ANÁLISIS DE BALANCE DE FLUJO DINÁMICO DE LA PRODUCCIÓN DE ...ºdez.2016.pdf · Q.F. M.Sc. Ph.D....
Transcript of ANÁLISIS DE BALANCE DE FLUJO DINÁMICO DE LA PRODUCCIÓN DE ...ºdez.2016.pdf · Q.F. M.Sc. Ph.D....
ANÁLISIS DE BALANCE DE FLUJO
DINÁMICO DE LA PRODUCCIÓN DE
1,3-PROPANODIOL A PARTIR DE
Clostridium sp
Luis Miguel Serrano Bermúdez, Ing. Qco, M.Sc.
Universidad Nacional de Colombia
Facultad de Ciencias, Doctorado en Biotecnología
Bogotá, Colombia
2016
ANÁLISIS DE BALANCE DE FLUJO
DINÁMICO DE LA PRODUCCIÓN DE
1,3-PROPANODIOL A PARTIR DE
Clostridium sp
Luis Miguel Serrano Bermúdez, Ing. Qco, M.Sc.
Tesis de investigación presentada como requisito parcial para optar al título de:
Doctor en Biotecnología
Directora:
Q.F. M.Sc. Ph.D. Dolly Montoya Castaño
Codirector:
I.Q. M.Sc. Ph.D. Andrés Fernando González Barrios
Línea de Investigación:
Microorganismos solventogénicos
Grupo de Investigación:
Bioprocesos y Bioprospeccion
Universidad Nacional de Colombia
Facultad de Ciencias, Doctorado en Biotecnología
Bogotá, Colombia
2016
A mis papás,
quienes con su ejemplo me enseñaron que la
constancia y dedicación permiten alcanzar
cualquier meta.
Gracias
Agradecimientos
A mis papás Miguel Serrano y Olivella Bermúdez por su apoyo incondicional, ya que sin ellos
nada de esto hubiera sido posible.
A mis seres queridos que han estado siempre ahí para ofrecer su apoyo, en especial mis hermanos
Paula y Oscar, mi abuela Nancy, mi tío Fernando, mi prima Sandra, y en especial a Karen. Los
quiero a todos.
A los profesores Dolly Montoya Castaño de la Universidad Nacional y Andrés González Barrios
de la Universidad de los Andes por la acertada dirección durante el desarrollo de este proyecto.
A la Universidad Nacional de Colombia, al Instituto de Biotecnología y al doctorado
interfacultades de Biotecnología en cabeza de la profesora Sonia Ospina, por mi formación como
Doctor en Biotecnología. También a Raquel Noguera por su ayuda durante el doctorado.
A los profesores Carlos Martínez y Rigoberto Ríos por sus valiosos aportes y sugerencias durante
los comités tutoriales.
A los integrantes de los grupos de investigación de Microorganismos Solventogénicos de la
Universidad Nacional y Diseño de Productos y Procesos de la Universidad de los Andes por sus
constantes aportes y acertadas observaciones, en especial Mauricio Bernal, Oscar Aragón, Juan
Pablo Rosas, Natalia Comba y el profesor Gustavo Buitrago de Microorganismos Solventogénicos,
y Carolina Clavijo, Camilo Mora y Sergio Triana de Diseño de Productos y Procesos.
Al Dr. Costas Maranas y a Pennsylvania State University de Estados Unidos por permitirme
realizar mi pasantía en el grupo de investigación Chemical & Biological Systems Optimization
Lab. Así mismo, a Anupam Chowdhury, Chiam Yu Ng, Ratul Chowdhury, Satyakam Dash y Jing
Yi Cai, quienes hicieron de la pasantía una experiencia enriquecedora.
Al grupo de Microbiología Agrícola en cabeza el profesor Daniel Uribe por abrirme las puertas al
Doctorado. De igual forma a Catalina Camelo, Mónica López y Luis Fernando Gómez.
A mis amigos y colegas que de alguna u otra forma contribuyeron en este proceso, en especial a
Daniel Mauricio Ramírez, Natalia Vargas, Rubén Darío Godoy, Ana Isabel Ramos, Camilo
Monroy y Dionisio Malagón.
A Colciencias por su financiación mediante apoyo a estudiantes de doctorado nacionales.
Resumen y Abstract
IX
Resumen
El incremento en el glicerol obtenido como coproducto del biodiesel ha incentivado la producción
de nuevos productos industriales como el 1,3-propanodiol (PDO) mediante transformación
biotecnológica usando bacterias como Clostridium butyricum. Ahora bien, a pesar del creciente
interés de este proceso de bioproducción, el metabolismo de Clostridium butyricum prácticamente
no ha sido modelado. Por lo tanto, fue reconstruido el primer modelo metabólico de escala
genómica (modelo GSM) de una cepa de Clostridium productora de PDO (iCbu641), el cual
contiene 641 genes, 365 enzimas, 891 reacciones y 701 metabolitos. Fue lograda una predicción en
la expresión de enzimas del 83% después de comparación entre datos de proteomica y distribución
de fluxes predichos mediante Análisis de Balance de Flujo (FBA). Las restantes enzimas no
predichas están direccionalmente acopladas al crecimiento de acuerdo a la Búsqueda de Fluxes
Enlazados (FCF) y muchas de ellas están involucradas en procesos que el FBA no puede anticipar,
tales como mecanismos de regulación celular. En adición, durante la validación usando datos de
fermentación en estado estacionario, diferentes estados fenotípicos fueron observados dependiendo
de la concentración de glicerol, los cuales fueron predichos mediante diferentes funciones
objetivo. Posteriormente, fue desarrollada una aproximación dinámica que fue validada
experimentalmente mediante cultivos de la cepa nativa Clostridium sp. IBUN 158B. Además fue
realizado análisis de sensibilidad detectando que la restricción cinética de consumo de glicerol fue
el principal parámetro que afectó la predicción de PDO producido. Los restantes parámetros
evaluados en el análisis de sensibilidad fueron empleados en el desarrollo de un modelo segregado,
el cual permitió predecir comportamientos poblacionales. Por otra parte, perturbaciones en el
modelo GSM fueron realizadas mediante deleciones de enzimas, sin embargo ninguna mutante
evaluada tuvo incrementos significativos en la producción de PDO, lo cual es debido a que el PDO
es un metabolito primario y su producción también es optimizada por el FBA. Seguidamente,
simulaciones dinámicas adicionales fueron realizadas con el objetivo de predecir cultivos por lote
alimentado, permitiendo mejorar la producción de PDO de 23.5 hasta 66g/L. Finalmente, gracias a
que los valores predichos estuvieron de acuerdo con valores experimentales, es posible sugerir que
el modelo reconstruido puede ser empleado para proponer nuevos escenarios y por tanto reducir
tiempo y costos asociados a la experimentación.
Palabras clave: Clostridium butyricum, 1,3-propanodiol, Modelo metabólico de escala genómica,
función objetivo, modelo segregado, mutantes por knockout.
X Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Título de la tesis o trabajo de investigación
Abstract
The increase of glycerol obtained as a byproduct of biodiesel has encouraged the production of
new industrial products such as 1,3-propanediol (PDO) using biotechnological transformation via
bacteria like Clostridium butyricum. Despite this increasing role as bio-production platforms,
Clostridium butyricum metabolism remains poorly modeled. Herein, it was reconstructed the first
genome-scale metabolic (GSM) model of a PDO producer Clostridium strain (iCbu641), which
contains 641 genes, 365 enzymes, 891 reactions and 701 metabolites. It was found an enzyme
expression prediction near to 83% after comparison between proteomic data and flux distribution
estimated using Flux Balance Analysis (FBA). The remaining unpredicted enzymes are
directionally coupled to growth according to Flux Coupling Finding (FCF) and many of them are
involved in processes that FBA cannot anticipate as cellular regulatory mechanisms. Additionally,
in the validation using steady state fermentation data, different phenotypes states were observed
depending glycerol concentration, which were predicted using different objective functions. Also,
a dynamic approach was developed and validated experimentally through cultures of the native
strain Clostridium sp IBUN 158B. Furthermore, sensitivity analyses were made detecting the
kinetic constraint of glycerol uptake as the main parameter affecting the PDO prediction. The
remaining parameters considered in the sensitivity analysis were employed to develop a segregate
model, which allowed predicting population behavior. Moreover, perturbations in GSM through
enzyme deletions were evaluated, however no significant increase in PDO production was
predicted, which is due PDO is a primary metabolite and its production is optimized by FBA.
Additional dynamic simulations were made in order to predict fedbatch cultures, allowing to
enhance the PDO produced from 23.5 up to 66g/L. Finally, the agreement between predicted and
experimental values allows to propose new scenarios using the model reconstructed and therefore
reducing time and costs associated to experimentation.
Keywords: Clostridium butyricum, 1,3-propanediol, Genome-scale metabolic model, objective
function, segregated model, mutants by knockout.
Contenido
XI
Contenido
Pág.
Resumen ........................................................................................................................... IX
Abstract ............................................................................................................................. X
Lista de figuras ............................................................................................................... XIII
Lista de tablas ................................................................................................................. XV
Lista de Símbolos y abreviaturas ................................................................................... XVII
Introducción ...................................................................................................................... 1
1. Capítulo 1: Estado del arte. ..................................................................................... 3 1.1 Producción de biodiesel y glicerol ........................................................................ 3 1.2 Obtención de 1,3-propanodiol .............................................................................. 4
1.2.1 Obtención de 1,3-propanodiol a partir de Clostridium spp............................. 5 1.2.2 Cultivos en condiciones controladas de Clostridium spp en glicerol ............... 8 1.2.2.1 Cultivo por lotes ...................................................................................... 8 1.2.2.2 Cultivo por lote alimentado ..................................................................... 10 1.2.2.3 Otras estrategias de cultivo ..................................................................... 12 1.2.2.4 Mutación e ingeniería genética ................................................................ 12 1.2.3 Predicción de la producción de 1,3-propanodiol mediante Modelos cinéticos. 13
1.3 Modelos metabólicos de escala genómica ............................................................ 15 1.4 Análisis de balance de flujo ............................................................................... 16 1.5 Análisis de balances de flujo dinámico ................................................................ 18 1.6 Perturbaciones en análisis de balances de flujo dinámico ....................................... 21 1.7 Avances del grupo investigación en Microorganismos Solventogénicos del IBUN ... 22 1.8 Planteamiento del problema ............................................................................... 22 1.9 Objetivos......................................................................................................... 23
1.9.1 Objetivo general. ................................................................................... 23 1.9.2 Objetivos específicos. ............................................................................ 23
2. Capítulo 2: Metodología ......................................................................................... 25 2.1 Ajuste del modelo en estado estacionario ............................................................ 25
2.1.1 Reconstrucción y curación del modelo GSM ............................................. 25 2.1.2 Ajuste de modelos cinéticos empleados como restricciones. ........................ 27 2.1.3 Predicción del crecimiento con FBA ........................................................ 28 2.1.4 Modelado de escenarios con incremento en el rendimiento de PDO ............. 30 2.1.4.1 Predicción de estados fenotípicos de mutantes por knockout........................ 30
XII Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
2.1.4.2 Perturbación en la composición de la biomasa ...........................................32 2.1.4.3 Predicción de estados fenotípicos empleando co-fermentación .....................32
2.2 Desarrollo del modelo en estado dinámico ...........................................................32 2.3 Validación experimental del modelo dinámico desarrollado ...................................35
2.3.1 Mantenimiento de la cepa y medio de cultivo empleado ..............................35 2.3.2 Fermentación en condiciones controladas. .................................................35 2.3.3 Cuantificación de biomasa, sustrato y productos. ........................................37
2.4 Determinación de algunos parámetros de significancia ..........................................37 2.4.1 Desarrollo del análisis de sensibilidad global .............................................37 2.4.2 Desarrollo de aproximación segregada del modelo dinámico .......................40 2.4.3 Predicción dinámica de la producción de PDO para mutantes por knockout ...40 2.4.4 Perturbación en condiciones de cultivo .....................................................41
3. Capítulo 3: Resultados ...........................................................................................45 3.1 Desarrollo modelo en estado estacionario ............................................................45
3.1.1 Reconstrucción y curación del modelo GSM .............................................45 3.1.2 Modelos cinéticos ajustados ....................................................................46 3.1.3 Predicción de la distribución de fluxes usando glicerol como sustrato ...........48 3.1.4 Predicción de estados fenotípicos empleando otros sustratos ........................50 3.1.5 Modelado de escenarios con incremento del rendimiento de PDO ................52
3.2 Desarrollo y validación de modelo en estado dinámico ..........................................55 3.3 Determinación algunos parámetros de significancia ..............................................62
3.3.1 Análisis de sensibilidad global .................................................................62 3.3.2 Desarrollo de aproximación segregada de modelo dinámico ........................65 3.3.3 Predicción en dinámico de GSM a través de deleción de enzimas .................69 3.3.4 Perturbación en las condiciones de cultivo .................................................71
4. Capítulo 4: Discusión .............................................................................................75 4.1 Reconstrucción y curación del modelo GSM. .......................................................75 4.2 Predicciones de estados fenotípicos en estado estacionario .....................................77
4.2.1 Predicción del crecimiento en glicerol .......................................................77 4.2.2 Predicción de la expresión de enzimas ......................................................79 4.2.3 Predicción del crecimiento en otros sustratos .............................................82
4.3 Predicciones de estados fenotípicos en estado transiente. .......................................83 4.4 Perturbaciones en el modelo GSM ......................................................................85
4.4.1 Análisis de sensibilidad y desarrollo del modelo segregado .........................85 4.4.2 Predicción de mutantes por knockout ........................................................88 4.4.3 Modificaciones en el medio y modo de cultivo ...........................................90
5. Capítulo 5: Conclusiones y recomendaciones .....................................................93 5.1 Conclusiones ....................................................................................................93 5.2 Recomendaciones .............................................................................................94
A. Anexo: Concentraciones de metabolitos extracelulares de fermentaciones realizadas ....95
B. Anexo: Frecuencias acumuladas de análisis de sensibilidad global MPSA ....................97
Bibliografía .................................................................................................................... 109
Contenido
XIII
Lista de figuras
Pág.
Figura 1.1. Transesterificación de triglicérido [1] ................................................................... 3
Figura 1.2. Rutas de síntesis química de 1,3-propanodiol (A) hidroformilación del óxido de
etileno, (B) hidratación de acroleína [6]. ................................................................................ 5
Figura 1.3 Ruta metabólica de la fermentación de glicerol. ...................................................... 7
Figura 1.4. Diagrama de barras y bigotes de (A) Producción (P) de PDO y (B) Productividad
(QPDO) de PDO según diferentes estrategias de cultivo. .......................................................... 11
Figura 1.5 Resumen de los principales pasos a seguir en la solución del FBA [31]. .................. 16
Figura 2.1. Diagrama de flujo de ingeniería reversa para la reconstrucción del modelo GSM [128]
....................................................................................................................................... 26
Figura 2.2. Montaje cultivo Clostridium sp IBUN 158B en reactor BIOSTAT A. .................... 36
Figura 3.1 Distribución de reacciones citosólicas del modelo GSM reconstruido de acuerdo a ruta
funcional. ......................................................................................................................... 46
Figura 3.2 Ajuste modelo cinético de tipo alostérico de máximo flux de secreción de ácido acético
en función del flux de consumo de glicerol. .......................................................................... 47
Figura 3.3 Ajuste cinética de flux de consumo de glicerol en función de glicerol extracelular. ... 47
Figura 3.4. Análisis de robustez en función del flux de consumo de glicerol. ........................... 49
Figura 3.5. Comparación fluxes predichos y proteoma experimental....................................... 50
Figura 3.6. Coeficientes de correlación de Pearson de rendimientos de biomasa y PDO en función
de precursores de biomasa. ................................................................................................. 54
Figura 3.7. Rendimientos de PDO usando glucosa y glicerol como sustratos. .......................... 55
Figura 3.8. Comparación glicerol y PDO extracelulares predichos con DFBA por aproximación
DA empleando diferentes polinomios ortogonales y tamaño de paso 0.20h. ............................. 56
Figura 3.9. Comparación PDO extracelular predichos con DFBA por aproximación DA
empleando diferentes tamaños de paso y polinomio ortogonal de Legendre. ............................. 56
Figura 3.10. Perfiles de consumo de glicerol y producción de PDO predichos por DFBA
empleando aproximaciones SOA, DOA y DA. ..................................................................... 57
Figura 3.11. Tiempo empleado en desarrollo de DFBA por aproximaciones SOA, DOA y DA. . 57
Figura 3.12 Comparación perfiles biomasa, glicerol, PDO, ácido acético, ácido butírico y ácido
láctico experimentales (puntos) y predichos con DFBA por aproximación DA (líneas) de
Clostridium sp IBUN 158B cultivado en glicerol con concentración inicial ~38g/L. .................. 58
Figura 3.13 Comparación perfiles biomasa, glicerol, PDO, ácido acético, ácido butírico y ácido
láctico experimentales (puntos) y predichos con DFBA por aproximación DA (líneas) de
Clostridium sp IBUN 158B cultivado en glicerol con concentración inicial ~48g/L. .................. 59
XIV Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Figura 3.14. Comparación perfiles biomasa, glicerol, PDO, ácido acético, ácido butírico y ácido
láctico experimentales (puntos) y predichos con DFBA por aproximación DA (líneas) de
Clostridium sp IBUN 158B cultivado en glicerol con concentración inicial ~12g/L. .................. 60
Figura 3.15. Comparación perfiles biomasa, glicerol, PDO, ácido acético, ácido butírico y ácido
láctico experimentales (puntos) y predichos con DFBA por aproximación DA (líneas) de
Clostridium sp IBUN 158B cultivado en glicerol con concentración inicial ~13g/L. .................. 61
Figura 3.16. Comparación flux predicho con DFBA por aproximación DA y nivel de expresión de
enzima en proteoma de C. butyricum DSM 10702 [26] de las 107 enzimas predichas. ............... 62
Figura 3.17. Comparación perfil PDO experimental y 2280 predichos aleatoriamente usando
método de Monte Carlo en DFBA por aproximación DA. ....................................................... 63
Figura 3.18 Resultados de análisis de sensibilidad globales del modelo dinámico desarrollado. .. 64
Figura 3.19. Perfiles de Coeficientes Pearson de análisis de sensibilidad global PRCC de los 4
parámetros de entrada de mayor significancia en la formación de PDO. ................................... 65
Figura 3.20. Comparación perfil PDO experimental y predichos aleatoriamente usando método de
Monte Carlo en DFBA por aproximación DA. ...................................................................... 66
Figura 3.21. Perfiles desviaciones estándar relativas de formación de PDO predicho considerando
sólo variación de: precursores (negro), macromoléculas (rojo), cinética muerte celular (amarillo),
cinética ácido acético (verde), todos los anteriores de manera simultánea (azul). ....................... 67
Figura 3.22. Efecto de la desviación estándar relativa de la composición de precursores y
macromoléculas en modelo segregado. ................................................................................. 67
Figura 3.23. Comparación perfiles PDO experimental y predichos aleatoriamente por modelo
segregado usando método de Monte Carlo en DFBA por aproximación DA ............................. 68
Figura 3.24. Comparación perfil PDO experimental y predichos para 41 mutantes por knockout
simple de enzimas usando aproximación D-ROOM. .............................................................. 69
Figura 3.25. Predicción de valores máximos de PDO y Productividad QPDO normalizados de 435
mutantes por knockout doble de enzimas evaluadas empleando aproximación D-ROOM. ........... 70
Figura 3.26. Superficies de respuesta de rendimiento (YPDO/S) y productividad (QPDO) de PDO de
acuerdo a las concentraciones iniciales de biomasa (X0) y glicerol (S0) predichos mediante DFBA
por aproximación DA......................................................................................................... 71
Figura 3.27. Predicciones de lote alimentado con flujo alimentación contante. ......................... 72
Figura 3.28. Predicciones de lote alimentado con flujo alimentación enlazado al control de pH .. 73
Figura 3.29. Comparación de perfiles predichos de cultivos por lote y lote alimentado. ............. 74
Figura 4.1. Comparación de fluxes predichos de formación de PDO (verde), ácidos acético (azul)
y butírico (rojo) en función de glicerol extracelular. ............................................................... 85
Figura 4.2. Comparación valores PDO experimentales y predichos por modelo estructurado-
segregado. ........................................................................................................................ 87
Figura 4.3. Superficie de respuesta máximo valor predicho por FBA de YPDO/S en función de flux
de consumo glicerol y rendimiento YX/S................................................................................ 89
Figura 4.4. Comparación de valores predichos mediante DFBA y diferentes cepas de Clostridium.
