al pubblico, esporre in pubblico, rappresentare,<br />
eseguire e recitare quest'opera<br />
* di modificare quest'opera<br />
Alle seguenti condizioni:<br />
by Attribuzione. Devi attribuire la paternità dell'opera nei modi indicati dall'autore o da chi ti<br />
ha dato l'opera in licenza.<br />
nc Non commerciale. Non puoi usare quest'opera per fini commerciali.<br />
sa Condividi allo stesso modo. Se alteri o trasformi quest'opera, o se la usi per crearne un'altra,<br />
puoi distribuire l'opera risultante solo con una licenza identica a questa.<br />
Ogni volta che usi o distribuisci quest'opera, devi farlo secondo i termini di questa licenza, che<br />
va comunicata con chiarezza. In ogni caso, puoi concordare col titolare dei diritti d'autore<br />
utilizzi di quest'opera non consentiti da questa licenza.<br />
Le utilizzazioni consentite dalla legge sul diritto d'autore e gli altri diritti non sono in alcun<br />
modo limitati da quanto sopra.<br />
Questo è un riassunto in linguaggio accessibile a tutti del Codice Legale (la licenza integrale).<br />
1
In questa presentazione:<br />
• classificazione dei modelli<br />
• importanza <strong>della</strong> mo<strong>della</strong>zione<br />
• i componenti dei modelli dinamici<br />
• i principi <strong>della</strong> mo<strong>della</strong>zione dinamica<br />
• confronto fra modelli e realtà<br />
• esempi di mo<strong>della</strong>zione: confronto fra<br />
modelli empirici e modelli dinamici <strong>della</strong><br />
crescita microbica<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
2
I modelli come rappresentazioni<br />
<strong>della</strong> realtà<br />
Fenomeno biologico<br />
Modello logico-verbale<br />
Modello (icono)grafico<br />
Modello matematico<br />
Modello fisico<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Un modello logico-verbale descrive verbalmente un fenomeno e le relazioni<br />
principali fra le variabili di stato ma non fornisce dettagli sulle relazioni<br />
numeriche. Esempio: in assenza di limitazioni i microrganismi crescono in<br />
maniera esponenziale...<br />
Un modello iconografico usa una rappresentazione ad icone per mostrare le<br />
relazioni fra le variabili più importanti in un fenomeno: in questa lezione<br />
verranno mostrati alcuni diagrammi di flusso di modelli<br />
Un modello fisico usa analogie con leggi <strong>della</strong> chimica o <strong>della</strong> fisica per<br />
rappresentare il fenomeno. Esempio: per rappresentare la crescita esponenziale<br />
di una popolazione microbica si può rappresentare il fenomeno <strong>della</strong> crescita<br />
come una reazione autocatalitica di ordine 1.<br />
Un modello matematico traduce il modello fisico in un sistema di equazioni<br />
(generalmente un sistema di equazioni differenziali).<br />
3
Tipi di modelli<br />
• modelli statici: descrivono lo stato delle<br />
variabili del sistema in un dato momento del<br />
tempo<br />
• modelli statici comparativi: comparano lo<br />
stato delle variabili del sistema in più<br />
momenti nel tempo<br />
• modelli dinamici: descrivono la dinamica<br />
del sistema nel tempo<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
4
Un modello statico.<br />
• Rappresenta lo stato del sistema in un dato momento.<br />
• Può essere rappresentato sotto forma di tabella o di<br />
grafico<br />
Biomass and residual glucose at 24 h<br />
25<br />
20<br />
X, S (g/L)<br />
15<br />
10<br />
X<br />
S<br />
5<br />
0<br />
A B C D<br />
Sample<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
I modelli statici sono di scarsa utilità se non nel descrivere lo stato del sistema<br />
in un dato momento. Non ci dicono nulla di quanto è accaduto nel passato o di<br />
quanto accadrà nel futuro, né ci dicono nulla dei fenomeni che hanno portato<br />
ad un determinato stato del sistema.<br />
5
Un modello statico comparativo.<br />
• Rappresenta lo stato del sistema in vari istanti nel tempo.<br />
• Può essere rappresentato sotto forma di tabella o di grafico.<br />
• Le linee che uniscono i punti sono il risultato di un semplice<br />
processo di interpolazione<br />
• Anche se conosciamo l’andamento del processo nel tempo non<br />
ne conosciamo la dinamica<br />
biomass vs time<br />
12<br />
10<br />
8<br />
x (g/L)<br />
6<br />
4<br />
x<br />
