Pemodelan prediktif adalah bidang mikrobiologi yang menjanjikan.

Model
digunakan untuk menggambarkan perilaku mikroorganisme di bawah kondisi fisik atau
kimia yang berbeda seperti suhu, pH, dan aktivitas air. Model-model ini memungkinkan
prediksi keamanan mikroba atau umur simpan produk, deteksi bagian-bagian penting
dari proses produksi dan distribusi, dan optimalisasi rantai produksi dan distribusi.
Untuk membangun model-model ini, pertumbuhan harus diukur dan dimodelkan.
Pertumbuhan bakteri sering menunjukkan fase di mana laju pertumbuhan spesifik
dimulai pada nilai nol dan kemudian berakselerasi ke nilai maksimal (um) dalam periode
waktu tertentu, menghasilkan jeda waktu (A).
Selain itu, kurva pertumbuhan mengandung fase akhir di mana laju menurun dan
akhirnya mencapai nol, sehingga tercapai asimtot (A). Ketika kurva pertumbuhan
didefinisikan sebagai logaritma dari jumlah organisme yang diplot terhadap waktu,
perubahan laju pertumbuhan ini menghasilkan kurva sigmoid (Gambar 1), dengan fase
lag tepat setelah t = 0 diikuti oleh fase eksponensial dan kemudian oleh fase diam. Kurva
pertumbuhan ditemukan dalam berbagai disiplin ilmu, seperti penelitian perikanan, ilmu
tanaman, dan biologi. Sebagian besar materi hidup tumbuh dengan fase lag,
pertumbuhan, dan fase asimptotik yang berurutan; contoh jumlah yang mengikuti kurva
pertumbuhan tersebut adalah panjang atau massa manusia, kentang, atau ikan dan
luasnya populasi ikan atau mikroorganisme.
Selain itu, kurva sigmoidal ini digunakan dalam ilmu kedokteran untuk
hubungan dosis-kematian. Untuk menggambarkan kurva seperti itu dan untuk
mengurangi data yang diukur ke sejumlah parameter menarik, peneliti perlu model yang
memadai. Sejumlah model pertumbuhan ditemukan dalam literatur, seperti model
Gompertz (7), Richards (14), Stannard et al. (17), Schnute (16), dan model logistik dan
lain-lain (15). Model-model ini hanya menggambarkan jumlah organisme dan tidak
termasuk konsumsi substrat sebagai model yang didasarkan pada persamaan Monod.
Level substrat tidak menarik dalam aplikasi kita, karena kami mengasumsikan bahwa
ada cukup substrat untuk mencapai jumlah organisme yang tidak dapat ditoleransi.
Selain periode jeda dan nilai asimptotik, parameter lain yang berharga dari kurva
pertumbuhan adalah laju pertumbuhan spesifik maksimum (Um). Karena logaritma
angka digunakan, Um diberikan oleh kemiringan garis ketika organisme tumbuh secara
eksponensial. Biasanya parameter ini diestimasi dengan memutuskan secara subyektif
bagian mana dari kurva yang kira-kira linier dan kemudian menentukan kemiringan
bagian kurva ini, akhirnya dengan regresi linier (Tabel 1).
Metode yang lebih baik adalah menggambarkan seluruh rangkaian data dengan
model pertumbuhan dan kemudian memperkirakan μ, λ, dan A dari model. Beberapa
penulis memang menggunakan model pertumbuhan untuk menggambarkan data mereka
(Tabel 1). Model-model ini menggambarkan jumlah organisme (N) atau logaritma
jumlah organisme [log (N)] sebagai fungsi waktu. Motivasi untuk keputusan untuk
menggunakan model yang diberikan biasanya tidak dinyatakan. Hanya Gibson et al. (5)
menemukan hasil yang lebih baik dengan prosedur pemasangan dengan model
Gompertz ketika mereka membandingkan model itu dengan model logistik. Sejumlah
besar model seperti yang diberikan pada Tabel 1 digunakan, semuanya lebih atau kurang
rumit dan dengan jumlah parameter yang berbeda. Dapat diharapkan bahwa ada
perbedaan dalam hasil model untuk aplikasi kita. Selain itu, model tidak ditulis dalam
hal tingkat pertumbuhan, waktu jeda, dan nilai asimptotik, yang membuat interpretasi
dari nilai parameter menjadi sulit.
Tujuan dari pekerjaan ini adalah untuk mengevaluasi persamaan dan perbedaan antara
model dan untuk menangani pertanyaan model mana yang dapat digunakan, berdasarkan
penalaran statistik. Model ditulis ulang sedemikian rupa sehingga mengandung
parameter yang relevan secara mikrobiologis.

