Estimation of Microbial Growth Parameters by Means of Artificial Neural Networks

Abstract

An alternative method based on artificial neural networks (ANN) for the estimation of kinetic growth parameters of a microorganism is performed by applying an automatic regression on different sections of the growth curve so as to obtain more precise growth rate and lag-time values. Through the combination of genetic algorithms and pruning methods more simple neural networks are obtained, where the goodness of fitness is a combination of an error function with another function associated with the network's complexity. An interesting application of this method was the estimation of kinetic parameters in microbial growth (growth rate and lag-time) and specifically in our case, the analysis of the effect of NaCl concentration, pH level and storage temperature on the growth curves of Lactobacillus plantarum. In this study it was hoped that the architecture of the obtained model would be very simple, but still keep its adequate capacity of generalization. The comparison performed between the average standard error of predictions (SEP) obtained for the estimation of growth rate and lag-time by the automatic regression (20 and 24%, respectively) and by the Gompertz estimation (22 and 28%) showed the utility of this method.

Se ha desarrollado un método alternativo para la estimación de los parámetros cinéticos de crecimiento de un microorganismo basado en redes neuronales artificiales (ANN). El método se basó en la aplicación de regresión automática sobre diferentes secciones de la curva de crecimiento para obtener valores más precisos de la tasa de crecimiento y del tiempo de adaptación. Con la combinación de algoritmos genéticos y métodos de poda se obtuvieron redes más sencillas, donde la bondad del ajuste es una combinación de una función de error con otra función asociada con la complejidad de la red. Una aplicación interesante de este método fue la estimación de los parámetros cinéticos de crecimiento (tasa de crecimiento y tiempo de adaptación) de Lactobacillus plantarum, en función de la concentración de NaCl, pH y temperatura de almacenamiento. En este estudio se intentó conseguir que la arquitectura del modelo obtenido fuera muy sencilla, pero que mantuviera una adecuada capacidad de generalización. La comparación realizada de las medias de los errores estándares de predicción (SEP) obtenidos para la estimación de la tasa de crecimiento y tiempo de adaptación por medio de la regresión automática de ventanas (20 y 24%, respectivamente) y la ecuación de Gompertz (22 y 28%, respectivamente) muestran la utilidad de este método.