2<br />
0<br />
0 2 4 6 8 10<br />
time (h)<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
6
Un modello dinamico<br />
• Rappresenta lo stato del sistema in vari istanti nel tempo.<br />
• Può essere rappresentato sotto forma di tabella o di grafico.<br />
• Conosciamo lo stato del sistema in ogni istante<br />
• Il modello rappresenta la dinamica del fenomeno sotto forma di<br />
un sistema di equazioni differenziali<br />
Run 1: 500 steps in 0 seconds<br />
10<br />
1<br />
9<br />
0.9<br />
8<br />
7<br />
6<br />
x:1<br />
rx:1<br />
logx:1<br />
mu:1<br />
0.8<br />
0.7<br />
0.6<br />
5<br />
0.5<br />
4<br />
0.4<br />
3<br />
0.3<br />
2<br />
0.2<br />
1<br />
0.1<br />
0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
TIME<br />
0<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
7
Modelli empirici e modelli<br />
meccanicistici<br />
Un modello empirico è costituito da un’espressione<br />
matematica adatta a fornire una ricostruzione del<br />
fenomeno:<br />
• i suoi parametri non hanno necessariamente un<br />
significato biologico;<br />
• permette l’interpolazione e la ricostruzione dei dati<br />
sperimentali ma non aumenta la comprensione del<br />
fenomeno<br />
• spesso è poco applicabile al di fuori dell’intervallo<br />
sperimentale per il quale è stato sviluppato<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
I modelli empirici vengono talvolta definiti anche modelli statistici mentre<br />
quelli meccanicistici vengono definiti modelli sistematici<br />
8
Modelli empirici e modelli<br />
meccanicistici<br />
Un modello meccanicistico è costituito da<br />
un’espressione matematica derivata (anche per analogia)<br />
da leggi fisiche o chimiche:<br />
• i suoi parametri hanno un significato biologico;<br />
• oltre a permettere l’interpolazione e la ricostruzione dei<br />
dati sperimentali aumenta la comprensione del fenomeno<br />
• i suoi risultati sono generalmente più semplici da<br />
estrapolare<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
9
Perché costruire dei modelli?<br />
1. La mo<strong>della</strong>zione migliora la<br />
comprensione dei processi dinamici.<br />
Nella formulazione del modello si è spinti<br />
a considerare tutte le relazioni di causaeffetto<br />
e le relazioni complesse fra le<br />
variabili implicate. Confrontando le<br />
predizioni del modello con la realtà si è<br />
portati a valutare in quali aspetti il<br />
modello sia sbagliato o incompleto e come<br />
sia possibile migliorarlo<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
10
Perché costruire dei modelli?<br />
2. La mo<strong>della</strong>zione è utile per la<br />
progettazione di esperimenti.<br />
L’analisi del modello permette di<br />
individuare i parametri più importanti, per<br />
i quali sono necessari più esperimenti per<br />
ottenere valori affidabili; d’altra parte,<br />
l’analisi di sensitività permette di<br />
individuare quei parametri che hanno poco<br />
effetto sul modello e che quindi possono<br />
essere trascurati<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
11
Perché costruire dei modelli?<br />
3. La mo<strong>della</strong>zione può essere utilizzata<br />
per scopi predittivi.<br />
Una volta che un modello è stato validato<br />
può essere utilizzato per scopi predittivi in<br />
una varietà di condizioni e può essere<br />
persino utilizzato per gestire complessi<br />
algoritmi di controllo. Può inoltre essere<br />
utilizzato per progettare un processo<br />
(termico, fermentativo, etc.).<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
12
Perché costruire dei modelli?<br />
4. I modelli dinamici possono essere utilizzati<br />
nell’ottimizzazione di processo.<br />
L’ottimizzazione in genere implica la<br />
valutazione dell’effetto di due o più parametri di<br />
input su delle variabili di output che descrivono<br />
la qualità del processo o i costi. L’uso dei<br />
modelli consente di ridurre significativamente il<br />
numero <strong>degli</strong> esperimenti necessari per<br />
l’ottimizzazione di un processo<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
13
Perché costruire dei modelli?<br />
5. I modelli possono essere utilizzati per<br />
scopi didattici.<br />
Esercitazioni pratiche su processi biologici<br />
dinamici sono costose e, a volte, lente; i<br />