....................................................................................................................................... 91
Contenido
XV
Lista de tablas
Pág.
Tabla 1.1. Producción mundial de aceite vegetal y porcentaje empleado de este en el proceso de
transesterificación y sus productos formados (biodiesel y glicerol) entre 2005 y 2012, datos en
millones de toneladas [2, 64] ................................................................................................ 3
Tabla 1.2. Producción de glicerol según fuentes entre 1992 y 2010 a nivel mundial, cifras en miles
de toneladas de glicerol [1] .................................................................................................. 4
Tabla 1.3 Rendimientos teóricos máximos de biomasa y productos1 de C. butyricum a diferentes
condiciones asumiendo YX/ATP = 8.5 g/mol [21] ...................................................................... 6
Tabla 1.4 Resumen producción PDO, rendimiento YPDO/S y productividad QPDO de cultivos por
lotes reportados en la literatura según cepa, concentración inicial glicerol (So) y tipo de glicerol ... 8
Tabla 1.5 Resumen producción PDO, rendimiento YPDO/S y productividad QPDO de cultivos por
lote alimentado reportados en la literatura según cepa, concentración inicial glicerol (So) y tipo de
glicerol ............................................................................................................................ 10
Tabla 1.6. Parámetros de modelos cinéticos ajustados producción de PDO empleando Clostridium
spp reportado en la literatura. ............................................................................................. 14
Tabla 1.7. Modelos metabólicos de escala genómica reportados para cepas de Clostridium ....... 15
Tabla 2.1. Resumen parámetros cinéticos empleados como restricciones en modelos FBA y DFBA
con glicerol como única fuente de carbono ........................................................................... 28
Tabla 2.2. Criterio de clasificación de acoplamiento de las reacciones al crecimiento según FCF
[198] ............................................................................................................................... 29
Tabla 2.3 puntos de colocación xa para diferentes polinomios ortogonales con 6 puntos de
colocación ........................................................................................................................ 33
Tabla 2.4. Condiciones iniciales (z0) empleadas en el desarrollo de DFBA según condición de
limitación o exceso de glicerol para cultivo por lote. ............................................................. 35
Tabla 2.5. Composición medio industrial para cultivo de Clostridium en Glicerol [15, 16] ........ 36
Tabla 2.6. Relaciones de detección en cromatografía líquida ................................................. 37
Tabla 2.7. Parámetros evaluados en análisis de sensibilidad global de DFBA. ......................... 38
Tabla 3.1 Características principales de modelo iCbu641. ..................................................... 46
Tabla 3.2. Valores ajustados de parámetros cinéticos empleados como restricciones en modelos
FBA y DFBA con glicerol como única fuente de carbono. ..................................................... 48
Tabla 3.3. Comparación de rendimientos experimentales y predichos (mol/mol) de Clostridium
butyricum W5 cultivado en glucosa [146] ............................................................................. 50
XVI Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Tabla 3.4. Comparación de rendimientos experimentales y simulados (mol/mol) de Clostridium
butyricum TM-9A cultivado en diferentes carbohidratos [199] ................................................ 51
Tabla 3.5. Comparación rendimientos experimentales y predichos de cepas nativa y mutante de
Clostridium butyricum W5 cultivadas en glucosa [206] .......................................................... 52
Tabla 3.6. Comparación rendimientos experimental y predichos de cepas nativa y mutantes de
Clostridium sp. IBUN 158B cultivadas en glicerol [17]. ......................................................... 53
Tabla 4.1. Comparación entre enzimas no predichas por FBA y enzimas equivalentes............... 81
Contenido
XVII
Lista de Símbolos y abreviaturas
Símbolos con letras latinas Símbolo Término Unidad SI Definición
a Coeficiente empírico para inhibición por sustrato Tabla 1.6
AAc* Constante de inhibición por ácido acético g/L o mM Tabla 1.6
ABu* Constante de inhibición por ácido butírico g/L o mM Tabla 1.6
�̂� Restricción cinética Ecuación 1.8
𝑐𝑗 Peso reacción j en velocidad específica de
crecimiento
Ecuación 1.8
b Coeficiente empírico para inhibición por producto Tabla 1.6
𝑏𝑗 variable binaria de la reacción j Ecuación 2.8
𝐷𝐾−𝑆 Valor crítico Estadístico de Kolmogorov–Smirnov Ecuación 2.15
F Flujo alimentación de sustrato en cultivo por lote
alimentado
L/h
G Número total de intervalos Ecuación 1.8
K Total de predicciones Ecuación 2.14
K1 Constante de formación de PDO asociada al
crecimiento
mmol/g· Tabla 1.6
K2 Constante de formación de PDO no asociada al
crecimiento
mmol/g·h Tabla 1.6
𝑘𝑑 Constante de muerte celular h-1
Ecuación 1.8
KI Constante de inhibición por sustrato g/L o mM
Ks Constante de afinidad por sustrato g/L o mM Tabla 1.6
K-S Estadístico Kolmogorov–Smirnov
L Función instantánea aproximación DOA Ecuación 1.8
𝑙𝑏 termino b del polinomio interpolador de Lagrange Ecuación 2.10
M Número total de metabolitos Ecuación 1.7
ms Coeficiente mantenimiento basado en sustrato h-1
Tabla 1.6
N Número total de reacciones Ecuación 1.7
P Orden de polinomio ortogonal Ecuación 2.10
PDO* Constante de inhibición por PDO g/L o mM Tabla 1.6
QPDO Productividad PDO producido g/L·h o mM/h
𝑟𝑋𝑌 Coeficiente de correlación de Pearson Ecuación 2.9
S Glicerol g/L o mM
S* Constante de inhibición por sustrato g/L o mM Tabla 1.6
Sij Coeficiente estequiométrico de metabolito i en
reacción j
Ecuación 1.7
t Tiempo h
V Volumen de reactor L
XVIII Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Símbolo Término Unidad SI Definición
vj Flux de la reacción j mmol/g·h Ecuación 1.7
X Biomasa g/L Ecuación 1.8
X Definición general de variable independiente Ecuación 2.9
xa Punto de colocación para polinomio ortogonal Ecuación 2.10
Y Definición general de variable dependiente Ecuación 2.9
yb Punto de intercepción polinomio ortogonal Ecuación 2.10
YPDO/S Rendimiento conversión glicerol a PDO g/g o mol/mol
YX/S Rendimiento conversión glicerol a biomasa g/g o mol/mol
Z Función objetivo Ecuación 1.7
𝑧𝑖 Concentración extracelular metabolito i mM Ecuación 1.8
Símbolos con letras griegas Símbolo Término Unidad SI Definición
α
Flujo alimentación constante cultivo por lote
alimentado
L/h Ecuación 2.18
β
Flujo alimentación proporcional al control de pH en
cultivo por lote alimentado
% Ecuación 2.18
휀 Rango de tolerancia absoluto Ecuación 2.8
𝛿 Rango de tolerancia relativo Ecuación 2.8
𝛿 Función delta de Dirac Ecuación 1.8
∆𝐺 Energía libre de Gibbs J/mol Ecuación 4.1
𝜎 Desviación estándar Ecuación 2.9
𝜙 Función terminal aproximación DOA Ecuación 1.8
𝜇 Velocidad específica de crecimiento h-1
𝑤 Peso en función objetivo Ecuación 2.6
Subíndices Subíndice Término
0 inicial
∞ Infinito
a Punto de colocación
A.Ac Ácido acético
b Punto de interpolación
f o final Final
g intervalo de tiempo g
Gly Glicerol
i Metabolito i
inst Instantánea
j Reacción j
k Predicción k
l Límite inferior
max Máximo
min Mínimo
u Límite superior
Contenido
XIX
Superíndices Superíndice Término
exc Exceso de glicerol
lim Limitación de glicerol
min Mínimo
max Máximo
Abreviaturas Abreviatura Término
3-HPA 3-hidroxipropionaldehido
ACP Acyl carrier Protein (Proteína transportadora de acilos)
DA Direct Approach (Aproximación directa)
DER Desviación estándar relativa
DFBA Dynamic Flux Balance Analysis (Análisis de balance de flujo dinámico)
DOA Dynamic Optimization Approach (Aproximación de optimización dinámica)
EMS Etil-metil-sulfonato
FAST Fourier Amplitude Sensitivity Test (Prueba de sensibilidad de amplitud de Fourier)
FBA Flux Balance Analysis (Análisis de balance de flujo)
FCF Flux Coupling Finder (Búsqueda de fluxes enlazados)
FVA Flux Variability Analysis (Análisis de Variabilidad de Fluxes)
GAM Growth-associated maintenance (Mantenimiento Asociado al Crecimiento)
GSM Genome-Scale Metabolic (Metabólico de Escala Genómica)
LP Linear Programming (Programación lineal)
MFA Metabolic Flux Analysis (Análisis Metabólico de Flujo)
MIP Mixed Integer Programming (Programación de enteros mixtos)
MPSA Multi-parametric sensitivity analysis (Análisis de sensibilidad Multi-Paramétrico)
NGAM Non-Growth-associated maintenance (Mantenimiento no asociado al crecimiento)
NLP Nonlinear Programming (Programación no lineal)
NTG N-metil, N'-nitro, N-nitrosoguanidina
ODE Ordinary differential equation (Ecuación diferencial ordinaria)
PBM Population Balance Model (Modelo de balance de poblacional)
PDO 1,3-Propanodiol
PhPP Phenotypic phase plane (Plano de fases fenotípico)
PRCC Partial rank correlation coefficient (Rango Parcial de Coeficiente de Correlación)
PtdEtn fosfatidiletanolamina
PtdGly Fosfatidilglicerol
PtdMen fosfatidil N-metiletanolamina
RCM Reinforced Clostridial Medium (medio reforzado para Clostridium)
rFBA Regulatory Flux Balance analysis (Análisis de balance de flujo regulatorio)
ROOM Regulatory On/Off Minimization (Minimización de Regulación on/off)
SEC Suma de errores cuadrados
SOA Static Optimization Approach (Aproximación de Optimización Estática)
TIC Total ion Current (Ion Total Actual)
XX Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Introducción
El aumento en la producción industrial de biodiesel ha provocado un incremento proporcional en la
producción de glicerol, lo cual ha ocasionado su sobreproducción y por lo tanto ha reducido la
viabilidad económica de la industria del biodiesel [1, 2]. Esto ha incidido en la investigación del
glicerol como fuente de carbono [3-5], y en la producción de compuestos tales como el 1,3-
Propanodiol (PDO), el cual sirve como precursor de polímeros como poliésteres o poliuretanos, en
especial politrimetilentereftalato (PTT) [6, 7]. El PDO puede ser obtenido a partir de cultivos de
bacterias como Clostridium butyricum o Klebsiella pneumoniae [3, 7], siendo las bacterias del
género Clostridium una alternativa atractiva dado que son más seguras y tienen mayores
rendimientos de producción que Klebsiella pneumoniae [8]. Sin embargo la producción industrial
de PDO es aún limitada dado sus rendimientos insuficientes, representando un obstáculo en la
competitividad del proceso [9-11]. Por consiguiente, estrategias como cultivo por lote alimentado y
modificaciones genéticas aleatorias han sido desarrolladas para mejorar la producción de PDO [10,
12, 13]. El grupo de investigación Microorganismos Solventogénicos de la Universidad Nacional
no es ajeno a estas estrategias de mejora que permitan una producción industrial eficiente de PDO
[14-19]. No obstante, un entendimiento detallado de las rutas metabólicas de Clostridium
butyricum podrían beneficiar en la transformación de glicerol a PDO.
Estudios del metabolismo anaeróbico de Clostridium butyricum usando glicerol como fuente de
carbono han estado enfocados en su metabolismo central, el cual está compuesto por las rutas
oxidativa y reductiva [20]. La ruta oxidativa está principalmente relacionada en la producción de
ATP y equivalentes reducidos (NADH), mientras que coproductos como ácido acético y ácido
butírico son formados. Por otro lado, la ruta reductiva forma el PDO y simultáneamente regenera
los equivalentes reducidos de NADH a NAD [7, 9, 21]. En complemento Bizukojc et al. [22]
reportan el modelo metabólico más detallado de una cepa de Clostridium productora de PDO, el
cual está compuesto por 77 reacciones y 69 metabolitos. Dicho modelo, adicional a las rutas
oxidativa y reductiva, incluye reacciones simplificadas de síntesis de aminoácidos,
macromoléculas y biomasa. Por lo tanto, Clostridium butyricum carece de modelos metabólicos
basados en información obtenida a partir de la anotación de su genoma, también conocidos como
modelos Metabólicos de Escala Genómica (GSM por sus siglas en inglés: Genome-Scale
Metabolic model) [23-25].
En relación a la validación experimental de la expresión de enzimas incluidas en esta red
metabólica, se destaca el estudio de proteómica de la cepa nativa colombiana Clostridium sp.
IBUN 158B cultivada en glicerol [19]. En este proteoma fueron detectadas 21 enzimas clasificadas
como: una de la ruta reductiva (PDO deshidrogenasa), tres de la ruta oxidativa, once de la síntesis
de carbohidratos, cuatro de la síntesis de aminoácidos y dos de la síntesis de nucleótidos. De forma
similar, Gungormusler-Yilmaz et al. [26], usando proteómica detectaron experimentalmente 409
enzimas expresadas en el cultivo en glicerol de Clostridium butyricum 5521 (286 no redundantes).
Sin embargo, a pesar de dicha información experimental y de la disponibilidad de herramientas
computaciones, la predicción de la producción de PDO por una cepa de Clostridium basada en su
comportamiento metabólico es aún limitada.
2 Introducción
Una de las herramientas computaciones más empleadas es el Análisis de Balance de Flujo (FBA
por sus siglas en inglés: Flux Balance Analysis). Bajo la suposición de estado estacionario en
condiciones de cultivo definidas, el FBA permite predecir el estado fenotípico de un
microorganismo basado en su modelo metabólico ya sea de escala genómica o no [27-31]. Ahora
bien, dado que un modelo GSM expresado como una matriz estequiométrica es un sistema
indeterminado, esto es posee más reacciones que metabolitos, tiene infinitas soluciones, haciendo
necesario el uso de una función objetivo que permita predecir el estado fenotípico del
microorganismo. Lo anterior convierte el FBA en un proceso de optimización en el cual las
restricciones son las condiciones de cultivo, los balances de materia y las factibilidades
termodinámicas [28, 31-34].
En general, las predicciones con modelos GSM asumen la maximización del rendimiento de
biomasa como la mejor función objetivo, lo cual se basa en la suposición que la célula ha
evolucionado para seleccionar las rutas más eficientes con el fin de obtener los mejores
rendimientos [35]. No obstante, las predicciones considerando maximización de biomasa no
siempre capturan la fisiología celular, por lo cual han sido desarrollado estudios con funciones
objetivo alternas [34, 36-39]. Estos estudios incluyen minimización del error por optimización
binivel [36, 40, 41], selección de función objetivo por inferencia Bayesiana [37], o por
minimización de la distancia euclidiana [38], y combinación lineal de funciones objetivo por
compartimentos en eucariotas [34, 42]. Entre los resultados más destacados se encontró que la
célula no maximiza el rendimiento de biomasa en escenarios como exceso de sustrato, y por
consiguiente una sola función objetivo es incapaz de predecir todos los escenarios evaluados [34,
38, 39, 43-45].
Ahora bien, el FBA no predice procesos de producción dinámicos tales como cultivos por lote o
lote alimentado y por consiguiente no relaciona el comportamiento metabólico con el ambiente en
el reactor. Es por lo anterior que ha sido desarrollada la aproximación Análisis de Balance de Flujo
Dinámico (DFBA, por sus siglas en inglés: Dynamic Flux Balance Analysis) [30, 46]. El DFBA ha
predicho de manera adecuada cultivos de microorganismos como S. cerevisiae, E. coli, cocultivos
de S. cerevisiae y E. coli, sin embargo no ha sido realizada ninguna predicción de la producción de
PDO [47-53]. Así mismo, los estudios en los cuales son considerados perturbaciones a modelos
DFBA se enfocan en cultivos por lote alimentado, mientras que estrategias como análisis de
sensibilidad son limitados a otros procesos dinámicos como quorum sensing [54-57]. Lo anterior
hace que la evaluación de perturbaciones en la aproximación DFBA sea pobre en comparación a la
aproximación estacionaria FBA, en la cual se ha evaluado mutantes por knockout, además de
estudios como análisis de precios sombra o planos de fases fenotípicos [29, 58].