Deskripsi kurva pertumbuhan bakteri. Karena bakteri tumbuh secara eksponensial,

seringkali berguna untuk merencanakan logaritma ukuran populasi relatif [y = ln
(NIN0)] terhadap waktu (Gambar 1). Tiga fase kurva pertumbuhan dapat dijelaskan oleh
tiga parameter: laju pertumbuhan spesifik maksimum, PUm 'didefinisikan sebagai garis
singgung dalam titik belok; waktu jeda, X, didefinisikan sebagai sumbu x memotong
garis singgung ini; dan asymptote [A = ln (NJNO)] adalah nilai maksimal yang dicapai.
Kurva mungkin menunjukkan penurunan. Perilaku semacam ini disebut fase kematian
dan tidak dipertimbangkan dalam tulisan ini. Reparameterisasi model pertumbuhan.
Sebagian besar persamaan yang menggambarkan kurva pertumbuhan sigmoidal
mengandung parameter matematika (a, b, c, ...) daripada parameter dengan makna
biologis (A, PUm, dan X). Sulit untuk memperkirakan nilai awal untuk parameter jika
mereka tidak memiliki makna biologis. Selain itu, sulit untuk menghitung Interval
kepercayaan 95% untuk parameter biologis jika tidak diestimasi secara langsung dalam
persamaan tetapi harus dihitung dari parameter matematika. Oleh karena itu, semua
model pertumbuhan ditulis ulang untuk menggantikan parameter matematika dengan A,
ILm, dan X. Hal ini dilakukan dengan menurunkan ekspresi parameter biologis sebagai
fungsi dari parameter fungsi dasar dan kemudian menggantikannya dalam formula.
Sebagai contoh, kami tunjukkan di sini modifikasi dari persamaan Gompertz, yang
ditulis sebagai:

Untuk mendapatkan titik belok kurva, turunan kedua dari fungsi sehubungan dengan t
dihitung:

Pemasangan data.
Persamaan nonlinear dipasang untuk pertumbuhan data dengan regresi nonlinear dengan
algoritma Marquardt (11, 13). Ini adalah metode pencarian untuk meminimalkan jumlah
kuadrat dari perbedaan antara nilai yang diprediksi dan yang diukur. Program ini secara
otomatis menghitung nilai awal dengan mencari pendakian paling curam dari kurva
antara empat titik datum (estimasi Um), dengan memotong garis ini dengan sumbu x
(estimasi X), dan dengan mengambil titik datum akhir sebagai estimasi untuk asymptote
(A). Algoritme kemudian menghitung set parameter dengan jumlah sisa kuadrat (RSS)
terendah dan interval kepercayaan 95%. Perbandingan model. Salah satu cara untuk
membedakan antara model adalah membandingkannya secara statistik. Dalam hal ini,
RSS saja tidak memberikan informasi yang cukup karena model yang berbeda dapat
memiliki jumlah parameter yang berbeda. Model dengan jumlah parameter yang lebih
besar biasanya memberikan RSS yang lebih rendah. Metode yang lebih baik adalah
menentukan apakah perlu menggunakan lebih banyak parameter untuk menurunkan
RSS. Oleh karena itu, data yang diperoleh dengan menggunakan berbagai model
dibandingkan secara statistik dengan menggunakan uji t dan uji rasio F. uji t. Pertama,
data dipasang oleh model Schnute dan parameter a dan b dievaluasi. Model Schnute
adalah model yang komprehensif; itu mencakup semua model sederhana lainnya. Ini
ditunjukkan pada Tabel 3, di mana nilai-nilai