modelli possono permettere di simulare un<br />
gran numero di processi permettendo agli<br />
studenti di valutare l’effetto <strong>della</strong><br />
variazione di parametri importanti sul<br />
processo.<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
14
Componenti dei modelli<br />
I modelli dinamici sono formulati sotto forma di<br />
sistemi di equazioni differenziali che vengono in<br />
genere risolti numericamente. Sono componenti del<br />
sistema:<br />
• le variabili di stato (serbatoi)<br />
• le variabili di controllo (flussi)<br />
• i convertitori e le costanti<br />
Per la risoluzione del modello sono inoltre necessari<br />
altri parametri, come i valori iniziali delle variabili di<br />
stato e l’intervallo di integrazione<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
15
Le variabili di stato<br />
Sono indicatori dello stato istantaneo del sistema.<br />
Sono le variabili sulle quali vengono eseguiti tutti gli<br />
altri calcoli del modello. Possono essere distinte in:<br />
• variabili conservate: rappresentano i “serbatoi” che<br />
vengono svuotati o riempiti dalle variabili di controllo<br />
(flussi); le variabili conservate non influenzano i flussi<br />
(esempio: il livello di acqua in un serbatoio il cui tasso<br />
di riempimento è indipendente dal flusso);<br />
• variabili non conservate: sono “serbatoi” il cui<br />
tasso di riempimento o svuotamento dipende dal<br />
“livello” del serbatoio (esempio: temperatura di un<br />
corpo che si raffredda)<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
E’ sulle variabili di stato che il processo di integrazione agisce, aggiornandone<br />
il valore da un intervallo di tempo a quello successivo.<br />
Un altro esempio di variabile non conservata è la concentrazione: la<br />
concentrazione di una sostanza dipende dalla massa e dal volume. Usare<br />
concentrazione e massa è equivalente solo se il volume è costante.<br />
16
Le variabili di controllo (flussi)<br />
Sono le variabili che determinano il cambiamento<br />
delle variabili di stato. Le variabili di controllo<br />
agiscono sulle variabili di stato ad ogni intervallo di<br />
tempo facendone cambiare il valore. Possono essere:<br />
• unidirezionali: svuotano o riempiono i “serbatoi”;<br />
• bidirezionali: possono agire in entrambe le direzioni<br />
Esempio: il flusso di acqua (variabile di controllo) che<br />
cambia il volume di acqua (variabile di stato) in un<br />
serbatoio)<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Le variabili di controllo possono essere rappresentate con:<br />
equazioni differenziali<br />
equazioni a differenze finite<br />
elementi discreti<br />
17
Convertitori e costanti<br />
I convertitori sono delle equazioni che accettano<br />
come input uno o più parametri e li trasformano. I<br />
parametri in input possono essere costanti, variabili di<br />
stato o di controllo.<br />
Una costante è un convertitore che assegna un valore<br />
fisso ad una variabile.<br />
I convertitori possono essere utilizzati per costruire<br />
anelli di retroazione (feedback) positivi o negativi.<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Relazioni non lineari fra le variabili possono causare effetti complessi e<br />
talvolta determinare andamenti caotici.<br />
18
I parametri di integrazione<br />
Per integrare numericamente il modello è necessario<br />
indicare:<br />
1. il metodo di integrazione<br />
2. il valore iniziale delle variabili di stato (inizializzazione)<br />
3. il tempo iniziale<br />
4. il tempo finale<br />
5. il passo di integrazione<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Solo alcuni modelli piuttosto semplici possono essere risolti analiticamente; in<br />
generale è più semplice usare metodi numerici.<br />
19
Un semplice modello dinamico:<br />
il riempimento di un serbatoio<br />
• il modello flussocostante rappresenta il<br />
riempimento di un serbatoio a flusso<br />
costante: ha la funzione di illustrare i<br />
principi dell’uso di un bilancio di massa e<br />
dell’uso di semplici equazioni differenziali<br />
• il modello flussovariabile introduce l’uso<br />
di convertitori per rendere il modello più<br />
aderente alla realtà<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Usa i modelli flussocostante e flussovariabile, esplorando le note e eseguendo<br />