Considerando lo anterior, el propósito del presente estudio fue construir el primer modelo
metabólico de escala genómica de una cepa de Clostridium butyricum productora de 1,3-
propanodiol, el cual pudiera ser empleado posteriormente en el Análisis de Balance de Flujo junto
con una función objetivo adecuada que permitiera predecir diferentes estados fenotípicos tanto en
estado estacionario como en estado dinámico de dicha bacteria cultivada en glicerol y otros
sustratos. Finalmente, se buscó evaluar el efecto de perturbaciones en el modelo GSM construido,
también en estado estacionario y en estado dinámico, en función de anticipar mejoras en el
rendimiento, producción y/o productividad de PDO. Lo anterior permitiría dar continuidad al
trabajo realizado por el grupo de Solventogénicos perteneciente al Instituto de Biotecnología de la
Universidad Nacional de Colombia, el cual tiene un gran avance en esta fermentación, tanto en el
área básica como en el área ingenieril, y cuyo objetivo a largo plazo es la construcción de una
planta productora de PDO a escala piloto en asociación con la empresa productora de biodiesel,
Ecodiesel S.A.
1. Capítulo 1: Estado del arte.
1.1 Producción de biodiesel y glicerol
La elaboración del biodiesel involucra la transesterificación de un triglicérido de origen animal,
vegetal o microbiano con un alcohol, preferiblemente de bajo peso molecular, como el metanol.
Durante la transesterificación, por cada 100 kg de biodiesel generados también se producen
aproximadamente 10.8 kg de glicerol, como se ilustra en la Figura 1.1 [1, 59-63].
Figura 1.1. Transesterificación de triglicérido [1]
La producción mundial de aceite vegetal y el porcentaje de éste empleado en la producción de
biodiesel entre 2005 y 2012, se presentan en la Tabla 1.1. En la Tabla 1.1 también se puede
observar la producción tanto del biodiesel como del glicerol a partir del proceso de
transesterificación durante el mismo periodo de tiempo. Donde se destaca la marcada tendencia de
crecimiento en la producción de biodiesel y por ende de glicerol [2, 64].
Tabla 1.1. Producción mundial de aceite vegetal y porcentaje empleado de este en el proceso de
transesterificación y sus productos formados (biodiesel y glicerol) entre 2005 y 2012, datos en
millones de toneladas [2, 64]
2005 2006 2007 2008 2009 2010 2011 2012
Producción de aceite 118.6 128.7 132.2 134.1 140.2 149.5 154.8 160.8
Fracción de aceite empleado
en biodiesel 3.1% 5.0% 6.9% 10.0% 11.4% 11.8% 14.0% 13.7%
Producción de biodiesel 3.6 6.4 9.1 13.4 15.9 17.6 21.7 22.0
Producción de glicerol 0.4 0.7 1.0 1.4 1.7 1.9 2.3 2.4
4 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Colombia no ha sido ajena a esta tendencia mundial y el documento COMPES 3510 publicado en
el 2008 señala las ventajas, oportunidades y lineamientos para la producción sostenible de
biocombustibles en el país, entre ellos biodiesel a partir de palma africana. En adición, mediante
Resolución 18 1120 del 2010, Decreto 4892 de 2011 y Resolución 91 664 de 2012 se determinó
por regiones, el uso de diesel mezclado con biodiesel en por lo menos un 8% (B8) como
combustible en motores diesel en 27 de los 32 departamentos del territorio nacional [65]. Es por lo
anterior que Colombia cuenta con cinco plantas industriales en funcionamiento para la producción
de biodiesel, las cuales emplearon el 40% del aceite producido durante el 2015 para generar 513
mil toneladas de biodiesel, cerca de 3 veces la producción del 2009, año en que inició la
producción industrial del biodiesel [65].
Ahora bien, como subproducto de la producción mundial de biodiesel, fue obtenido en el 2012
cerca de 2.4 millones de toneladas de glicerol, Tabla 1.1, de las cuales 53 mil toneladas fueron
obtenidas en Colombia [1, 2, 65]. Sin embargo, como se observa en la Tabla 1.2, existen otros
procesos de producción del glicerol, como la saponificación de aceites para la obtención de jabón o
métodos de síntesis química [1]. Lo anterior, junto con una demanda mundial estimada en 2.0
millones de toneladas para el 2012 [66], ocasionó una sobreoferta para dicho año cercana a 1.0
millón de toneladas [1, 2] llevando a la postre al cierre de plantas de producción sintética
pertenecientes a Dow Chemicals y Procter and Gamble Chemicals [1, 6].
Tabla 1.2. Producción de glicerol según fuentes entre 1992 y 2010 a nivel mundial, cifras en miles
de toneladas de glicerol [1]
Fuente 1992 1995 1999 2003 2005 2006 2008 2010
Jabones 208 208 198 188 167 146 125 83
Ácidos grasos 271 292 313 333 396 438 479 521
Biodiesel 0 42 42 188 394 689 1448 1866
Alcoholes grasos 83 104 125 104 125 167 250 250
Sintético 83 83 63 63 21 0 0 0
Otros 0 0 42 63 42 0 21 21
Total 645 729 783 939 1145 1440 2323 2741
La sobreoferta de glicerol representa una oportunidad para la producción de compuestos de mayor
valor agregado de interés en el mercado, ya sea por síntesis química como químicos oxigenados
(aditivos de biodiesel), hidrógeno, gas de síntesis u otros químicos por conversión catalítica
convencional o por procesos biotecnológicos como son: 1,3-propanodiol (PDO), ácido cítrico,
hidrógeno, polihidroxialcanoatos (PHAs), ácido docosahexaenoico (DHA), lípidos, entre otros,
como lo resumen Yang et al. [67] y Almeida et al. [3]. Ahora bien, dado que las impurezas
presentes en el glicerol crudo pueden envenenar los catalizadores requeridos en la conversión
química, los procesos biotecnológicos resultan ventajosos, ya que dichas impurezas no
necesariamente pueden reducir sus rendimientos [67].
1.2 Obtención de 1,3-propanodiol
El 1,3-propanodiol (PDO) es un compuesto con un gran número de aplicaciones comerciales, tales
como monómero en la producción de poliuretanos, poliéteres, poliésteres, producción de productos
cosméticos, médicos, lubricantes, además puede ser usado como adhesivo, solvente,
anticongelante, entre otras aplicaciones. Uno de los polímeros más estudiados obtenidos a partir de
Capítulo 1:
Estado del Arte
5
PDO es el politrimetilentereftalato (PTT). El PTT cuenta con mayor resistencia al lavado o mayor
elasticidad que otros poliésteres, asemejándolo al nylon, sin embargo cuenta con una mayor
biodegradabilidad. Lo anterior hace del PTT un producto con gran potencial industrial en
aplicaciones como la producción de alfombras, textiles, películas y fibras [5-7, 68, 69]. Este gran
número de aplicaciones ha permitido especular que el PDO podría pasar de ser un specialty a un
commodity, pues su mercado para el 2014 fue alrededor de 310 millones de dólares equivalentes a
cerca de 140 mil toneladas, mientras que para el 2021 se estima será de 621 millones de dólares o
280 mil toneladas [3, 70-72].
La producción industrial del PDO puede ser lograda mediante síntesis química a partir de la
hidroformilación del óxido de etileno o por hidratación de acroleína, procesos patentados por Shell
en 1993 y Degussa en 1989, respectivamente, Figura 1.2 [7, 73]. Sin embargo estas rutas de
síntesis deben ser realizadas a altas temperaturas y presiones, además los catalizadores y reactivos
empleados son costosos [6]. La producción del PDO también puede ser llevada a cabo
biotecnológicamente a temperaturas y presiones normales, y pueden ser empleadas materias primas
renovables, haciendo ambientalmente más amigable esta ruta y de interés para su aplicación
industrial [6, 7, 9].
Figura 1.2. Rutas de síntesis química de 1,3-propanodiol (A) hidroformilación del óxido de
etileno, (B) hidratación de acroleína [6].
La producción biotecnológica del PDO a partir de glicerol puede ser llevada a cabo por bacterias
de géneros como Clostridium, Klebsiella, Enterobacter, Lactobacillus, Ilyobacter y Citrobacter [3,
7, 70]. Sin embargo, su uso industrial ha sido limitado debido a que muchas de estas bacterias son
patógenas y requieren de nutrientes suplementarios. Además, los costos de los procesos de
separación y purificación son altos debido al gran carácter hidrófilo del PDO, lo cual demanda un
alto consumo energético para poder separarlo del agua. Lo anterior se ve exacerbado debido a las
bajas concentraciones del PDO al finalizar la fermentación, entre 50 y 100 g/L, su alto punto de
ebullición, 214°C a 1 atm, y la presencia en el medio de sales y macromoléculas, como proteínas,
polisacáridos y ácidos nucleicos [74, 75]. Es por lo anterior que Zeng [76] estimó que para una
planta productora de PDO con capacidad de 8200 toneladas el año, anexada a una planta de
biodiesel, el costo de producción sería alrededor de 1330 dólares la tonelada, es decir cerca del
60% del valor de venta, razón por la cual también han sido estudiados métodos alternativos de
purificación de PDO que permitan reducir los costos totales de producción [75, 77, 78].
1.2.1 Obtención de 1,3-propanodiol a partir de Clostridium spp
Los microorganismos del género Clostridium productores de PDO de manera natural son C.
butyricum, C. diolis, C. pasterianum y C. beijerinckii, las cuales son bacterias Gram positivas,
heterotróficas, relativamente grandes y generadoras de endoesporas. También son clasificados
como seguros, tiene menores requerimientos nutricionales y sus rendimientos son mayores, en
6 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
comparación con otras bacterias productoras como Klebsiella pneumoniae, haciéndolos adecuados
para uso industrial, sin embargo son anaerobios estrictos, lo cual representa una dificultad
operacional [8-10, 19]. La fermentación de glicerol empleando Clostridium spp. también puede
llegar a producir ácido láctico, ácido butírico, ácido acético, n-butanol, etanol, hidrógeno y dióxido
de carbono dependiendo de la cepa y las condiciones de cultivo [68]. La Figura 1.3 muestra la ruta
metabólica de la fermentación anaeróbica de Clostridium butyricum empleando glicerol, la
asimilación de éste ocurre mediante dos rutas metabólicas enlazadas para mantener el balance
redox: la ruta oxidativa y la ruta reductiva. La ruta oxidativa está principalmente relacionada en la
producción de ATP y equivalentes reducidos (NADH), mientras que coproductos como ácido
acético y ácido butírico son formados. Por otro lado, la ruta reductiva forma el PDO y
simultáneamente regenera los equivalentes reducidos de NADH a NAD [7, 9, 21].
En relación a la validación experimental de la expresión de enzimas involucradas en esta red
metabólica, se destaca el estudio de proteómica de la cepa nativa colombiana Clostridium sp.
IBUN 158B cultivada en glicerol como fuente de carbono [19]. En este proteoma fueron detectadas
21 enzimas clasificadas como: una de la ruta reductiva (PDO deshidrogenasa), tres de la ruta
oxidativa, once de la síntesis de carbohidratos, cuatro de la síntesis de aminoácidos y dos de la
síntesis de nucleótidos. De forma similar, Gungormusler-Yilmaz et al. [26], usando proteómica
detectaron experimentalmente 286 enzimas no redundantes expresadas en el cultivo en glicerol de
Clostridium butyricum 5521.
Ahora bien, el rendimiento máximo teórico de PDO que puede ser alcanzado, está estrechamente
relacionado con la ruta en la rama oxidativa que tome la bacteria durante el cultivo para obtener la
energía y la eficiencia de la célula para convertir dicha energía en biomasa [21]. En la Tabla 1.3
son resumidos los valores máximos de conversión de los principales productos de la fermentación
de glicerol empleando C. butyricum, los cuales fueron obtenidos por Zeng [21] mediante balances
estequiométricos considerando diferentes escenarios. Dichos escenarios son: limitación de glicerol,
es decir máxima formación de H2 en la ruta oxidativa (casos 1 y 2), exceso de glicerol, es decir sin
formación de H2 en la ruta oxidativa (casos 3 y 4); obtención de ATP empleando exclusivamente la
ruta del ácido acético (casos 1 y 3) o la ruta del ácido butírico (casos 2 y 4). Se observa que la ruta
del ácido butírico es más eficiente en la obtención de energía y biomasa, mientras que la ruta del
ácido acético lo es en la producción de PDO [11, 21, 70].
Tabla 1.3 Rendimientos teóricos máximos de biomasa y productos1 de C. butyricum a diferentes
condiciones asumiendo YX/ATP = 8.5 g/mol [21]
Condición YPDO/S
(g/g)
YAAc/S
(g/g)
YABu/S
(g/g)
YX/S
(g/mol)
YATP/S
(mol/mol)
Caso 1: sin formación de butirato, y
con máxima formación de H2 0.533 0.189 0.0 4.93 0.580
Caso 2: sin formación de acetato,
y con máxima formación de H2 0.413 0.0 0.205 5.46 0.642
Caso 3: sin formación de butirato, y
sin formación de H2 0.599 0.146 0.0 3.82 0.450
Caso 4: sin formación de acetato, y sin
formación de H2 0.537 0.0 0.143 3.82 0.450
1 PDO: 1,3-propanodiol, AAc: ácido acético, ABu: ácido butírico, S: glicerol, X: biomasa
Capítulo 1:
Estado del Arte
7
Figura 1.3 Ruta metabólica de la fermentación de glicerol.
(1)Hidrogenasa, (2)Ferredoxina-NAD reductasa, (3)NADH-ferredoxina reductasa, (4)Glicerol
deshidrogenasa, (5)DHA-kinasa, (6)PDO deshidrogenasa, (7)Glicerol deshidratasa,
(8)Fosfotransacetilasa, (9)Acetato kinasa, (10)Fosfotransbutirilasa, (11)Butirato kinasa,
(12)Piruvato-ferredoxina oxidoreductasa, (13)Gliceraldehído-3P-deshidrogenasa [79, 80].
8 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
1.2.2 Cultivos en condiciones controladas de Clostridium spp en glicerol
Ahora bien, como es mostrado en la Tabla 1.3, la formación de PDO está estrechamente
relacionada con las condiciones de cultivo, por tal motivo diferentes investigaciones han sido
realizadas para optimizar las variables concentración final de PDO, rendimiento YPDO/S (relación
entre PDO producido y glicerol consumido), y productividad QPDO (concentración final de PDO
por unidad de tiempo). Dichas variables están directamente relacionadas con los costos asociados a
las etapas de separación, materias primas y la etapa de cultivo, respectivamente. Las diferentes
estrategias estudiadas van desde optimización del medio de cultivo hasta mejoras genéticas, las
cuales han permitido aumentar la tolerancia del microorganismo al glicerol y al PDO, disminuir la
formación de coproductos no deseados, aumentar el rendimiento YPDO/S y disminuir el tiempo de
cultivo [81]. A continuación se resumen los resultados más destacados de la fermentación
anaeróbica del glicerol empleando varias de estas estrategias en diferentes cepas de Clostridium.
Destaca que en muchas de las investigaciones realizadas es empleado el glicerol crudo proveniente
de la producción de biodiesel. En algunos casos dicho glicerol ha tenido efecto negativo en el
crecimiento, producción y/o productividad de PDO debido a la presencia de contaminantes como
metanol, sales y ácidos grasos [11, 82]. Por lo anterior, diferentes estudios han demostrado el
efecto positivo de pre-tratar este glicerol crudo para eliminar impurezas [82-85]. Ahora bien, en
otros casos el empleo de glicerol crudo no incide en la producción de PDO, como lo demostraron
González-Pajuelo et al. [86] al comparar cultivos en glicerol comercial y glicerol crudo al 92% y
65%, y Chatzifragkou et al. [87] empleando glicerol comercial y glicerol crudo al 81%.
1.2.2.1 Cultivo por lotes
Es la estrategia más común de cultivo, por consiguiente la más estudiada. En la Tabla 1.4 se
resumen algunos resultados destacados del cultivo por lotes con diferentes cepas de Clostridium
para la obtención de PDO empleando ya sea glicerol puro o crudo. Destacan las especies silvestres
C. butyricum y C. diolis como las más estudiadas, gracias a sus mayores rendimientos YPDO/S, los
cuales oscilan entre 0.50 y 0.59 g/g, es decir cercanos al máximo teórico. En el cultivo por lotes no
hay entradas o salidas de flujos durante la fermentación, por lo cual la máxima producción de PDO
está limitada por el efecto inhibitorio tanto del glicerol como del PDO en el microorganismo. Por
lo tanto, concentraciones altas de glicerol pueden reducir el consumo de éste, aumentar tiempos de
fermentación y disminuir productividades [88, 89]. Las concentraciones de PDO obtenidas van
desde los 11 g/L hasta 65.4 g/L con un valor promedio de 32.7 g/L y mediana 32 g/L, como es
mostrado en el diagrama de barras y bigotes de producción de PDO de la Figura 1.4.A. En el caso
de las productividades, éstas oscilan entre 0.41 y 1.93 g/L·h con media y mediana de 1.03 g/L·h y
1.07 g/L·h, Figura 1.4.B.
Tabla 1.4 Resumen producción PDO, rendimiento YPDO/S y productividad QPDO de cultivos por
lotes reportados en la literatura según cepa, concentración inicial glicerol (So) y tipo de glicerol
# Cepa Obser-
vaciones
Tipo
glicerol
So
(g/L) t (h)
PDO
(g/L)
YPDO/S
(g/g)
QPDO (g/L·h)
Ref
1 C. butyricum DSM 5431 Puro NR1 29 56.0 0.51 1.93 [90]
2 C. butyricum VPI 3266 Puro NR1 48 35.0 0.54 0.72 [91]
3 C. butyricum E5 Crudo 53.0 24 27.0 0.51 1.13 [92]
4 C. butyricum CNCM 1211 Crudo 112.0 105 64.0 0.57 0.61 [93]
5 C. butyricum CNCM 1211 Crudo 121.0 40 65.4 0.54 1.67 [94]
Capítulo 1:
Estado del Arte
9
Tabla 1.4: (Continuación)
1 N.R. No registra información.
2 C. diolis DSM15410
previamente reportada como C. butyricum DSM5431
# Cepa Obser-
vaciones
Tipo
glicerol
So
(g/L) t (h)
PDO
(g/L)
YPDO/S
(g/g)
QPDO (g/L·h)
Ref
6 C. butyricum F2b
Crudo 40.0 26 21.8 0.55 0.84 [88]
7 Crudo 90.0 35 47.1 0.52 1.35 [89]
8
C. butyricum DSM 5431
Puro 50.0 14 25.6 0.51 1.83
[83] 9 Crudo 50.0 22 25.0 0.50 1.14
10 Glicerol
pretratado Crudo 50.0 14 26.0 0.52 1.86
11 Clostridium sp IBUN
158B Crudo 40.0 48 19.6 0.55 0.41 [16]
12
C. butyricum VPI 1718
Puro 25.0 NR1 13.8 0.55 N.R.
[87] 13
Crudo
81% 25.0 NR
1 13.7 0.55 N.R.
14
C. butyricum VPI 1718
Cultivo en
1L con N2
Crudo
81% 61.0 53 35.1 0.58 0.66
[95]
15 Cultivo en
1L sin N2
Crudo
81% 61.0 61 25.1 0.54 0.41
16 Cultivo en
3L con N2
Crudo
81% 61.0 54 33.6 0.55 0.62
17 Cultivo en
3L sin N2
Crudo
81% 61.0 52 32.1 0.55 0.62
18 C. pasteurianum
DSMZ 525
Puro 103.0 45 18.5 0.18 0.41
[84] 19
Glicerol
pretratado
Crudo
85% 111.0 43 15.5 0.14 0.36
20 C. pasteurianum DSMZ
525 mutante MNO6
Mutación
por EMS
Crudo
85% 122.0 75 25.3 0.21 0.34 [69]
21 C. diolis DSM154102 Puro 54.2 36 26.0 0.50 0.72 [96]
22 C. diolis DSM154102 Puro 54.2 36 25.8 0.54 0.72 [97]
23 C. butyricum NRRL B-
23495 Crudo 55.0 38 32.3 0.59 0.85 [98]
24
C. butyricum DS19
Puro 70.0 30 38.6 0.55 1.29
[99] 25
Crudo
83% 70.0 30 32.2 0.46 1.07
26 Clostridium sp IBUN
158B Puro 40 23 11 0.65 0.48 [19]
27
C. butyricum DSP1
Reactor
6.6L Crudo 70 33 37.6 0.53 1.12
[100] 28 Reactor
42L Crudo 70 32 36.4 0.52 1.13
29 Reactor
150L Crudo 70 28 37.2 0.53 1.33
10 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
1.2.2.2 Cultivo por lote alimentado
En un biorreactor de lote alimentado, al haber ingreso de sustrato fresco es posible mantener la
concentración de glicerol por debajo de la inhibición, facilitando una mayor producción de PDO,
lo que supone ser una mejor estrategia de obtención de PDO. Algunas formas de alimentación han
sido evaluadas para aumentar la productividad, como intermitente, pulsos a condiciones no
estériles y enlazado a la alimentación del álcali, donde la mejora más significativa ha sido lograda
al enlazar la alimentación con el control de pH [11]. En la Tabla 1.5 son mostrados algunos
resultados de cultivos de lote alimentado, la mayoría emplea las especies C. butyricum y C. diolis.
En condiciones similares de cultivo y cepa se ha demostrado en efecto conseguir mejoras en la
obtención de PDO comparado con cultivos por lotes. Las mejoras en producción y productividad
van desde 63.3% y 24.4%, respectivamente, en el caso de la cepa colombiana Clostridium sp
IBUN 158B, referencia 11 de la Tabla 1.4 y referencia 13 de la Tabla 1.5 [15, 16], hasta 137% y
42% para la cepa C. diolis DSM15410, referencia 22 de la Tabla 1.4 y referencia 19 de la Tabla 1.5
[97]. En general las medias de producción y productividad de PDO están en 58.2g/L y 1.6g/L·h,
respectivamente, Figura 1.4, es decir valores más altos en comparación con el cultivo por lotes, lo
cual resulta ventajoso en los procesos de purificación [9, 75].
Tabla 1.5 Resumen producción PDO, rendimiento YPDO/S y productividad QPDO de cultivos por
lote alimentado reportados en la literatura según cepa, concentración inicial glicerol (So) y tipo de
glicerol
# Cepa Obser-
vaciones
Tipo
glicerol t (h)
PDO
(g/L)
YPDO/S
(g/g)
QPDO
(g/L·h) Ref
1 C. butyricum
DSM 5431 Puro 21 58.0 0.60 2.70 [101]
2 C. butyricum DSM 5431 Puro 21 47.0 0.57 2.24 [90]
3 C. butyricum
VPI 3266 Puro 72 65.0 0.57 0.90 [91]
4 C. butyricum DSM 5431 Puro 72 44.8 0.51 0.62
[102] 5
C. butyricum DSM 5431
mutante 2/2
Mutación por
NTG Puro 85 70.5 0.54 0.83
6 C. butyricum
E5
Crudo 48 58.4 0.53 1.22 [92]
7 Puro 48 65.6 0.54 1.37
8 C. butyricum DSM 5431 Alimentación
enlazada con
control pH
Puro 20 47.5 0.51 2.38
[103] 9
C. butyricum DSM 5431
mutante 2/2 Puro 38 70.3 0.57 1.85
10 C. butyricum
VPI 32661
Puro 72 65.0 0.57 0.90
[12]
11 C. acetobutylicum DG1 con
plásmido pSPD5
Mutante
dirigida Puro 47.5 83.9 0.51 1.77
12 Clostridium sp IBUN 158B
Puro 55 46.0 0.48 0.84 [15]
13 Crudo 62 32.0 0.49 0.51
14 C. diolis DSM154102 Puro 22 47.4 0.48 2.15
[13] 15
C. diolis DSM154102 mutante
PSM7
Mutación por
NTG Puro 27 56.7 0.51 2.10
16 C. diolis DSM15410
2 mutante
GSHM 4
Mutación por
barajado Puro 31 84.7 0.52 2.73
Capítulo 1:
Estado del Arte
11
Tabla 1.5: (Continuación)
1 Misma referencia 3.
2 C. diolis DSM15410
previamente reportada como C. butyricum DSM5431
PDO (g/L)
0 20 40 60 80 100
Lote
Lote Alimentado
QPDO
(g/L/h)
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
A B
Figura 1.4. Diagrama de barras y bigotes de (A) Producción (P) de PDO y (B) Productividad
(QPDO) de PDO según diferentes estrategias de cultivo.
Datos a partir de información presentada en las Tabla 1.4 y Tabla 1.5. Puntos rojos corresponden a
cepas mutantes. (Fuente: Autor).
# Cepa Observa-
ciones
Tipo
glicerol t (h)
PDO
(g/L)
YPDO/S
(g/g)
QPDO
(g/L·h) Ref.
17 C. butyricum
VPI 1718
Cultivo en
1L con N2
Crudo
81% 100 70.8 0.55 0.71
[95]
18 Cultivo en
1L sin N2
Crudo
81% 90 30.5 0.44 0.34
19 C. diolis DSM154102 Puro 60 61.2 0.55 1.02 [97]
20
C. butyricum
AKR102a
Cultivo en
1 L Puro 28 93.7 0.52 3.35
[10] 21 Cultivo en
1 L Crudo 33 76.2 0.51 2.31
22 Cultivo en
200 L Crudo 30 61.5 0.53 2.05
23 C. diolis DSM154102 Puro 47 63.5 NR 1.35 [104]
24
C. butyricum M01
Glicerol sin
pretratar Crudo 18 40.8 0.54 2.27
[85]
25 Glicerol
pretratado Crudo 15.5 59.3 0.55 3.18
26 C. butyricum VPI 1718 Crudo 76 46.5 0.46 0.62 [105]
27 C. butyricum DSP1 Crudo 71.0 0.54 NR [100]
12 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
1.2.2.3 Otras estrategias de cultivo
Adicional al cultivo por lote y lote alimentado, también han sido exploradas otras estrategias como
cultivo continuo [12, 86-89, 106-110], continuo en dos etapas [88], continuo con inmovilización de
células [110-112], continuo con recirculación [113] y lote repetido [105, 114], sin embargo
ninguno de estas estrategias han permitido obtener resultados comparables a los reportados en
cultivos por lote alimentado.
Por otro lado, también ha sido estudiado el efecto del tipo de reactor y la escala de éste. Por un
lado, Günzel et al. [101] estudiaron efecto de biorreactores de tanque agitado y airlift de
volúmenes entre 2 L y 2 m³ en la producción de PDO en cultivos por lotes, demostrando no existir
diferencias por el tipo de biorreactor y su escala. Resultados similares fueron obtenidos por
Szymanowska P. & Białas [100]. En contraste, Wilkens et al. [10] reportan una reducción del PDO
producido al aumentar la escala, sin embargo no son mantenidas las condiciones de cultivo al
escalar. Así mismo, ha sido demostrada la necesidad de suministrar N2 con el fin de mantener la
anaerobiosis a pequeñas escalas, es decir reactores menores a 1 L, mientras que a escalas mayores
dicho gas no fue necesario [84, 95, 115].
1.2.2.4 Mutación e ingeniería genética
La limitación en la producción de PDO durante la fermentación empleando cepas de Clostridium
ocasionada por la inhibición tanto del sustrato como de los productos ha llevado a la
implementación de mejoras genéticas, ya sean aleatorias mediante mutaciones o dirigidas mediante
ingeniería genética. Estas modificaciones en el genoma han permitido, además de una mayor
tolerancia del microorganismo al sustrato y al producto, una sobreexpresión de las enzimas
involucradas en la producción del PDO [12, 13, 69, 102, 116].
Las mutaciones químicas de cepas de Clostridium han sido realizadas de manera aleatoria por
agentes como N-metil, N'-nitro, N-nitrosoguanidina (NTG) y etil-metil-sulfonato (EMS), los cuales
se caracterizan por actuar de manera aleatoria e inducir sustituciones o eliminaciones de bases [69].
Abbad-Andaloussi et al. [102] obtuvieron por exposición a NTG mutantes resistentes a altas
concentraciones de glicerol y PDO de la cepa C. butyricum DSM 5431. Las cepas mutantes
obtenidas mejoraron hasta en un 57% la producción y un 42% productividad de PDO, Tabla 1.5
referencias 4 y 5. Por otro lado, Abbad-Andaloussi et al. [117], mediante mutación aleatoria de la
cepa C. butyricum E5 empleando también NTG, no obtuvieron mejoras en la producción de PDO a
pesar de lograr mayor tolerancia al glicerol por parte de la mutante. Así mismo, Jensen et al. [69]
empleando EMS mutaron la cepa C. pasteurianum DSMZ 525, la cual aumentó la producción de
PDO de 15.5 a 25.3 g/L, Tabla 1.4 referencias 19 y 20. En adición, Otte et al. [13] reportan la
producción más alta de PDO de una cepa mutante, quienes al usar NTG y posteriormente barajado
genómico incrementaron la producción de PDO hasta un 78.7% de la cepa C. diolis DSM 15410,
Tabla 1.5 referencias 14 a 16.
En las anteriores mutantes, al ser obtenidas mediante procesos aleatorios no es posible establecer
de manera fácil qué genes fueron modificados, representando una limitación para determinar que
proteínas fueron alteradas. En contraste, González-Pajuelo et al. [12] reportan la primera mutante
obtenida por ingeniería genética de una cepa de Clostridium productora de PDO. Durante la
mutación, fue insertado el plásmido pSPD5 en una cepa de C. acetobutylicum, sin embargo ésta no
es productora natural de PDO. Dicha cepa fue seleccionada debido a que los intentos por insertar
tal plásmido en C. butyricum fueron infructuosos, la cual sí es productora natural de PDO. La cepa
mutante obtenida a partir de C. acetobutylicum, además de mantener su tolerancia al glicerol crudo,
Capítulo 1:
Estado del Arte
13
incrementó la producción de PDO de 65 a 84 g/L en comparación con la cepa nativa C. butyricum,
Tabla 1.5 referencias 10 y 11. La Figura 1.4 destaca en rojo los resultados obtenidos con las
diferentes cepas mutantes con mejoras en la producción de PDO.
Finalmente, Montoya Solano [17] también insertó los genes encargados de la producción de PDO
en la cepa Clostridium sp IBUN 158B, permitiendo así una sobreexpresión de estas enzimas. La
cepa mutante obtuvo una mayor producción y productividad de PDO en relación a la cepa nativa.
Así mismo, Montoya Solano [17] logró crear mutantes por knockout de la misma cepa, inactivando
la producción de hidrógeno, ácido láctico y ácido butírico, cuyas rutas son competidoras de la
producción de PDO, dado que igualmente consumen NADH. Sin embargo, ninguna de estas
mutantes por knockout tuvo una mejora significativa en la producción, rendimiento o productividad
de PDO. No obstante, las fermentaciones con las diferentes mutantes obtenidas por Montoya
Solano [17] no fueron realizadas a condiciones controladas y por tanto no se logró el consumo total
del glicerol.
1.2.3 Predicción de la producción de 1,3-propanodiol mediante Modelos
cinéticos.
Los modelos cinéticos son desarrollos matemáticos que permiten predecir el avance de una
reacción, como consumo de un sustrato, producción de biomasa o un metabolito dado. Los
modelos se hacen más precisos cuando consideran la mayor cantidad de factores posibles como
concentración de sustratos, productos, inhibidores, temperatura, pH, tasa de dilución, etc. Los
modelos cinéticos son útiles dado que proporcionan información necesaria para el análisis, diseño
y operación del proceso fermentativo seleccionado [118, 119]. Los modelos pueden ser
clasificados según la homogeneidad del cultivo celular, siendo un modelo no segregado aquel que
supone todas las células son idénticas, mientras que un modelo segregado considera que las células
son diferentes entre sí en características como edad, tamaño o composición, por lo tanto requiere
modelos de distribución. Así mismo, los modelos cinéticos pueden ser no estructurados o
estructurados, donde los no estructurados consideran la célula como una caja negra, en contraste lo
modelos estructurados consideran el comportamiento intracelular. La anterior clasificación permite
concluir que los modelos más simples son los no segregados- no estructurados como Monod,
mientras que los más complejos son los segregados-estructurados [120].
En el caso de la producción de PDO se han desarrollado modelos cinéticos empleando especies de
Clostridium como modelo biológico, sin embargo estos no son abundantes, dado que sólo existen
cinco modelos cinéticos diferentes [21, 96, 97, 104, 121-124]. Otros artículos reportan actividades
enzimáticas a diferentes condiciones [9, 12, 102, 116, 125], y balances de carbono y electrones [21,
79, 108, 126, 127], pero dichos reportes son insuficientes para predecir el proceso fermentativo. El
primer modelo cinético para la producción de PDO a partir de Clostridium butyricum fue reportado
por Zeng et al. [121], el cual incluye el efecto inhibitorio tanto del sustrato glicerol (S) como de los
productos ácido acético (AAc), ácido butírico (ABu), 1,3-propanodiol (PDO) y del pH, el cual es
mostrado en la Ecuación 1.1, la Tabla 1.6 muestra los parámetros cinéticos del modelo ajustado.
µ =µ𝑚𝑎𝑥
(1 +𝐻+
𝐾𝐻+𝐾𝑂𝐻𝐻+
) (
𝑆
𝐾𝑠 + 𝑆)(1 −
𝑆
𝑆∗) (1 −
𝐴𝐴𝑐
𝐴𝐴𝑐∗) (1 −
𝐴𝐵𝑢
𝐴𝐵𝑢∗) (1 −
𝑃𝐷𝑂
𝑃𝐷𝑂∗)
1.1
Papanikolaou & Aggelis [122], ajustaron un modelo cinético tipo Contois compuesto, Ecuaciones
1.2 y 1.3, las cuales incluyen la concentración de biomasa (X) y el rendimiento PDO-biomasa
14 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
(YPDO/X) y predicen la tasa de crecimiento (µ) y la productividad de PDO (QPDO) para una
concentración de glicerol (S) dada en un cultivo continuo. Finalmente, Kaur et al. [97] ajustaron un
modelo cinético similar al propuesto por Zeng et al. [121], el cual es mostrado en las Ecuaciones
1.4, 1.5 y 1.6, que corresponden a tasa de producción de biomasa, consumo de sustrato y
formación de PDO, respectivamente.
Tabla 1.6. Parámetros de modelos cinéticos ajustados producción de PDO empleando Clostridium
spp reportado en la literatura.
Parámetro cinético Zeng et al. [121] Papanikolaou & Aggelis
[122] Kaur et al. [97]
Producción de biomasa
µmax (h-1
) 0,80 0.527 ± 0.085 0,65
KH (M) 6,23x10-6
N.A. N.A.
KOH (M) 9,24x10-9
N.A. N.A.
Ks (g/L) 0,005 35.627 ± 9.751 g/g 12,8
S* (g/L) 181,7 N.A. 98,3
PDO* (g/L) 71,1 N.A. 65,2
AAc* (g/L) 0,46 N.A. N.A.
ABu* (g/L) 9,9 N.A. N.A.
a N.A. N.A. 1,12
b N.A. N.A. 1,0
Consumo sustrato
YX/S (g/g) N.A. N.A. 0,067
ms (h-1
) N.A. N.A. 0,23
Producción de PDO
YPDO/X (g/g) N.A. 17.14 ± 1.44 N.A.
K1 N.A. N.A. 7,3
K2 N.A. N.A. 0,15
YPDO/S (g/g) N.A. N.A. 0,502
Ajuste de modelo
R² N.A. < 70% >95%
Desviación modelo 18% N.A. N.A.
N.A. No Aplica.