gli esercizi. Entrambi i modelli sono derivati da Dunn, IJ, Heinzle, E, Ingham,<br />
I, Prenosil, JE 1992 Biological reaction engineering. VCH<br />
20
Principi <strong>della</strong> mo<strong>della</strong>zione dinamica<br />
1. Definisci il problema e gli obiettivi del modello:<br />
a. quali sono le domande cui il modello deve<br />
rispondere?<br />
b. qual è lo scopo <strong>della</strong> mo<strong>della</strong>zione?<br />
- predizione<br />
- ottimizzazione<br />
- controllo di processo<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Un modello dinamico può essere costruito mediante 10 passi, che vanno<br />
ripetuti in modo iterativo, come proposto da Hannon e Ruth. La prima fase è<br />
abbastanza ovvia ed è anche la più importante. La struttura del modello può<br />
variare notevolmente anche in funzione <strong>degli</strong> scopi <strong>della</strong> mo<strong>della</strong>zione<br />
21
Principi <strong>della</strong> mo<strong>della</strong>zione dinamica<br />
2. Seleziona le variabili di stato (serbatoi):<br />
• Quali sono le condizioni di non-negatività delle<br />
variabili di stato?<br />
• Quali sono le variabili conservate? Quali quelle non<br />
conservate?<br />
• Quante variabili di stato sono realmente necessarie?<br />
• Quali sono le unità di misura delle variabili di stato?<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Il numero delle variabili di stato influenza fortemente la complessità di un<br />
modello. Inizialmente è opportuno limitarle al minimo indispensabile.<br />
22
Principi <strong>della</strong> mo<strong>della</strong>zione dinamica<br />
3. Seleziona le variabili di controllo (flussi):<br />
• Qual è la direzione del flusso?<br />
• E’ necessario includere effetti ritardati nelle variabili<br />
di controllo o nelle variabili che le influenzano?<br />
• Esistono delle analogie che è possibile applicare?<br />
• Quali sono le unità di misura delle variabili di<br />
controllo?<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Il principio di analogia è applicato frequentemente nella mo<strong>della</strong>zione. Un<br />
esempio ovvio è l’equazione di Monod, che descrive l’effetto <strong>della</strong><br />
concentrazione di un substrato limitante sulla velocità specifica di crescita di<br />
un microrganismo: l’equazione è derivata per analogia dall’equazione di<br />
Michaelis e Menten, che si basa invece su principi chimici e fisici<br />
meccanicistici nel descrivere l’effetto <strong>della</strong> concentrazione di substrato sulla<br />
velocità iniziale di una reazione enzimatica. L’applicabilità dell’analogia è<br />
abbastanza ovvia in questo caso. D’altra parte la legge di azione di massa è<br />
applicata in moltissimi campi: dall’economia, all’ecologia, all’epidemiologia.<br />
Anche per le variabili di controllo è opportuno incrementare la complessità del<br />
modello gradualmente.<br />
23
Principi <strong>della</strong> mo<strong>della</strong>zione dinamica<br />
4. Seleziona i convertitori:<br />
• Quali variabili influenzano?<br />
• Quali sono costanti e quali sono funzioni di altre<br />
variabili?<br />
• E’ necessario introdurre <strong>degli</strong> effetti ritardati?<br />
• Quali sono le unità di misura dei convertitori?<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
24
Principi <strong>della</strong> mo<strong>della</strong>zione dinamica<br />
5. Usa l’analogia per formulare un modello basato<br />
su leggi fisiche, chimiche, biologiche, economiche:<br />
• controlla i bilanci di massa, energia, carica, etc.<br />
• verifica che le unità di misura delle variabili siano<br />
coerenti<br />
• verifica la possibilità che i calcoli portino a risultati<br />
irrealistici o ad errori (NAN, …)<br />
• costruisci il sistema di equazioni differenziali<br />
• individua i valori iniziali delle variabili di stato<br />
• documenta accuratamente il modello<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Sono necessarie tante equazioni quante sono le variabili di stato per poter<br />
risolvere il modello. Se si prevede anche di dover stimare i parametri del<br />
modello utilizzando dei dati reali è inoltre necessario avere un’equazione per<br />
ciascuna delle incognite del sistema.<br />