µ = µ𝑚𝑎𝑥 ∗𝑆
𝐾𝑠∗𝑋+𝑆 1.2
𝑄𝑃𝐷𝑂 = µ ∗ 𝑋 ∗ 𝑌𝑃𝐷𝑂/𝑋 1.3
µ =1
𝑋∗𝑑𝑋
𝑑𝑡= µ𝑚𝑎𝑥
𝑆
𝐾𝑠 + 𝑆(1 − (
𝑆
𝑆∗)𝑎
)(1 − (𝑃𝐷𝑂
𝑃𝐷𝑂∗)𝑏
) 1.4
𝑟𝑆 =1
𝑋∗𝑑𝑆
𝑑𝑡= −(
1
𝑌𝑋/𝑆 ∗ µ + 𝑚𝑠) 1.5
𝑟𝑃𝐷𝑂 =1
𝑋∗𝑑 𝑃𝐷𝑂
𝑑𝑡= 𝐾1 ∗ µ + 𝐾2 1.6
Es de resaltar que los modelos obtenidos por Zeng et al. [121] y Papanikolaou & Aggelis [122]
fueron obtenidos a partir de un gran número de cultivos continuos a condiciones diferentes, 55 y
19, respectivamente, y el error en el ajuste del modelo puede ser debido principalmente a la
simplicidad de dichos modelos. En el caso del modelo reportado por Kaur et al. [97], fue obtenido
Capítulo 1:
Estado del Arte
15
a partir de datos experimentales de un solo cultivo por lote y el modelo ajustado fue comparado
con dichos datos experimentales y un cultivo de lote alimentado a condiciones similares, lo cual
explica el buen ajuste de éste, sin embargo no garantiza una predicción acertada a condiciones de
fermentación diferentes. Por otro lado, Silva et al. [123], también intentan ajustar un modelo
cinético, pero mencionan que el modelo ajustado no es riguroso, dado la falta de los valores de
biomasa. Finalmente, Zhu et al. [124] ajustan un modelo cinético similar al empleado por Zeng et
al. [121], aunque calculan los parámetros cinéticos para cada condición de cultivo, haciéndolo un
modelo de pobre capacidad predictiva. Por lo cual se puede concluir que los pocos modelos que
han sido ajustados empleando especies de Clostridium aún son insuficientes para predecir de
manera acertada la obtención de PDO.
Debido a que los anteriores modelos cinéticos tienen en común que son modelos no segregados-no
estructurados, es decir que no tienen en consideración las reacciones que ocurren dentro de la
célula, y como se observa en la Figura 1.3 y la Tabla 1.3, estas reacciones afectan la producción de
PDO según condiciones de medio de cultivo [21], surge como hipótesis que es posible establecer
un modelo que incluya la red metabólica para predecir la producción de PDO a partir de una cepa
de Clostridium.
1.3 Modelos metabólicos de escala genómica
Gracias a los adelantos en biología molecular, se ha avanzado de igual manera en la reconstrucción
de redes metabólicas cada vez más detalladas a partir de datos genómicos [30, 33]. Dichas redes
son conocidas como modelos Metabólicos de Escala Genómica (modelo GSM, por sus siglas en
inglés: Genome-Scale Metabolic model) [23-25]. La elaboración del modelo GSM de un
organismo puede ser dividida en las siguientes etapas: (i) construcción de las rutas metabólicas y
reacciones de transporte en membrana basada en la anotación genómica, homología de enzimas y
observaciones experimentales, para lo cual se emplea bases de datos como KEGG, TCD o
TransportDB, SEED entre otros. (ii) Desarrollo de ecuaciones de constituyentes de biomasa basado
en datos fisiológicos o a partir de comparación con especies similares. (iii) Identificación de rutas
incompletas y reacciones de transportes de metabolitos faltantes a través métodos
semiautomatizados como ingeniería reversa [128] o métodos automatizados como GapFind y
GapFill [129]. Ahora bien, los reportes de modelos GSM de especies solventogénicas de
Clostridium son limitados, los cuales son resumidos en la Tabla 1.7. Destaca el desarrollo de
modelos cada vez más detallados de la bacteria C. acetobutylicum.
Tabla 1.7. Modelos metabólicos de escala genómica reportados para cepas de Clostridium
Especie Tamaño genoma Reacciones Metabolitos Referencia
C. acetobutylicum 4,1 Mpb 552 422 [128]
C. acetobutylicum 4,1 Mpb 502 479 [130]
C. acetobutylicum 4,1 Mpb 712 679 [131]
C. acetobutylicum 4,1 Mpb 794 707 [132]
C. acetobutylicum 4,1 Mpb 1492 1137 [133]
C. beijerinckii 6,0 Mpb 938 821 [134]
C. cellulolyticum 4,1 Mpb 621 603 [131]
C. ljungdahlii 4,6 Mpb 785 698 [135]
C. thermocellum 3,8 Mpb 577 525 [136]
16 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
En contraste, Rafieenia & Chaganti [137] reportan para C. butyricum el uso de un modelo
metabólico compuesto de 42 reacciones y 40 metabolitos, sin embargo no es incluida la producción
de PDO. Por otro lado, Bizukojc et al. [22] reportan el modelo metabólico más detallado de una
cepa de C. butyricum productora de PDO, el cual está compuesto de 77 reacciones y 69
metabolitos. Este último modelo, adicional a las rutas oxidativa y reductiva, incluye reacciones
simplificadas de síntesis de aminoácidos, macromoléculas y biomasa. Ahora bien, las anteriores
redes no son modelos GSM, por lo tanto Clostridium butyricum carece de modelos metabólicos de
escala genómica.
1.4 Análisis de balance de flujo
Junto a la reconstrucción de modelos GSM, también se han desarrollado herramientas
computacionales que permiten predecir comportamientos metabólicos. Una de las herramientas
más empleadas es el Análisis de Balance de Flujo (FBA por sus siglas en inglés: Flux Balance
Analysis). Bajo la suposición de estado estacionario de unas condiciones de cultivo definidas, el
FBA permite predecir el estado fenotípico de un microorganismo basado en su modelo GSM [27-
31]. En el desarrollo del FBA, el modelo GSM es expresado en forma de matriz estequiométrica,
donde las N reacciones corresponden a las variables y los M metabolitos son las ecuaciones. Ahora
bien, dado que usualmente el número de reacciones es mayor al de metabolitos, como se evidencia
en la Tabla 1.7, el modelo GSM es un sistema indeterminado y por tanto con infinitas soluciones.
Lo anterior convierte el FBA en un proceso de optimización que necesita de una función objetivo Z
para predecir el estado fenotípico del microorganismo, mientras que las restricciones son las
condiciones de cultivo, los balances de materia y las factibilidades termodinámicas, como lo
sintetiza la Figura 1.5 y se expresa matemáticamente en la Ecuación 1.7 [28, 31-34].
Figura 1.5 Resumen de los principales pasos a seguir en la solución del FBA [31].
Capítulo 1:
Estado del Arte
17
𝑀𝑎𝑥/𝑀𝑖𝑛 𝑍 = 𝑓(𝑣𝑗)
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎:
{
∑ 𝑆𝑖𝑗𝑣𝑗
𝑁
𝑗 =1
= 0, ∀ 𝑖 ∈ 1,… ,𝑀
𝑣𝑗𝑚𝑖𝑛 ≤ 𝑣𝑗 ≤ 𝑣𝑗
𝑚𝑎𝑥 , ∀ 𝑗 ∈ 1,… ,𝑁}
1.7
Dónde:
M es el número total de metabolitos
N el número total de reacciones
Z es la función objetivo como puede ser la maximización de biomasa.
Sij es el coeficiente estequiométrico del metabolito i en la reacción j
vj es el flux de la reacción j (expresado en mmol/g h).
vjmin
y vjmax
son los valores mínimo y máximo posibles de la reacción vj y están dados por la
termodinámica de las reacciones, las cuales pueden ser reversibles o irreversibles.
o Para las reacciones irreversibles usualmente: vjmin
= 0 y vjmax
= 1000 mmol/g·h.
o Para las reacciones reversibles usualmente: vjmin
= -1000 mmol/g h y vjmax
= 1000 mmol/g·h.
En general, las predicciones empleando FBA y modelos GSM asumen la maximización del
rendimiento de biomasa como la mejor función objetivo, lo cual es basado en la suposición que la
célula ha evolucionado para seleccionar las rutas más eficientes con el fin de obtener los mejores
rendimientos [35]. No obstante, las predicciones con maximización de biomasa no siempre
capturan la fisiología celular y funciones objetivo alternas como maximización de ATP o
minimización del potencial redox han sido desarrolladas [34, 36-39]. Los estudios de selección de
función objetivo incluyen minimización del error por optimización binivel [36, 40, 41], selección
de función objetivo por inferencia Bayesiana [37], o por minimización de la distancia euclidiana
[38], y combinación lineal de funciones objetivo por compartimentos en eucariotas [34, 42]. Entre
los resultados más destacados se encontró que la célula no maximiza el rendimiento de biomasa en
escenarios como exceso de sustrato, y por consiguiente una sola función objetivo es incapaz de
predecir todos los escenarios evaluados [34, 38, 39, 43-45].
Ahora bien, el empleo del FBA no es el único método disponible para la cuantificación de fluxes
intracelulares, dado que también existe el Análisis Metabólico de Flujo (MFA, por sus siglas en
inglés: Metabolic Flux Analysis). El MFA igualmente emplea el balance de materia representado
con una matriz estequiométrica, pero adicional incluye información experimental de fluxes
extracelulares o intracelulares obtenidos in vivo, lo que hace del MFA un método más confiable
que el FBA en la cuantificación del vector de fluxes, y por ende ampliamente empleado en una
gran variedad de modelos biológicos [138, 139].
Brevemente, los fluxes extracelulares son obtenidos por balances de materia macroscópicos
mientras que los fluxes intracelulares son obtenidos mediante marcado isotópico empleando
Carbono 13 (13
C). El 13
C -MFA consiste en emplear un sustrato con átomos marcados, el cual es
consumido por la célula y de esta manera dichos átomos marcados son integrados a la red
metabólica, permitiendo una posterior cuantificación de fluxes intracelulares empleando técnicas
analíticas como cromatografía de gases- espectroscopía de masas [140, 141]. Es por esto que la
calidad del 13
C -MFA depende de la estructura del modelo de la red metabólica, el tipo de sustrato
18 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
marcado, la forma en que se mide los compuestos marcados, el número de experimentos a realizar
y la precisión en los valores de fluxes medidos [142].
Sin embargo, algunas desventajas del 13
C -MFA son: primero no puede ser empleado en estado
transitorio, y aunque ha habido intentos, las mediciones pueden ser imprecisas dado los tiempos
necesarios en el muestreo. El segundo problema es que no puede ser empleado en redes
metabólicas de gran escala, más de 300 reacciones, por lo cual es usado principalmente en
metabolismos centrales. Tercero, los métodos analíticos de medición pueden llegar a ser altamente
costosos y requerir instrumentación de alta resolución. Cuarto, la inclusión de un nutriente
adicional puede complicar la medición del metabolito marcado. Quinto, en el caso del estudio de
células eucariotas, dada la compartimentalización ocasionada por los organelos puede conllevar a
limitaciones difusionales y por lo tanto requerir métodos adecuados de muestreo y extracción de
los organelos [140, 141].
Tanto el FBA como el MFA han sido empleados de una manera muy limitada en cultivos
anaeróbicos de Clostridium spp, y ha sido principalmente empleado en la fermentación de azúcares
como la glucosa para la obtención de hidrógeno y los solventes acetona, butanol y etanol [137,
143-146]. Para la producción de PDO empleando Clostridium sólo Bizukojc et al. [22] reportan el
uso del FBA, quienes emplean una red simplificada previamente mencionada, debido a que no hay
disponibilidad de modelos GSM para especies de Clostridium productoras de PDO, sin embargo
logran predecir con relativa buena precisión los fluxes de la mayoría de los compuestos
extracelulares, a excepción del hidrógeno.
Los anteriores reportes enfocan el uso del FBA en estado estacionario de cultivos en continuo o en
fase exponencial de cultivos por lotes para comparar velocidades de reacciones intracelulares a
diferentes diluciones, pH, concentraciones de sustrato y cepas, sin embargo no llevan a cabo
ningún tipo de modelamiento. En el caso del cultivo de Klebsiella pneumoniae para la obtención
de PDO, el número de reportes de aplicación de FBA o MFA es mayor, aunque todos ellos también
están enfocados a estudios comparativos y además usan redes metabólicas simplificadas [147-153].
1.5 Análisis de balances de flujo dinámico
Debido a que el FBA no permite predecir interacciones entre las reacciones intracelulares con el
ambiente extracelular además del comportamiento en el tiempo, su aplicación es limitada en
cultivos por lotes y lote alimentado, los cuales son los más empleados en procesos industriales. Lo
anterior ha llevado al desarrollado del Análisis de Balance de Flujo Dinámico (DFBA, por sus
siglas en inglés: Dynamic Flux Balance Analysis) en busca de solucionar dichas dificultades [30,
32, 44, 46, 49]. Mahadevan et al. [30], empleando una red metabólica simplificada de E. coli
sentaron las bases para el empleo del DFBA a partir de balances de materia en estado transitorio y
optimización dinámica con Programación No Lineal (NLP por sus siglas en inglés: Nonlinear
Programming), la cual es presentada en la Ecuación 1.8.
La optimización presentada en la Ecuación 1.8 es conocida como Aproximación de Optimización
Dinámica (DOA por sus siglas en inglés: Dynamic Optimization Approach), la cual puede ser
solucionada parametrizando las ecuaciones diferenciales (ODE por sus siglas en inglés Ordinary
differential equation) mediante el uso del método de colocación ortogonal de elementos finitos,
haciéndolo un método altamente complejo de emplear en redes metabólicas relativamente grandes
[30]. Por lo anterior, el uso de DOA para la solución del DFBA es muy limitada, dado que sólo
existen 6 reportes, los cuales han empleado como modelos biológicos E. coli, células del
Capítulo 1:
Estado del Arte
19
miocardio, cloroplastos de plantas C3 y la cianobacteria Synechocystis sp [30, 50, 154-157]. Ahora
bien, como se observa en la Ecuación 1.8, el proceso de optimización es realizado una sola vez en
todo el intervalo de tiempo, donde no sólo se maximiza la biomasa al final de la fermentación
(función 𝜙), sino que también optimiza la biomasa producida en cada intervalo G (función 𝐿). Sin
embargo, ha sido encontrado que el empleo de sólo la función instantánea permite obtener
resultados más representativos a los valores experimentales. Lo anterior ha permitido sugerir que
los microorganismos no tienen capacidad para predecir situaciones futuras y así re-direccionar los
fluxes de tal forma que la biomasa sea la máxima al final de la fermentación [30]. Dado esto, sería
posible simplificar la función objetivo de la Ecuación 1.8 según se muestra en la Ecuación 1.9.
𝑀𝑎𝑥 �̂�𝑓𝑖𝑛𝑎𝑙 ∙ 𝜙(𝑧, 𝑣, 𝑋)|𝑡=𝑡𝑓 + �̂�𝑖𝑛𝑠𝑡 ∙ ∑∫ [𝐿(𝑧, 𝑣, 𝑋(𝑡)) ∙ 𝛿(𝑡 − 𝑡𝑔)]𝑡𝑓
0
𝐺
𝑔=0
𝑑𝑡
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎:
{
𝑑𝑧𝑖
𝑑𝑡= − ∑ 𝑆𝑖𝑗
𝑁𝐼𝑛𝑡𝑒𝑟𝑐
𝑗=1
∙ 𝑣𝑗 ∙ 𝑋 ∀ 𝑖 ∈ 1,… ,𝑀𝐸𝑥𝑡𝑟𝑎𝑐𝑒𝑙𝑢𝑙𝑎𝑟
𝑑𝑋
𝑑𝑡= (𝜇 − 𝑘𝑑) ∙ 𝑋
∑ 𝑆𝑖𝑗 ∙ 𝑣𝑗
𝑁
𝑗 =1
= 0 ∀ 𝑖 ∈ 1,… ,𝑀
𝜇 = ∑ 𝑐𝑗 ∙ 𝑣𝑗
𝑁
𝑗 =1
𝑣𝑗𝑚𝑖𝑛 < 𝑣𝑗 < 𝑣𝑗
𝑚𝑎𝑥 ∀ 𝑗 ∈ 1,… ,𝑁
�̂�(𝑣, 𝑧) ≤ 0
𝑧𝑖(𝑡) ≥ 0 𝑧𝑖(𝑡0) = 𝑧𝑖,0 ∀ 𝑖 ∈ 1,… ,𝑀𝐸𝑥𝑡𝑟𝑎𝑐𝑒𝑙𝑢𝑙𝑎𝑟
𝑋(𝑡) ≥ 0 𝑋(𝑡0) = 𝑋0
𝑡𝑔 = 𝑡0 + 𝑔 ∙ 𝑡𝑓 − 𝑡0
𝐺 ∀ 𝑔 ∈ 0… . 𝐺
}
∀ 𝑡𝑔 ∈ [𝑡0, 𝑡𝑓]
1.8
Dónde:
zi es la concentración extracelular del metabolito i, mientras que zi,0 es la concentración en el
instante inicial (expresadas en mmol/L o mM)
X es la concentración de biomasa, mientras que X0 es la concentración en el instante inicial
(expresado en g/L)
𝜇 y 𝑘𝑑 son la velocidad específica de crecimiento y la constante de muerte, respectivamente
(expresadas en h-1
)
𝑐𝑗 es el peso de la reacción j en la velocidad de crecimiento, siendo 1 para la reacción de
biomasa y cero para todas las demás reacciones.
20 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
�̂�(𝑣, 𝑧) es el vector de restricciones no lineales que sean consideradas, tales como cinéticas de
consumo de sustratos entre otras.
t0 y tf son los tiempo inicial y final, respectivamente (h)
𝜙(𝑧, 𝑣, 𝑋)|𝑡=𝑡𝑓 es la función terminal que define el valor de la función objetivo en el punto
final.
𝐿(𝑧, 𝑣, 𝑋(𝑡)) es la función instantánea que suministra el valor de la función objetivo en un
tiempo 𝑡𝑗.
𝛿(𝑡 − 𝑡𝑔) es la función delta de Dirac.
𝐺 es el número de intervalos en que es discretizado el tiempo de la simulación.
�̂�𝑓𝑖𝑛𝑎𝑙 , �̂�𝑖𝑛𝑠𝑡 son los pesos asociados con la función terminal e instantánea, respectivamente.