Il raggiungimento di condizioni irrealistiche (per esempio la biomassa<br />
microbica non può avere valori negativi…) o l’ottenimento di errori di calcolo<br />
(divisione per 0, radice quadrata di numeri negativi) può essere evitata<br />
utilizzando espressione condizionali (equazioni LIMIT in Madonna, iF…<br />
THEN … ELSE).<br />
La documentazione del modello, in tutti i suoi aspetti (assunzioni, unità di<br />
misura, variabili di stato, di controllo, convertitori, principi di base, condizioni<br />
inziali…) è molto importante per poter ricostruire i passaggi che hanno portato<br />
ad un determinato modello e permettere ad altri utenti di comprenderlo e<br />
modificarlo.<br />
25
Principi <strong>della</strong> mo<strong>della</strong>zione dinamica<br />
6. Scegli l’orizzonte spaziale e temporale del<br />
modello:<br />
• scegli l’intervallo di integrazione sulla base <strong>della</strong><br />
dinamica del sistema (quanto velocemente cambiano<br />
le variabili?)<br />
• scegli un metodo di integrazione<br />
• costruisci un grafico e tenta di prevedere<br />
l’andamento delle variabili prima di far girare il<br />
modello<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
In molti casi, soprattutto per sistemi in flusso, è importante costruire i bilanci<br />
(anche in termini di orizzonti temporali e spaziali) per zone (o regioni) che<br />
possono essere assunte come omogenee.<br />
Il metodo di integrazione può dipendere dalla complessità del modello, dalla<br />
precisione desiderata ma anche dai tipi di flussi utilizzati (RK2 e RK4 non<br />
danno incrementi di precisione per flussi descritti da elementi discreti). I<br />
metodi a passo di integrazione fisso possono dare errori clamorosi nella<br />
soluzione di alcuni problemi.<br />
26
Principi <strong>della</strong> mo<strong>della</strong>zione dinamica<br />
7. Fai girare il modello:<br />
• i risultati sono ragionevoli?<br />
• qualcuna delle domande iniziali è rimasta senza<br />
risposta?<br />
• cambiando l’intervallo di integrazione o il metodo<br />
d’integrazione cambia qualcosa?<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
L’esercizio di prevedere l’andamento delle variabili di stato prima di far girare<br />
effettivamente il modello è importante perché permette spesso di individuare<br />
errori nelle proprie assunzioni o condizioni irrealistiche generate dal modello.<br />
Non sempre è facile anticipare il comportamento di un modello. E’<br />
fondamentale metterlo alla prova in un gran numero di condizioni diverse per<br />
essere sicuri <strong>della</strong> sua robustezza.<br />
27
Principi <strong>della</strong> mo<strong>della</strong>zione dinamica<br />
8. Conduci un’analisi di sensitività sui parametri e<br />
sui valori iniziali del modello:<br />
• esistono valori che causano risultati irragionevoli?<br />
• quali sono i parametri o i valori iniziali che hanno<br />
un effetto maggiore?<br />
• è necessario cambiare qualcosa?<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Un’analisi di sensitività può essere condotta in molti modi diversi in Madonna.<br />
Per esempio con un Sensitivity run, o batch run o parameter plot.<br />
Nel primo caso viene prodotto il grafico <strong>della</strong> sensitività per le variabili che si<br />
stanno analizzando; in pratica il parametro (o i parametri) scelti vengono<br />
variati di una quantità molto piccola (vengono portati a p+0.001*p, dove p è il<br />
valore iniziale del parametro e viene mostrata la sensititità in funzione del<br />
tempo come (V1-V2)/0.001. Se si variano più parametri viene prodotto un<br />
nuovo run per ogni combianzione di parametri.<br />
Nel secondo caso viene condotto un run per ogni valore del parametro. Nel<br />
terzo caso è possibile plottare il valore iniziale, finale, medio etc. <strong>della</strong><br />
variabile che si vuole analizzare in funzione del parametro.<br />
28
Principi <strong>della</strong> mo<strong>della</strong>zione dinamica<br />
9. Confronta i risultati del modello con i risultati<br />
sperimentali:<br />
• le stime dei parametri sono corrette?<br />
• i risultati del modello sono in accordo con i risultati<br />
sperimentali?<br />
• è necessario cambiare qualcosa?<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
In Madonna è possibile usare l’opzione curve fit. Molte delle analisi statistiche<br />
andrebbero condotte dopo aver esportato i dati sperimentali e quelli calcolati in<br />
un software statistico per poter calcolare un’analisi dei residui e altre statistiche<br />
importanti. Potrebbe essere opportuno confrontare modelli diversi<br />
29
Principi <strong>della</strong> mo<strong>della</strong>zione dinamica<br />
10. Ripeti il processo dall’inizio:<br />
• è necessario rendere il modello più complesso?<br />
• è necessario cambiare i parametri?<br />
• è necessario cambiare la struttura del modello?<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Il processo è necessariamente iterativo e finisce per rappresentare la particolare<br />
“visione” del fenomeno del mo<strong>della</strong>tore. Lavorare in squadra può fornire<br />
risultati migliori, integrando diversi punti di vista.<br />
30
Confermare i modelli<br />
1. un modello può fornire risultati erronei:<br />
• perché è sbagliato<br />
• perché è insufficiente o troppo semplicistico<br />
• perché le condizioni reali in sistemi aperti sono poco<br />
prevedibili<br />
2. un modello può essere confermato:<br />
• usando solo una parte dei dati sperimentali per stimarne i<br />
parametri e il resto per verificare il modello<br />
• sviluppando il modello con un set di dati sperimentali e<br />
utilizzandone uno completamente nuovo per verificarlo<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Nessun modello è unico: il modello riflette sempre le idee e le percezioni di chi<br />
lo ha creato. E’ sempre opportuno confrontare il modello con altri modelli<br />
alternativi ed analizzare le differenze fra valori predetti e sperimentali per<br />
diversi parametri e a diversi tempi.<br />
31
La curva di crescita dei<br />
microrganismi<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Attenzione questa figura è tratta da Madigan et al. Microbiologia ed è coperta<br />
da copyright<br />
La curva di crescita dei microrganismi in una coltura batch è tipicamente<br />
rappresentata in un grafico semilogaritmico (vedi dopo) che mostra la<br />
variazione del logaritmo del numero di cellule vive o morte, <strong>della</strong> biomassa<br />
o di qualche sua componente in funzione del tempo di incubazione.<br />
In una coltura batch (cioè in una coltura in cui una popolazione microbica<br />
venga inoculata in un determinato substrato e lasciata crescere fino<br />
all’esaurimento <strong>della</strong> crescita senza ulteriori aggiunte o sottrazioni di<br />
substrato) i microrganismi attraversano diverse fasi:<br />
a. Fase lag o di adattamento. La velocità specifica di crescita misurata sulla<br />
base del numero di cellule è 0, anche se la biomassa può diminuire o<br />
aumentare lievemente. La cellula si adatta al nuovo ambiente medinate la<br />
sintesi di enzimi, l’aggiustamento del numero di ribosomi per unità di<br />
massa, etc.<br />
b. Fase di accellerazione: la velocità specifica di crescita aumenta fino a<br />
raggiungere il massimo<br />
c. Fase log o esponenziale; la velocità specifica di crescita è costante, la<br />
crescita è bilanciata, il numero di cellule, la biomassa e la velocità assoluta<br />
di crescita aumentano in modo esponenziale<br />
d. Fase di decelerazione: la velocità di crescita specifica diminuisce in seguito<br />
ad una varietà di fenomeni (esaurimento dei nutrienti, accumulo di sostanze<br />
di rifuito, creazione di un ambiente ostile, etc.)<br />
e. Fase stazionaria: la velocità specifica di crescita è 0, ma la cellula può<br />
subire adattamenti anche otevoli <strong>della</strong> sua composizione per prepararsi a<br />
resistere a condizioni prolungate di starvation o di stress<br />
32
La mo<strong>della</strong>zione <strong>della</strong> crescita<br />
microbica: modelli empirici primari<br />
L’equazione logistica modificata:<br />
4 N 1<br />
A<br />
ln<br />
2<br />
/ =<br />
3 N 0 & , 4 . µ<br />
)#<br />
0 max<br />
% 1+<br />
exp<br />
*<br />
.( 5 - ) + 2<br />
'"<br />
$ + A<br />
t<br />
(!<br />
L’equazione di Gompertz modificata:<br />
4<br />
ln<br />
2<br />
3<br />
N<br />
N<br />
0<br />
1 & , µ<br />
/ = A.<br />
exp%<br />
- exp<br />
*<br />
0 $ +<br />
. e<br />
A<br />
max<br />
( 5 - t)<br />
)#<br />
+ 1<br />
'"<br />
(!<br />
Zwietering MH, Jongenburger I, Rombouts FM, van’t Riet K (1990) Appl.<br />