𝑀𝑎𝑥 ∑∫ [𝐿(𝑧, 𝑣, 𝑋(𝑡)) ∙ 𝛿(𝑡 − 𝑡𝑔)]𝑡𝑓
0
𝐺
𝑔=0
𝑑𝑡 1.9
Como alternativa al uso del DOA, Mahadevan et al. [30] también propusieron la Aproximación de
Optimización Estática (SOA por sus siglas en inglés: Static Optimization Approach). En la
aproximación SOA es dividido el tiempo de cultivo en varios intervalos y es resuelto el sistema en
cada intervalo, como es mostrado en la Ecuación 1.10. Es decir que la solución SOA hace la
suposición de pseudo estado estacionario en cada intervalo de tiempo y por tanto las ecuaciones
diferenciales son linealizadas. No obstante, demostraron que su precisión es menor, pero gracias a
su mayor simplicidad en comparación con la solución DOA, su aplicación en modelos de DFBA es
mayor.
𝑀𝑎𝑥 𝜇 = ∑ 𝑐𝑗 ∙ 𝑣𝑗(𝑡)
𝑁
𝑗 =1
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎:
{
𝑧𝑖(𝑡 + ∆𝑡) = 𝑧𝑖(𝑡) − ∑ 𝑆𝑖𝑗
𝑁𝐼𝑛𝑡𝑒𝑟𝑐
𝑗=1
∙ 𝑣𝑗(𝑡) ∙ 𝑋(𝑡) ∙ ∆𝑡
∀ 𝑖 ∈ 1,… ,𝑀𝐸𝑥𝑡𝑟𝑎𝑐𝑒𝑙𝑢𝑙𝑎𝑟
𝑋(𝑡 + ∆𝑡) = 𝑋(𝑡) + (𝜇 − 𝑘𝑑) ∙ 𝑋(𝑡) ∙ ∆𝑡
∑ 𝑆𝑖𝑗 ∙ 𝑣𝑗
𝑁
𝑗 =1
= 0 ∀ 𝑖 ∈ 1,… ,𝑀
𝑣𝑗𝑚𝑖𝑛 < 𝑣𝑗(𝑡) < 𝑣𝑗
𝑚𝑎𝑥 ∀ 𝑗 ∈ 1,… ,𝑁
�̂� (𝑧𝑖(𝑡), 𝑣𝑗(𝑡)) ≤ 0
𝑧𝑖(𝑡) ≥ 0 𝑧𝑖(𝑡0) = 𝑧𝑖,0 ∀ 𝑖 ∈ 1,… ,𝑀𝐸𝑥𝑡𝑟𝑎𝑐𝑒𝑙𝑢𝑙𝑎𝑟
𝑋(𝑡) ≥ 0 𝑋(𝑡0) = 𝑋0
∆𝑡 = 𝑡𝑓 − 𝑡0
𝐺 ∀ 𝑔 ∈ 0… . 𝐺
}
∀ 𝑡𝑔 ∈ [𝑡0, 𝑡𝑓]
1.10
Capítulo 1:
Estado del Arte
21
Finalmente, como alternativa a las aproximaciones SOA y DOA, Hjersted & Henson [158]
propusieron la aproximación directa (DA por sus siglas en inglés: Direct Approach), la cual se
caracteriza por resolver las ecuaciones diferenciales en cada intervalo de tiempo. Lo que permite
conservar dichas ecuaciones diferenciales mediante el uso métodos como colocación ortogonal, ya
mencionado en la aproximación DOA. Sin embargo, DA cuenta con la ventaja de no hacer una
sola optimización en todo el tiempo de fermentación, sino una por cada intervalo de tiempo, lo cual
reduce considerablemente la capacidad de cómputo y el tiempo de simulación.
Ahora bien, los reportes de uso de DFBA son limitados, aunque se destacan por modelar con
bastante precisión cultivos por lote y lote alimentado. Los primeros estudios fueron realizados por
Varma & Palsson [159] y Mahadevan et al. [30]. Posteriormente los reportes anuales han
aumentado aproximadamente de manera lineal, donde la mayoría emplean como modelo biológico
S. cerevisiae [32, 46-49, 55, 158, 160-166], E. coli [30, 50, 51, 159, 167-172], y cocultivos de S.
cerevisiae y E. coli [52, 53, 173, 174], otros modelos estudiados son células CHO, Shewanella
oneidensis, Lactococcus lactis, Clorella sp [54, 157, 175-177]. En contraste, al emplear como
modelo biológico Clostridium sólo existe un reporte, en el cual se lleva a cabo el cocultivo de C.
acetobutylicum y C. cellulolyticum para convertir la celulosa en butanol [131]. Por lo tanto, es
posible concluir que no existen reportes del empleo de DFBA para predecir la conversión de
glicerol a PDO empleando cepas de Clostridium.
1.6 Perturbaciones en análisis de balances de flujo dinámico
La implementación de herramientas computacionales cada vez más robustas ha permitido el
desarrollo de diferentes tipos de modelos biológicos cada vez más complejos, que buscan desde
entender hasta predecir diferente tipos de comportamientos biológicos como redes de
señalamiento, quorum sensing, modelos cinéticos estructurados, modelos de crecimiento, etc [57,
178]. Sin embargo, dichos modelos presentan retos en común como la selección adecuada de los
valores de los parámetros a emplear o la capacidad de respuesta a perturbaciones en éste [179]. Es
por lo anterior que diferentes métodos de análisis de sensibilidad han sido desarrollados en dichos
modelos biológicos, no obstante, ninguno de ellos está enfocado en predicciones dinámicas de
modelos GSM [57, 178, 180-187].
El análisis de sensibilidad puede ser desarrollado por dos aproximaciones: análisis local y análisis
global. En el caso del análisis local, sólo un parámetro de entrada es variado en un rango
determinado y se evalúa la respuesta de un parámetro de salida. Sin embargo este tipo de
aproximación no es recomendado en sistemas biológicos dado que existe incertidumbre en el valor
que se escoja de los parámetros de entrada que se mantienen constantes [57]. Es por tal motivo que
en modelos biológicos es más adecuado el análisis global, en el cual todos los parámetros de
entrada son evaluados en rangos definidos de manera simultánea. Entre los métodos de análisis de
sensibilidad global están: Análisis de sensibilidad Multi-Paramétrico (MPSA por sus siglas en
inglés: Multi-parametric sensitivity analysis), Análisis Rango Parcial de Coeficiente de
Correlación (PRCC por sus siglas en inglés: Partial rank correlation coefficient), Método de
Morris, Método de Sobol o Prueba de sensibilidad de amplitud de Fourier (FAST, por sus siglas en
inglés: Fourier Amplitude sensitivity test) [57, 188]. Métodos como MPSA o PRPP requieren de un
bajo costo computacional, pero están restringidos a modelos monotónicos, en contraste métodos
como Sobol o FAST son altamente demandantes de cómputo y sólo son recomendados en modelos
biológicos de pequeña escala [57]. Sin embargo, se ha demostrado una alta correlación en los
resultados entre métodos de baja demanda como PRPP y alta demanda como Sobol y FAST [183].
22 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Por otro lado, modelos GSM usados en la predicción del crecimiento y formación de un metabolito
de interés suelen ser perturbados metabólicamente en estado estacionario para predecir mutantes
por deleción que permitan mejorar los rendimientos de dicho metabolito [58]. Lo anterior puede
ser extrapolado en modelos dinámicos y predecir no sólo rendimientos sino también tiempos de
cultivo y concentraciones finales. Otros tipo de perturbaciones pueden ser realizadas durante una
fermentación usando FBA dinámico, como es el caso de predicción de cultivos por lote alimentado
[54-56].
1.7 Avances del grupo investigación en Microorganismos
Solventogénicos del IBUN
El grupo de Microorganismos Solventogénicos perteneciente al Instituto de Biotecnología de la
Universidad Nacional de Colombia inició investigación en solventes obtenidos a partir de cepas de
Clostridium con el aislamiento de cepas promisorias en 1995 [14], a las cuales se les ha hecho gran
número de estudios bioquímicos y moleculares [189-193], posteriormente fueron seleccionadas las
cepas Clostridium sp IBUN 13A y Clostridium sp IBUN 158B como las más aptas para la
producción de PDO [15, 194]. Entre los últimos estudios para la obtención de PDO destaca la
optimización del medio de cultivo [16] y análisis de proteómica para identificar la producción de
enzimas en dos fases de crecimiento [19], obtención de mutantes tanto por sobreexpresión como
por knockout [17], y secuenciación y anotación del genoma [18].
En adición, el grupo de investigación contó con una alianza con Ecodiesel Colombia S.A. y tuvo
un proyecto aprobado en la convocatoria 562 de Colciencias llamado “Programa estratégico para la
biotransformación sostenible de glicerina cruda en 1,3-Propanodiol y prospectiva para el
desarrollar una biorefinería en Ecodiesel Colombia S.A.”, donde uno de los objetivos fue el diseño
de un proceso técnicamente eficiente para la producción y purificación biotecnológica de PDO a
nivel de planta piloto. Por lo cual, entre otras cosas, el grupo de investigación esperaba modelar el
proceso de fermentación, objetivo de gran interés para Ecodiesel. Mientras que otro objetivo del
proyecto estaba más encaminado en la línea básica y por ende de mayor interés académico que
industrial, en el cual se esperaba reconstruir la red metabólica, realizar los análisis de balances de
flujo, realizar estudio de transcriptómica y proponer mutantes sobreproductoras.
1.8 Planteamiento del problema
Dentro del macroproyecto “Programa estratégico para la biotransformación sostenible de glicerina
cruda en 1,3-Propanodiol y prospectiva para el desarrollar una biorefinería en Ecodiesel Colombia
S.A.” se esperaba modelar el proceso de fermentación, sin embargo, los modelos reportados para la
obtención de PDO son limitados y poco precisos dado que son modelos no estructurados y no
involucran la red metabólica, la cual ha demostrado incidir en los rendimientos según las
condiciones de la fermentación [9, 97, 121, 122].
Por otro lado, como herramienta útil para predecir el comportamiento de la red metabólica está el
FBA, cuya aplicación en la obtención de PDO, ya sea empleando Clostridium butyricum o
Klebsiella pneumoniae, está limitada a estudios comparativos, los cuales emplean redes
metabólicas simplificadas, incluso algunas sólo incluyen la ruta catabólica de la célula, pero
ningún modelo GSM [22, 147-153]. En contraste, el empleo de la aproximación dinámica del FBA
no tiene reportes en la literatura para la producción de PDO, a pesar que ha mostrado predecir con
Capítulo 1:
Estado del Arte
23
bastante precisión modelos biológicos como S. cerevisiae y E. coli, células CHO, Shewanella
oneidensis, Lactococcus lactis, entre otros.
Por lo anterior, ante lo impráctico que resulta proponer un modelo cinético de las reacciones
intracelulares debido a la gran cantidad de reacciones involucradas [161] y que las estrategias
computacionales, las cuales permiten modelar el comportamiento celular, representan una
oportunidad para modelar políticas de operación de fermentaciones por lotes y lote alimentado
[165, 168], surge como hipótesis que es posible desarrollar un modelo de análisis de balance de
flujo dinámico (DFBA) que describa la producción de PDO a partir de glicerol en una cepa de
Clostridium, el cual pueda ser validado experimentalmente.
1.9 Objetivos
1.9.1 Objetivo general.
Desarrollar un modelo dinámico que describa la producción de PDO de una cepa nativa de
Clostridium mediante el desarrollo del análisis de balance de flujo dinámico.
1.9.2 Objetivos específicos.
Determinar in silico la estabilidad de la red metabólica de una cepa nativa de
Clostridium mediante análisis de balance de flujo en estado estacionario.
Deducir un modelo dinámico de balance de flujo que permita predecir la producción
de PDO.
Validar modelo propuesto in silico mediante el uso de datos experimentales obtenidos
de la fermentación de la cepa nativa de Clostridium estudiada.
Realizar análisis de sensibilidad que establezca algunos factores con significancia en la
producción de PDO.
24 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
2. Capítulo 2: Metodología
2.1 Ajuste del modelo en estado estacionario
2.1.1 Reconstrucción y curación del modelo GSM
Fue empleada la anotación cruda por RAST de la bacteria colombiana Clostridium sp IBUN 13A
para la reconstrucción del modelo GSM. El genoma crudo se encuentra disponible en el GenBank
con el número de acceso NZ_JZWG00000000.1 [18], tiene un tamaño de 4.6 millones de pares de
bases y fueron detectados en total 4086 genes. Mediante ortología de genes y enzimas fue obtenida
la red cruda de reacciones. Dichas reacciones y sus respectivos metabolitos fueron expresados en
nomenclatura KEGG. Por otro lado, la base de datos de SEED [23] fue empleada para determinar
la direccionalidad o reversibilidad de las reacciones según su energía libre de Gibbs. La base de
datos SEED también fue utilizada para realizar los balances de masas y cargas a pH 7.
Así mismo, fueron empleados los valores de Mantenimiento Asociado al Crecimiento (GAM, por
sus siglas en inglés: Growth-associated maintenance) y Mantenimiento no asociado al crecimiento
(NGAM, por sus siglas en inglés: Non-Growth-associated maintenance) reportados para
Clostridium acetobutylicum ATCC 824, los cuales son 40 mmol·ATP/g y 5 mmol·ATP/g·h,
respectivamente [130]. Igualmente fue empleada la composición de biomasa reportada en el
modelo GSM de C. beijerinckii [134] para la elaboración de reacciones empíricas de formación de
macromoléculas y de biomasa. Sin embargo dicha composición estaba en base másica y por tanto
corregida a base molar con el fin de asegurar la conservación de materia en dichas reacciones.
La estrategia de curación inicial empleada fue ingeniería reversa propuesta por Senger &
Papoutsakis [128], la cual es presentada en la Figura 2.1. Brevemente, la metodología consiste en
realizar el FBA, Ecuación 1.7, maximizando la formación de biomasa, Ecuación 2.1. Dicha
metodología permite identificar errores en la red metabólica mediante activación e inactivación de
reacciones temporales de transporte para cada uno de los constituyentes de la biomasa (ADN,
ARN, proteínas, lípidos, pared celular entre otros) y sus respectivos precursores (por ejemplo para
las proteínas todos los aminoácidos). Dichos errores detectados son corregidos adicionando
manualmente las reacciones faltantes, las cuales son obtenidas a partir de modelos GSM de
referencia. Al finalizar, la red no tendrá inconsistencias si en el desarrollo de un FBA hay un valor
de µ mayor a cero y todas las reacciones de transporte temporales han sido eliminadas nuevamente.
𝑀𝑎𝑥 𝑍 = 𝜇 = ∑ 𝑐𝑗 ∙ 𝑣𝑗
𝑁
𝑗 =1
2.1
26 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Figura 2.1. Diagrama de flujo de ingeniería reversa para la reconstrucción del modelo GSM [128]
No obstante, el método de curación de ingeniería reversa sólo detecta el número mínimo de
reacciones necesarias para lograr un crecimiento in silico del microorganismo. Por lo tanto, otros
metabolitos aún pueden permanecer bloqueados por falta de al menos una reacción que no es
esencial para el crecimiento. Por tal motivo fue empleado método automatizado GapFind para la
detección de dichos metabolitos bloqueados y GapFill para su solución mediante la adición
mínima de reacciones [129]. Tanto en el desarrollo de la curación semiautomatizada como
automatizada fueron empleados como bases de datos las reacciones de los modelos GSM de otras
cepas solventogénicas de Clostridium, Tabla 1.7. Lo anterior fue realizado asumiendo homología
entre cepas de un mismo género, por consiguiente en la base de datos no fueron incluidas
reacciones de otros modelos biológicos como E. coli. Asi mismo, fueron empleados datos
experimentales de la fermentación de Clostridium butyricum en glicerol como base de datos de
reacciones de intercambio y transporte de sustratos y productos extracelulares propios de dicha
fermentación [19, 21, 108].
Como última etapa de curación fueron detectados y eliminados los ciclos termodinámicamente
infactibles del modelo GSM de Clostridium sp IBUN 13A siguiendo la metodología propuesta por
Capítulo 2:
Metodología 27
Schellenberger et al. [195]. Esta metodología consiste en la detección de las reacciones con fluxes
máximo y/o mínimo iguales a los límites posibles, es decir 1000 y -1000 mmol/g·h,
respectivamente, según Análisis de Variabilidad de Fluxes (FVA, por sus siglas en inglés: Flux
Variability Analysis), Ecuación 2.2 [58, 196]. Posteriormente dichas reacciones, con sus
respectivos metabolitos, son expresadas de forma matricial y es calculado su espacio nulo, donde
cada ciclo es detectado con sus respectivas reacciones. Los ciclos son resueltos mediante revisión
de la reversibilidad e irreversibilidad de las reacciones involucradas, eliminación de reacciones
repetidas o como última alternativa boqueo de alguna de las reacciones. Finalmente, es repetido el
procedimiento hasta que el espacio nulo sea cero y por lo tanto el modelo GSM reconstruido estará
curado.
𝑀𝑎𝑥 𝑣𝑗 ∀ 𝑗 ∈ 1,… ,𝑁
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎:
{
∑ 𝑆𝑖𝑗 ∙ 𝑣𝑗
𝑁
𝑗 =1
= 0, ∀ 𝑖 ∈ 1,… ,𝑀
𝑣𝑗𝑚𝑖𝑛 ≤ 𝑣𝑗 ≤ 𝑣𝑗
𝑚𝑎𝑥 , ∀ 𝑗 ∈ 1,… ,𝑁
𝑍 = {𝑍ó𝑝𝑡𝑖𝑚𝑜 𝑠𝑖 𝐹𝐵𝐴 𝑒𝑠 𝐿𝑃
0.95 ∗ 𝑍ó𝑝𝑡𝑖𝑚𝑜 𝑠𝑖 𝐹𝐵𝐴 𝑒𝑠 𝑁𝐿𝑃 }
𝑀𝑖𝑛 𝑣𝑗 ∀ 𝑗 ∈ 1,… ,𝑁
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎:
{
∑ 𝑆𝑖𝑗 ∙ 𝑣𝑗
𝑁
𝑗 =1
= 0, ∀ 𝑖 ∈ 1,… ,𝑀
𝑣𝑗𝑚𝑖𝑛 ≤ 𝑣𝑗 ≤ 𝑣𝑗
𝑚𝑎𝑥, ∀ 𝑗 ∈ 1,… ,𝑁
𝑍 = {𝑍ó𝑝𝑡𝑖𝑚𝑜 𝑠𝑖 𝐹𝐵𝐴 𝑒𝑠 𝐿𝑃
0.95 ∗ 𝑍ó𝑝𝑡𝑖𝑚𝑜 𝑠𝑖 𝐹𝐵𝐴 𝑒𝑠 𝑁𝐿𝑃 }
2.2
2.1.2 Ajuste de modelos cinéticos empleados como restricciones.
Previo a las predicciones de crecimiento fue ajustada una cinética del máximo flux de secreción del
ácido acético. Lo anterior fue realizado dado que según datos reportados de cultivos continuos en
glicerol de C. butyricum DSM 5431 [108] y C. butyricum F2b [88] es observada una tendencia
alostérica de dicho flux en función del flux de consumo de glicerol. Por lo tanto, para posteriores
predicciones de FBA y DFBA empleando glicerol como única fuente de carbono, fue empleado
dicho ajuste alostérico como restricción cinética, Ecuación 2.3. Los fluxes experimentales de
secreción de otros productos no mostraron una tendencia clara en ambos cultivos de referencia y
por tanto no fueron ajustadas cinéticas de secreción a éstos.
𝑣𝐴.𝐴𝑐.𝑚𝑎𝑥 =
𝑣∞𝑎𝑎 ∙ 𝑣0
𝑎𝑎 ∙ 𝑒(𝑅𝑎𝑎∙𝑣𝐺𝑙𝑦)
𝑣∞𝑎𝑎 + 𝑣0
𝑎𝑎 ∙ [𝑒(𝑅𝑎𝑎∙𝑣𝐺𝑙𝑦) − 1]
2.3
Adicional al ajuste cinético presentado en la Ecuación 2.3, fue calculada la constante de muerte
(kd) tanto para exceso como para limitación de glicerol, las cuales fueron estimadas a partir de
cultivos continuos reportados por Solomon et al. [108]. Finalmente, a partir de fermentaciones de
la cepa Clostridium sp IBUN 158B a condición inicial de glicerol de 406.3 y 136.2 mM, presente
investigación, y 540.2 mM [15] fue calculada la cinética de consumo de glicerol en función de la
concentración de glicerol, Ecuación 2.4. Las predicciones de cinética de consumo de glicerol y
constante de muerte fueron empleadas como restricciones sólo en las predicciones dinámicas. La
Tabla 2.1 resume los diferentes parámetros cinéticos ajustados empleando glicerol como única
fuente de carbono. Los diferentes ajustes fueron realizados empleando el software TableCurve
2D® (Systat Software Inc., San Jose, California, USA).
28 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
𝑣𝐺𝑙𝑦 = (𝑣𝑚𝑎𝑥𝐺𝑙𝑦
∙ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]
𝑘𝑠𝐺𝑙𝑦
+ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]) ∙ (1 −
[𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]
𝑘𝐼𝐺𝑙𝑦 ) 2.4
Tabla 2.1. Resumen parámetros cinéticos empleados como restricciones en modelos FBA y DFBA
con glicerol como única fuente de carbono
Parámetro Descripción Unidades Origen datos
experimentales
𝑣0𝑎𝑎
Flux basal de formación de ácido acético (Flux
consumo de glicerol tiende a cero) mmol/g·h [88, 108]
𝑣∞𝑎𝑎
Flux máximo de formación de ácido acético (flux de
consumo de glicerol tiende a infinito) mmol/g·h [88, 108]
𝑅𝑎𝑎 Tasa de formación de ácido acético en función del
flux de consumo de glicerol. g·h/mmol [88, 108]
𝑘𝑑𝑙𝑖𝑚
Constante de muerte a condiciones de limitación de
glicerol h
-1 [108]
𝑘𝑑𝑒𝑥𝑐
Constante de muerte a condiciones de exceso de
glicerol h
-1 [108]
𝑣𝑚𝑎𝑥𝐺𝑙𝑦
Flux máximo de consumo de glicerol mmol/g·h Este estudio y
[15]
𝑘𝑠𝐺𝑙𝑦
Constante de afinidad del flux consumo de glicerol
a la concentración de glicerol en el medio mM
Este estudio y
[15]
𝑘𝐼𝐺𝑙𝑦
Constante de inhibición del flux consumo de
glicerol por concentración de glicerol en el medio mM
Este estudio y
[15]
2.1.3 Predicción del crecimiento con FBA
La capacidad predictiva del crecimiento y producción de PDO del modelo GSM reconstruido fue
determinada mediante comparación con datos experimentales de cultivos continuos de la cepa C.
butyricum DSM 5431 reportados por Solomon et al. [108]. Dichos datos fueron clasificados por
Solomon et al. según contenido de glicerol como: glicerol en limitación (concentración inferior a
15 g/L o 163 mM) o glicerol en exceso (concentración superior a 15 g/L o 163 mM). Por lo tanto,
adicional a la restricción cinética de la Ecuación 2.3, fue fijado el flux de consumo de glicerol
según valores experimentales.
La predicción de fluxes por FBA fue originalmente realizada maximizando la biomasa, Ecuación
2.1, realizada por Programación Lineal (LP, por sus siglas en inglés: Linear Programming).
También fueron empleadas las funciones objetivo maximización de biomasa mientras minimiza el
uso enzimático y maximización de biomasa mientras minimiza el uso enzimático y la producción
de ATP, Ecuaciones 2.5 y 2.6, respectivamente, las cuales fueron resueltas mediante Programación
No Lineal (NLP, por sus siglas en inglés: Nonlinear Programming). Tanto la optimización LP
como NLP fueron realizadas con el solver CONOPT v3.15N, el cual se caracteriza por desarrollar
sistemas NLP de gran escala, como son los modelos GSM [56, 156, 158, 197]. El programa
empleado fue GAMS (General Algebraic Modeling System, GAMS Development Corp.,
Washington, DC) software V.24.2.2 r44857 para Linux.
Capítulo 2:
Metodología 29
𝑀𝑎𝑥 𝑍 =𝜇
∑ 𝑣𝑗2𝑁
𝑗 =1
2.5
𝑀𝑎𝑥 𝑍 =𝜇
(𝑤 ∙ ∑ 𝑣𝑗2𝑁
𝑗 =1 + (1 − 𝑤) ∙ 𝑣𝐴𝑇𝑃 𝑝𝑟𝑜𝑑2 )
𝑤 ∈ (0,1) 2.6
Dónde:
∑ 𝑣𝑗2𝑁
𝑗 =1 es la suma del cuadrado de todos los fluxes, el cual corresponde al flux intracelular
total y es entendido como la máxima eficiencia enzimática durante el crecimiento.
𝑣𝐴𝑇𝑃 𝑝𝑟𝑜𝑑2 es la suma del cuadrado de todos fluxes de reacciones con factibilidad
termodinámica para producir ATP.
𝑤 es el peso el cual varía entre 0 y 1.
Posteriormente fue realizada la Búsqueda de fluxes enlazados (FCF, por sus siglas en inglés: Flux
Coupling Finder), la cual consiste en determinar si existe acoplamiento de los N fluxes del modelo
a un flux en específico, en este caso la velocidad de crecimiento µ, Ecuación 2.7 [198]. Las
reacciones fueron clasificadas según su acoplamiento al crecimiento como se muestra la Tabla 2.2.
Una vez clasificadas las reacciones, se realizó la correspondiente clasificación de las enzimas
presentes en el modelo. Por consiguiente, una enzima estaba completamente acoplada al
crecimiento si al menos una de las reacciones que cataliza lo estaba. Mientras que una enzima
parcialmente acoplada al crecimiento no cataliza reacciones totalmente acopladas, pero sí al menos
una parcialmente acoplada al crecimiento. Así mismo, una enzima direccionalmente acoplada sólo
cataliza reacciones direccionalmente acopladas al crecimiento y posiblemente reacciones
bloqueadas. Finalmente, una enzima estará bloqueada o no acoplada al crecimiento si todas las
reacciones que catalizan están bloqueadas o no acopladas, respectivamente.
𝑀𝑎𝑥 𝑅𝑗,𝑚𝑎𝑥 = 𝑣𝑗/𝜇 ∀ 𝑗 ∈ 1,… ,𝑁
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎:
{
∑ 𝑆𝑖𝑗 ∙ 𝑣𝑗
𝑁
𝑗 =1
= 0, ∀ 𝑖 ∈ 1,… ,𝑀
𝑣𝑗𝑚𝑖𝑛 ≤ 𝑣𝑗 ≤ 𝑣𝑗
𝑚𝑎𝑥 , ∀ 𝑗 ∈ 1,… ,𝑁
𝑣𝐴𝑇𝑃𝑀 = 𝑁𝐺𝐴𝑀
𝜇𝐹𝐵𝐴 }
𝑀𝑖𝑛 𝑅𝑗,𝑚𝑖𝑛 = 𝑣𝑗/𝜇 ∀ 𝑗 ∈ 1,… ,𝑁
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎:
{
∑ 𝑆𝑖𝑗 ∙ 𝑣𝑗
𝑁
𝑗 =1
= 0, ∀ 𝑖 ∈ 1,… ,𝑀
𝑣𝑗𝑚𝑖𝑛 ≤ 𝑣𝑗 ≤ 𝑣𝑗
𝑚𝑎𝑥, ∀ 𝑗 ∈ 1,… ,𝑁
𝑣𝐴𝑇𝑃𝑀 = 𝑁𝐺𝐴𝑀
𝜇𝐹𝐵𝐴 }
2.7
Tabla 2.2. Criterio de clasificación de acoplamiento de las reacciones al crecimiento según FCF
[198]
Clasificación Criterio1
Bloqueadas 𝑅𝑗,𝑚𝑖𝑛 = 0 ˄ 𝑅𝑗,𝑚𝑎𝑥 = 0
No acoplada al crecimiento 𝑅𝑗,𝑚𝑖𝑛 = 0 ˄ | 𝑅𝑗,𝑚𝑎𝑥| = ∞
Direccionalmente acopladas al crecimiento 𝑅𝑗,𝑚𝑖𝑛 = 0 ˄ | 𝑅𝑗,𝑚𝑎𝑥| = 𝑐𝑡𝑒
Parcialmente acopladas al crecimiento |𝑅𝑗,𝑚𝑖𝑛| = 𝑐𝑡𝑒1 ˄ | 𝑅𝑗,𝑚𝑎𝑥| = 𝑐𝑡𝑒2
Completamente acopladas al crecimiento 𝑅𝑗,𝑚𝑖𝑛 = 𝑅𝑗,𝑚𝑎𝑥 = 𝑐𝑡𝑒 1 cte, cte1 y cte2 son constantes positivas diferentes de cero
30 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
También fue evaluada la capacidad predictiva de la expresión de enzimas, lo cual fue realizado
mediante comparación de la enzimas presentes tanto en el modelo GSM reconstruido como en el
proteoma de la cepa Clostridium butyricum DSM 10702 cultivada en glicerol [26]. Dado que la
FCF es un proceso estacionario y el proteoma reportado por Gungormusler-Yilmaz et al. [26]
procede de un cultivo por lotes, se decidió emplear el proteoma correspondiente a la fase
exponencial de crecimiento, pues la velocidad específica de crecimiento es aproximadamente
constante durante esta etapa de crecimiento. Para dicha comparación fueron excluidas enzimas
bloqueadas según FCF. En el caso de las enzimas no bloqueadas que fueron detectadas en el
proteoma, se supuso eran activas y catalizaban al menos una reacción, por lo tanto la expresión de
la enzima podía ser: a) predicha si el flux de al menos una reacción catalizada por esta enzima era
diferente de cero o b) no predicha si los fluxes de todas las reacciones catalizadas por la enzima
detectada en el proteoma eran cero. Por otro lado, todas las enzimas de expresión predicha fueron
empleadas en la comparación de su nivel de expresión reportado por Gungormusler-Yilmaz et al.
[26] como el Log2 del Ion Total Actual (TIC, por sus siglas en inglés: Total ion Current) con su
respectivo flux normalizado con base en el flux de consumo de glicerol. Dado que algunas enzimas
reportaron más de un valor de nivel de expresión y/o catalizan más de una reacción activa, fueron
empleados los valores máximos de nivel de expresión y de flux normalizado para la comparación.
Finalmente, fue realizada la validación experimental usando datos de cepas de Clostridium
butyricum cultivadas en sustratos diferentes al glicerol, como glucosa [146] y otros carbohidratos
[199]. Las predicciones de crecimiento con estos sustratos fueron realizadas empleando como
función objetivo la mostrada en la Ecuación 2.5. Por otro lado, fue empleado el transcriptoma
reportado por Calusinska et al. [200] para la cepa C. butyricum CWBI 1009 como validación del
modelo GSM. Esta cepa fue cultivada en glucosa usando fermentación por lotes a condiciones no
controladas de pH. Así mismo, Calusinska et al. [200] emplearon reactor de 20L, por consiguiente
características como agitación o suministro de gas no son consideradas como parámetros de
incidencia como sí lo es el medio de cultivo a esta escala [100, 101]. La comparación entre
transcriptómica y fluxes predichos fue realizada de manera análoga a la comparación previamente
descrita entre proteómica y fluxes predichos. Por lo tanto, fue empleado el transcriptoma detectado
durante la fase de crecimiento exponencial, el cual está compuesto por ARN mensajeros
codificantes para un total de 913 enzimas (513 únicas y 381 redundantes).
2.1.4 Modelado de escenarios con incremento en el rendimiento de PDO
2.1.4.1 Predicción de estados fenotípicos de mutantes por knockout
Con el objetivo de predecir escenarios con incremento en el rendimiento YPDO/S, fueron realizadas
perturbaciones en la modelo GSM mediante la deleción in silico de enzimas. Las deleciones fueron
tanto simples como dobles siguiendo la estrategia de minimización de Regulación on/off (ROOM,
por sus siglas en inglés: Regulatory On/Off Minimization) [201], la cual es mostrada en la
Ecuación 2.8. Las enzimas consideradas en el análisis fueron las clasificadas como
direccionalmente acopladas al crecimiento de acuerdo al análisis FCF descrito en el apartado 2.1.3,
Predicción del crecimiento con FBA. La aproximación ROOM fue seleccionada para la predicción
de los estados fenotípicos de mutantes dado que ésta ha sido reportada como la aproximación más
adecuada para predecir mutantes por knockout [45]. Lo anterior, debido a que la aproximación
ROOM busca mantener tanto la estabilidad de la red metabólica como de la expresión de genes y
por consiguiente minimiza el número de reacciones que cambian su flux según unos límites de
confianza dados. Es decir que ROOM emplea números binarios y su desarrollo es mediante
Capítulo 2:
Metodología 31
programación que incluye variables enteras (MIP por sus siglas en inglés: Mixed Integer
Programming), el cual fue resuelto empleando el solver CPLEX 12.6.0.0 para GAMS.
𝑀𝑖𝑛 ∑𝑏𝑗
𝑁
𝑗=1
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎
{
∑ 𝑆𝑖𝑗𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒
𝑁
𝑗 =1
= 0, ∀ 𝑖 ∈ 1,… ,𝑀
𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒𝑚𝑎𝑥 ˄ 𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒
𝑚𝑖𝑛 {
0 ∀ 𝑣𝑗 𝑐𝑎𝑡𝑎𝑙𝑖𝑧𝑎𝑑𝑎 𝑠𝑜𝑙𝑜 𝑒𝑛𝑧𝑖𝑚𝑎 𝑒𝑐
𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒𝑚𝑎𝑥 ˄ 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒
𝑚𝑖𝑛 ∀ 𝑣𝑗 {𝑛𝑜 𝑐𝑎𝑡 𝑝𝑜𝑟 𝑒𝑛𝑧𝑖𝑚𝑎 𝑒𝑐 𝑐𝑎𝑡 𝑝𝑜𝑟 𝑖𝑠𝑜𝑒𝑛𝑧𝑖𝑚𝑎 𝑑𝑒 𝑒𝑐
𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒 − 𝑏𝑗(𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒
𝑚𝑎𝑥 − 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒𝑢 ) ≤ 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒
𝑢 ∀ 𝑗 ∈ 1,… ,𝑁
𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒 − 𝑏𝑗(𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒𝑚𝑖𝑛 − 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒
𝑙 ) ≥ 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒𝑙 ∀ 𝑗 ∈ 1,… ,𝑁
𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒𝑢 = 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒 + 𝛿|𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒| + 휀 ∀ 𝑗 ∈ 1,… , 𝑁
𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒𝑙 = 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒 − 𝛿|𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒| − 휀 ∀ 𝑗 ∈ 1,… , 𝑁
𝑣𝑎.𝑎𝑐é𝑡𝑖𝑐𝑜,𝑚𝑢𝑡𝑎𝑛𝑡𝑒𝑚𝑎𝑥 =
𝑣∞𝑎𝑎 ∙ 𝑣0
𝑎𝑎 ∙ 𝑒(𝑅𝑎𝑎∙𝑣𝐺𝑙𝑦,𝑚𝑢𝑡𝑎𝑛𝑡𝑒)
𝑣∞𝑎𝑎 + 𝑣0
𝑎𝑎 ∙ [𝑒(𝑅𝑎𝑎∙𝑣𝐺𝑙𝑦,𝑚𝑢𝑡𝑎𝑛𝑡𝑒) − 1]
𝑏𝑗 = [0,1] ∀ 𝑗 ∈ 1,… ,𝑁
𝛿 ≈ 0.05 휀 ≈ 0.001
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎 { 𝐹𝐵𝐴 𝑐𝑒𝑝𝑎 𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒.
}
2.8
Dónde:
𝑏𝑖 es la variable binaria de la reacción j, siendo 1 si la reacción cambió su flux
significativamente en comparación con la cepa silvestre y 0 en caso contrario.
𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒𝑢 y 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒
𝑙 son los límites superior e inferior de confianza, respectivamente, en los
cuales se considera no hay cambio significativo del flux de la reacción j en comparación con la
cepa silvestre.
𝛿 y 휀 son los rangos de tolerancia relativo y absoluto para el cambio de flux, respectivamente.