Envinron. Microbiol. 56: 1875-1881<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
L’equazione logistica modificata e l’equazione di Gompertz modificata sono<br />
due funzioni che producono curve sigmoidali.<br />
A = asintoto, popolazione massima<br />
µmax= pendenza massima<br />
lag= intercetta con l’asse delle x <strong>della</strong> tangente al punto di flesso<br />
Entrambi i modelli sono riparametrizzati per mettere in evidenza dei parametri<br />
importanti per descrivere la crescita microbica e per eliminare alcune<br />
correlazioni fra i parametri originali dei modelli che ne renderebbero<br />
impossibile una stima indipendente. Per esempio in entrambi i modelli i valori<br />
<strong>della</strong> velocità specifica di crescita massima sono fortemente correlati con il<br />
valore iniziale <strong>della</strong> popolazione.<br />
I modelli sono qui espressi in forma esplicita, anche se possono essere espressi<br />
come equazioni differenziali. Nella forma differenziale il legame di<br />
dipendenza fra variabili di stato e parametri è molto più evidente.<br />
33
I problemi dei modelli empirici primari<br />
1. sono modelli non strutturati: la cellula microbica<br />
viene assunta come un’entità costante; in realtà la<br />
composizione e lo stato fisiologico <strong>della</strong> cellula<br />
cambiano durante la crescita;<br />
2. l’ambiente esterno viene assunto come costante e<br />
in genere si assume che i nutrienti non siano<br />
limitanti; in realtà:<br />
a. solo alcune condizioni esterne sono costanti;<br />
b. alcune condizioni esterne possono variare<br />
significativamente anche come risultato <strong>della</strong><br />
crescita<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
In linea di massima i modelli empirici primari funzionano piuttosto bene e<br />
sono stati molto utilizzati per descrivere la crescita di microrganismi in<br />
particolare negli alimenti, anche se si discostano notevolmente dalla realtà.<br />
Infatti se si analizzano il modello logistico e il modello di Gompertz si può<br />
osservare facilmente che µ non è costante, mentre la teoria prevede che lo sia<br />
almento per un breve intervallo. Inoltre il modello logistico produce una<br />
sigmoide assolutamente simmetrica, difficile da ritrovare in realtà.<br />
34
Un modello dinamico <strong>della</strong> crescita microbica<br />
1. la crescita microbica può essere descritta come un<br />
processo autocatalitico con una velocità specifica µ<br />
variabile. Il numero di cellule x (o la biomassa) cresce x 0<br />
e x max mentre t cresce da 0 a ∞.<br />
dx<br />
dt<br />
= µ( x)!<br />
x<br />
Baranyi J, Roberts TA, McClure P (1993) Food Microbiol. 10:43-59<br />
Baranyi J, Roberts TA (1994) Int. J. Food Microbiol. 23:277-294<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Si tratta di un modello non-autonomo: la variabile di stato dipende da se stessa<br />
mu di x è differenziabile in tutto l’intervallo e la sua derivata è negativa<br />
35
Un modello dinamico <strong>della</strong> crescita microbica<br />
(Baranyi et al. 1993, Baranyi & Roberts 1994)<br />
2. se le cellule vengono trasferite da un ambiente E 1 ad un<br />
ambiente E 2 esse cresceranno inizialmente ad una<br />
velocità inferiore a quella possibile in E 2 a causa <strong>della</strong><br />
necessità di adattarsi alla nuova condizione<br />
19/01/2007<br />
dx<br />
dt<br />
= "( t)<br />
! µ ( x)<br />
! x<br />
dove α(t) varia fra 0 e 1 e dipende da E 1 ed E 2 e dallo<br />
stato dell’inoculo e costituisce una funzione di<br />
aggiustamento fra i due ambienti. µ(x) dipende solo da<br />
E 2 .<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
36
Un modello dinamico <strong>della</strong> crescita microbica<br />
(Baranyi et al. 1993, Baranyi & Roberts 1994)<br />
3. assumiamo che l’adattamento dipenda da un composto<br />
essenziale, P, che questa dipendenza abbia una cinetica di<br />
Michaelis e Menten, e che P si accumuli con una cinetica<br />
di primo ordine con una costante di velocità specifica ν<br />
dipende da E 2<br />
P(<br />
t)<br />
( t)<br />
=<br />
K<br />
P<br />
+ P(<br />
t)<br />
dP<br />
! =" ! P<br />
dt<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
questa è l’espressione più generale perché ammette che l’ambiente E2 possa<br />
cambiare nel tempo; si ammette che Kp sia indipendente dall’ambiente. Nel<br />
lavoro del 1993 alfa di t viene stimato come t^n/(lambda^n+t^n) con n=4.<br />
Ovviamente quando P(t) è molto grande rispetto a Kp, alfa(t) è praticamente 1<br />
37
Un modello dinamico <strong>della</strong> crescita microbica<br />
(Baranyi et al. 1993, Baranyi & Roberts 1994)<br />
4. lo stato fisiologico <strong>della</strong> cellula può essere definito<br />
dalla quantità:<br />
con dei semplici<br />
P(<br />
t)<br />
q( t)<br />
= riarrangiamenti si può<br />
dimostrare che:<br />
K P<br />
!(<br />
t)<br />
=<br />
K<br />
P(<br />
t)<br />
=<br />
+ P(<br />
t)<br />
K<br />
K<br />
P<br />
P(<br />
t)<br />
K<br />
P<br />
P(<br />
t)<br />
+<br />
K<br />
P<br />
q(<br />
t)<br />
=<br />
1 q(<br />
t)<br />
P P +<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Questa è l’espressione più generale perché ammette che l’ambiente E2 possa<br />
cambiare nel tempo<br />
38
Un modello dinamico <strong>della</strong> crescita microbica<br />
(Baranyi et al. 1993, Baranyi & Roberts 1994)<br />
5. dato che<br />
q<br />
q(0)<br />
q(0)<br />
+ e<br />
! t<br />
( t)<br />
= q(0)"<br />
e allora: "(<br />
t ) =<br />
#!<br />
t<br />
se l’ambiente è costante, allora ν è costante ed è possibile<br />
definire:<br />
* 1 '<br />
ln(<br />
1 +<br />
q(0)<br />
%<br />
) &<br />
!<br />
$ ln<br />
!<br />
("<br />
)<br />
h<br />
!<br />
0 0<br />
# =<br />
= =<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
La prima espressione deriva dall’integrazione di dP/dt=ni*P; q(t) tende<br />
all’infinito ma questo è irrilevante; volendo lo si può limitare in funzione di<br />
qualche fattore esterno; quello che conta è che q 0 esprime lo stato <strong>della</strong> cellula<br />
all’inizio dell’incubazione (se è basso il lag sarà lungo) e νι la velocità <strong>della</strong><br />
transizione dalla fase lag all’esponenziale.<br />
39
Un modello dinamico <strong>della</strong> crescita microbica<br />
(Baranyi et al. 1993, Baranyi & Roberts 1994)<br />
6. µ(x) può assumere diverse forme:<br />
a. curve di Richards<br />
(m=1 logistica)<br />
µ<br />
( x)<br />
& ,<br />
= µ $ -<br />
*<br />
$<br />
1 max<br />
% +<br />
x<br />
x<br />
max<br />
)<br />
'<br />
(<br />
m<br />
#<br />
!<br />
!"<br />
b. equazione di<br />
Monod<br />
µ<br />
( x)<br />
= µ max<br />
K<br />
S<br />
S +<br />
S<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
40
Un modello dinamico <strong>della</strong> crescita microbica<br />
(Baranyi et al. 1993, Baranyi & Roberts 1994)<br />
7. assumendo un ambiente costante e µ(x) definito da<br />
una curva di Richards il modello può essere integrato<br />
per stimare y=ln(x):<br />
m(<br />
µ max ( A(<br />
t)<br />
1 & e ' 1#<br />
y( t)<br />
= y0 + µ<br />
max<br />
A(<br />
t)<br />
' ln$<br />
1+<br />
m(<br />
ymax<br />
' y0<br />
) !<br />
m % e "<br />
con:<br />
A(<br />
t)<br />
= t<br />
'(t<br />
1 & e + q<br />
+ ln<br />
$<br />
( % 1+<br />
q0<br />
0<br />
#<br />
!<br />
"<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
Nel lavoro del 1994 q0 viene stimato a 0.0425; ni dovrebbe essere dello stesso<br />
ordine di mumax.<br />
41
Come fare per costruire ed usare un modello?<br />
I software più diffusi per la mo<strong>della</strong>zione dinamica:<br />
(Stella, Berkeley’s Madonna) consentono di:<br />
• costruire il modello sotto forma di icone o<br />
direttamente sotto forma di sistema di equazioni<br />
differenziali<br />
• integrare le equazioni e produrre grafici e tabelle<br />
• eseguire analisi di sensitività o valutare l’effetto dei<br />
singoli parametri<br />
• stimare i parametri del modello usando dati<br />
sperimentali<br />
• e molto altro ancora …<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
42
Some rights reserved<br />
Questa presentazione è stata creata da Eugenio<br />
Parente, 2006. Il materiale è coperto da licenza Creative<br />
Commons Public License “Attribuzione - Non<br />
commerciale - Condividi allo stesso modo”<br />
(http://creativecommons.org/licenses/by-ncsa/2.5/deed.it).<br />
19/01/2007<br />
<strong>Università</strong> <strong>della</strong> <strong>Basilicata</strong><br />
Dipartimento di Biologia – Laboratorio di Microbiologia industriale<br />
43