32 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
2.1.4.2 Perturbación en la composición de la biomasa
Adicional a las perturbaciones realizadas al modelo GSM mediante la deleción de enzimas,
también se llevaron a cabo perturbaciones en la composición de la biomasa. Lo anterior, en busca
de mejoras en la predicción de PDO producido en función de la composición de biomasa, la cual
puede ser controlada de acuerdo a la composición del medio de cultivo [202, 203]. Estas
perturbaciones fueron realizadas mediante variación de los coeficientes estequiométricos de las 8
macromoléculas (Proteína, ADN, ARN, Peptidoglicano, Lípido, Ácido Teicoico, Carbohidrato y
Trazas), 7 ácidos grasos (C18:1, C18:0, C14:0, C16:0, C16:1, C17cyc y C19cyc), 20 aminoácidos
(Glutamato, Glicina, Alanina, Lisina, Aspartato, Arginina, Glutamina, Serina, Metionina,
Triptófano, Fenilalanina, Tirosina, Cisteína, Leucina, Histidina, Prolina, Asparagina, Valina,
Treonina e Isoleucina), 8 nucleótidos (dATP, dGTP, dCTP, dTTP, ATP, GTP, CTP y UTP), 3
fosfolípidos (Fosfatidilglicerol o PtdGly, fosfatidiletanolamina o PtdEtn y fosfatidil N-
metiletanolamina o PtdMen) y 6 cofactores (NAD, NADP, CoA, FAD, FMN y THF). Diferentes
FBA fueron realizados empleando método de Monte Carlo donde las composiciones fueron
asignadas de manera aleatoria con una distribución Normal con desviación estándar relativa (DER)
del 30%. En total fueron realizadas 10000 simulaciones, donde 965 de ellas fueron excluidas dado
que al menos una de las composiciones generadas era negativa. El análisis estadístico fue realizado
mediante cálculo de los coeficientes de correlación de Pearson, Ecuación 2.9. Como variables de
respuesta fueron considerados el rendimiento de biomasa (YX/S) y el rendimiento de PDO (YPDO/S),
mientras que el tamaño de la muestra corresponde a las restantes 9035 combinaciones de
coeficientes estequiométricos.
𝑟𝑋𝑌 =𝐶(𝑋, 𝑌)
𝜎𝑋 ∙ 𝜎𝑌 2.9
Dónde:
𝑟𝑋𝑌 es el coeficiente de correlación de Pearson entre la variable independiente X y variable de
respuesta Y.
𝜎𝑋 y 𝜎𝑌 son las desviaciones estándar de la variable independiente X y variable de respuesta Y,
respectivamente. 𝐶(𝑋, 𝑌) es la covarianza entre la variable independiente X y variable de respuesta Y.
2.1.4.3 Predicción de estados fenotípicos empleando co-fermentación
Finalmente como estrategia de mejora del rendimiento de PDO (YPDO/S) fue evaluada la
perturbación en el medio de cultivo mediante empleo de dos sustratos: glucosa y glicerol. Siendo la
glucosa empleada por la célula en la ruta oxidativa, permitiendo emplear más glicerol en la ruta
reductiva y por lo tanto incrementar la conversión del glicerol a PDO [204]. Fueron evaluados
diferentes fluxes de consumo de glicerol y de glucosa empleando un diseño experimental factorial
completo con el fin de obtener un plano de fases fenotípico (PhPP, por sus siglas en inglés:
Phenotypic phase plane) [58].
2.2 Desarrollo del modelo en estado dinámico
El desarrollo del DFBA tanto por aproximaciones DOA como DA requiere de la parametrización
de las ecuaciones diferenciales para su resolución numérica [30, 158]. Para lo anterior fue
empleado el polinomio de interpolación de Lagrange, Ecuación 2.10, el cual es de orden P si pasa
Capítulo 2:
Metodología 33
por P+1 puntos (xa, yb). Así mismo, la Ecuación 2.11 muestra la primera derivada del polinomio de
interpolación de Lagrange [205]. Los puntos de colocación xa fueron calculados mediante uso de
polinomios ortogonales, la Tabla 2.3 muestra los valores de dichos puntos correspondientes a
diferentes polinomios estándar de seis puntos de colocación, los cuales fueron calculados a partir
de paquete Orthopolynom de R Project. El empleo de un mayor número de puntos de colocación
supondría una mayor precisión en el ajuste de las ecuaciones diferenciales, sin embargo la
demanda computacional se incrementaría de manera exponencial. Posteriormente se hizo la
transformación de los puntos de colocación para el intervalo de integración de acuerdo al tamaño
de paso Δt, como es mostrado en la Ecuación 2.12.
𝑌𝑃(𝑋) = ∑[𝑦𝑏(𝑥𝑎) ∙ 𝑙𝑏(𝑥𝑎)]
𝑃+1
𝑎=1
{
𝑦𝑏(𝑥𝑎) = {
0 𝑎 ≠ 𝑏𝑦𝑏 𝑎 = 𝑏
𝑙𝑏(𝑥𝑎) =∏𝑥 − 𝑥𝑏𝑥𝑎 − 𝑥𝑏
𝑃+1
𝑏=1𝑏≠𝑎
∀ 𝑎, 𝑏 ∈ 1,… , 𝑃 + 1 2.10
Dónde:
𝑌𝑃(𝑋) es el polinomio interpolador de Lagrange de la variable dependiente Y en función de la
variable independiente X.
𝑃 + 1 es el número de puntos de colocación por los cuales pasa el polinomio de grado 𝑃.
𝑥𝑎 es el punto de colocación a.
𝑦𝑏 es el punto de intercepción b.
𝑙𝑏(𝑥𝑎) es el término b del polinomio interpolador de Lagrange
𝑑 𝑌𝑃(𝑋)
𝑑𝑋= ∑ [𝑦𝑏(𝑥𝑎) ∙
𝑑 𝑙𝑏(𝑥𝑎)
𝑑 𝑥]
𝑃+1
𝑎=1
2.11
Tabla 2.3 puntos de colocación xa para diferentes polinomios ortogonales con 6 puntos de
colocación
polinomio ortogonal x0 x1 x2 x3 x4 x5
Chebyshev de Primer orden -0.9659 -0.7071 -0.2588 0.2588 0.7071 0.9659
Chebyshev de segundo orden -0.9010 -0.6235 -0.2225 0.2225 0.6235 0.9010
Laguerre 0.2228 1.1889 2.9927 5.7751 9.8375 15.9829
Legendre -0.9325 -0.6612 -0.2386 0.2386 0.6612 0.9325
Hermite -2.3506 -1.3359 -0.4361 0.4361 1.3359 2.3506
𝑡𝑎 =∆𝑡
𝑥5 − 𝑥0∙ 𝑥𝑎 +
∆𝑡
2 2.12
Ahora bien, dado que la aproximación DOA demanda mayor capacidad de cómputo que la
aproximación DA, esta última fue empleada para la selección tanto del polinomio ortogonal como
del tamaño de paso más adecuados. La función objetivo a solucionar en cada intervalo g
empleando la aproximación DA es mostrada en la Ecuación 2.13. El vector z corresponde a las
concentraciones de los metabolitos extracelulares, uno por cada reacción de intercambio presente
en modelo GSM, es decir 78 incluyendo la biomasa X, por consiguiente fueron calculados 468
34 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
puntos de intercepción para cada intervalo además de todos los fluxes del vector v. Los parámetros
cinéticos empleados son los mencionados en el numeral 2.1.2 (Ajuste de modelos cinéticos
empleados como restricciones.). Finalmente, la Tabla 2.4 muestra los valores z0 y X0
correspondientes a las concentraciones iniciales de los metabolitos extracelulares medidos
experimentalmente en las diferentes fermentaciones, los metabolitos no incluidos en la esta tabla
tienen una concentración inicial igual cero.
𝑀𝑎𝑥 𝜇
(𝑤 ∙ ∑ 𝑣𝑗2𝑁
𝑗 =1 + (1 − 𝑤) ∙ 𝑣𝐴𝑇𝑃 𝑝𝑟𝑜𝑑2 )
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎
{
𝑑𝑧𝑖𝑑𝑡
= − ∑ 𝑆𝑖𝑗
𝑁𝐼𝑛𝑡𝑒𝑟𝑐
𝑗=1
∙ 𝑣𝑗 ∙ 𝑋 ∀ 𝑖 ∈ 1,… ,𝑀𝐸𝑥𝑡𝑟𝑎𝑐𝑒𝑙𝑢𝑙𝑎𝑟
𝑑𝑋
𝑑𝑡= (𝜇 − 𝑘𝑑) ∙ 𝑋
∑ 𝑆𝑖𝑗 ∙ 𝑣𝑗
𝑁
𝑗 =1
= 0 ∀ 𝑖 ∈ 1,… ,𝑀
𝑣𝑗𝑚𝑖𝑛 < 𝑣𝑗 < 𝑣𝑗
𝑚𝑎𝑥 ∀ 𝑗 ∈ 1,… ,𝑁
𝑤 {1.00 ∀ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙] ≤ 163𝑚𝑀
0.04 ∀ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙] > 163𝑚𝑀
𝑘𝑑 {𝑘𝑑𝑙𝑖𝑚 ∀ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙] ≤ 163𝑚𝑀
𝑘𝑑𝑒𝑥𝑐 ∀ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙] > 163𝑚𝑀
𝑣𝑎.𝑎𝑐é𝑡𝑖𝑐𝑜𝑚𝑎𝑥 =
𝑣∞𝑎𝑎 ∙ 𝑣0
𝑎𝑎 ∙ 𝑒(𝑅𝑎𝑎∙𝑣𝐺𝑙𝑦)
𝑣∞𝑎𝑎 + 𝑣0
𝑎𝑎 ∙ [𝑒(𝑅𝑎𝑎∙𝑣𝐺𝑙𝑦) − 1]
𝑣𝐺𝑙𝑦 = (𝑣𝑚𝑎𝑥𝐺𝑙𝑦
∙ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]
𝑘𝑠𝐺𝑙𝑦
+ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]) ∙ (1 −
[𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]
𝑘𝐼𝐺𝑙𝑦 )
𝑧𝑖(𝑡) ≥ 0 𝑧𝑖(𝑡0) = 𝑧𝑖,0 ∀ 𝑖 ∈ 1,… ,𝑀𝐸𝑥𝑡𝑟𝑎𝑐𝑒𝑙𝑢𝑙𝑎𝑟
𝑋(𝑡) ≥ 0 𝑋(𝑡0) = 𝑋0
𝑡𝑔 = 𝑡0 + 𝑔 𝑡𝑓 − 𝑡0
𝐺 ∀ 𝑔 ∈ 0… . 𝐺 }
∀ 𝑡𝑔 ∈ [𝑡0, 𝑡𝑓]
2.13
Posteriormente, fueron realizadas las predicciones del análisis de balance de flujo dinámico
(DFBA) usando aproximaciones DOA, SOA y DA, Ecuaciones 1.8, 1.10 y 2.13, respectivamente.
Las ecuaciones diferenciales de las aproximaciones DOA y DA fueron parametrizadas empleando
el método de colocación ortogonal como fue descrito previamente. Dado que la aproximación
DOA es altamente sensible al tamaño de paso, debido a la alta probabilidad de pérdida de
factibilidad a tamaños de pasos relativamente altos, incluso 0.20h, se decidió hacer la comparación
empleando un tamaño de paso de 0.15h para las tres aproximaciones.
Capítulo 2:
Metodología 35
Tabla 2.4. Condiciones iniciales (z0) empleadas en el desarrollo de DFBA según condición de
limitación o exceso de glicerol para cultivo por lote.
(Metabolitos restantes tienen concentración inicial igual a cero).
Metabolito z
Condición inicial de exceso de
glicerol
Condición inicial de limitación de
glicerol
Fermentación 1 Fermentación 2 Fermentación 1 Fermentación 2
Glicerol 406.30 mM 524.78 mM 136.20 mM 150.27 mM
Nitrógeno 21.43 mM 21.43 mM 21.43 mM 21.43 mM
Fosfato 9.41 mM 9.41 mM 9.41 mM 9.41 mM
Cisteína 4.13 mM 4.13 mM 4.13 mM 4.13 mM
Biotina 0.0164 mM 0.0164 mM 0.0164 mM 0.0164 mM
PABA 0.0219 mM 0.0219 mM 0.0219 mM 0.0219 mM
H+ 0.0001 mM
1 0.0001 mM
1 0.0001 mM
1 0.0001 mM
1
PDO 5.92 mM 6.64 mM 7.63 mM 8.03 mM
Ac. Acético 3.00 mM 14.58 mM 2.83 mM 6.42 mM
Ac. Butírico 1.93 mM 1.82 mM 2.16 mM 0 mM
Etanol 0 mM 4.13 mM 8.04 mM 7.61 mM
Biomasa (X0) 0.0115 g/L 0.109 g/L 0.042 g/L 0.101 g/L 1 Equivalente a pH de 7.
2.3 Validación experimental del modelo dinámico desarrollado
2.3.1 Mantenimiento de la cepa y medio de cultivo empleado
La validación experimental de la predicción de producción de PDO fue realizada empleando la
cepa nativa Clostridium sp IBUN 158B disponible en el grupo de investigación de
Microorganismos Solventogénicos de la Universidad Nacional de Colombia, sede Bogotá. Dicha
cepa fue activada en un vial de 40mL con Medio Reforzado para Clostridium (RCM, por sus siglas
en inglés: Reinforced Clostridial Medium) estéril a pH 7 y cultivada anaeróbicamente durante 12
horas a 37°C previo choque térmico según es descrito por Aragón [15]. Posteriormente, 10 mL del
cultivo en RCM fue empleado como inóculo para crecimiento en medio industrial, cuya
composición fue previamente estandarizada y es mostrada en la Tabla 2.5 [15, 16]. Este último
cultivo se llevó a cabo bajo condiciones anaerobias en vial de 100 mL durante 24 horas a 37°C,
seguidamente el vial fue almacenado a temperatura ambiente durante 48 horas para permitir
esporulación y ser empleado como stock para la realización de posteriores cultivos en biorreactor.
2.3.2 Fermentación en condiciones controladas.
Los inóculos de la fermentación fueron obtenidos mediante el cultivo de 10mL de suspensión stock
en viales de 100 mL de medio industrial. Dichos inóculos fueron cultivados a 37°C durante 16
horas posterior a ser expuesto a choque térmico. La fermentación fue realizada en un reactor
BIOSTAT® A empleando como volumen de cultivo 1L de medio industrial e inóculo del 10%.
Durante el proceso se mantuvieron controladas las siguientes condiciones: temperatura de 37°C,
pH de 7, agitación de 90 rpm, N2 como gas de burbujeo, flujo gas de 0.005vvm, oxígeno disuelto
<1.5%, en la Figura 2.2 es mostrado el montaje del reactor.
36 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Tabla 2.5. Composición medio industrial para cultivo de Clostridium en Glicerol [15, 16]
Componente Contenido por litro medio cultivo
Glicerol 40 g
Extracto de levadura 3 g
Cisteína 0.5 g
K2HPO4 1 g
KH2PO4 0.5 g
Biotina 4 mg
Ácido para amino benzoico 3 mg
Resarsurina1 50 μL
Solución de minerales
MgCl2 5 g/L
CaCl2 3 g/L
FeSO4·7H2O 3.7 g/L
MnSO4·H2O 3.3 g/L
CoCl2·6H2O 3.8 g/L
Na2MoO4 1.3 g/L
Zn2SO4 2.8 g/L
H2BO3 0.12 g/L
CuSO4·5H2O 0.18 g/L
NiCl2·6H2O 0.13 g/L
4 mL
1 Empleada como indicador visual de presencia de oxígeno, por tanto sólo era adicionada a los
medios usados en el cultivo de inóculos en viales.
Figura 2.2. Montaje cultivo Clostridium sp IBUN 158B en reactor BIOSTAT A.
Capítulo 2:
Metodología 37
2.3.3 Cuantificación de biomasa, sustrato y productos.
La biomasa fue medida de manera indirecta por espectrofotometría a través de lectura de la
densidad óptica a una absorbancia a 600nm en Espectrofotómetro ThermoScientific Evolution 201,
fue empleado como blanco medio estéril. La curva de calibración de peso seco fue realizada con
biomasa obtenida al finalizar el cultivo. Por otro lado, los metabolitos PDO, glicerol, ácido
butírico, ácido acético, ácido láctico, acetona, butanol y etanol, fueron cuantificados a través de
una metodología desarrollada dentro del grupo de investigación Microorganismos
Solventógenicos, en la cual se llevó a cabo una cromatografía líquida ultra rápida (UFLC) con un
detector de índice de refracción (Shimadzu ® RID 10A), a una temperatura de 60°C y una columna
AMINEX HPX – 87H (Biorad ®) a 63°C, con fase móvil de ácido sulfúrico 3 mM y un flujo de
0.5 ml/min. Con un tiempo de corrida de 50 minutos. El software integrador fue Lab Solutions
Versión 1.25 (Shimadzu ®). Las muestras de 1 mL, tomadas de la fermentación fueron
centrifugadas a 14000 rpm por 5 minutos. Posteriormente el sobrenadante fue filtrado con
membranas de 0.2 μm y almacenado a -20°C. Finalmente las muestras fueron descongeladas a
temperatura ambiente, introduciendo un volumen 750 μL, en viales de muestreo y posteriormente
colocadas en el automuestreador del equipo UFLC Shimadzu ® Prominence LC- 20AD para ser
inyectadas con un volumen de 20 μl. Las relaciones lineales y los tiempos de retención obtenidos
en este estudio se presentan en la Tabla 2.6.
Tabla 2.6. Relaciones de detección en cromatografía líquida
Sustancia Tiempo de
retención (min)
Relación lineal
Concentración (g/L)= f(Área)
Coeficiente de
correlación (R2)
Láctico 14.644 4.621*10-06
* Área + 1.224*10-01
0.9998
Glicerol 15.588 7.034*10-06
* Área + 9.977*10-02
0.9998
Ac. Acético 17.286 1.282*10-05
* Área + 9.391*10-03
0.9999
1,3-Propanodiol 20.353 8.046*10-06
* Área + 1.797*10-01
0.9999
Ac. Butírico 23.641 1.016*10-05
* Área + 2.261*10-02
0.9998
Acetona 24.346 1.361*10-05
* Área + 4.757*10-01
0.9994
Etanol 24.981 1.378*10-05
* Área - 6.219*10-02
0.9999
Butanol 41.045 9.212*10-06
* Área - 2.150*10-01
0.9996
2.4 Determinación de algunos parámetros de significancia
2.4.1 Desarrollo del análisis de sensibilidad global
En el desarrollo del análisis de sensibilidad global fueron evaluadas la composición de los 44
precursores de la formación de biomasa (7 ácidos grasos, 20 aminoácidos, 8 nucleótidos, 3
fosfolípidos y 6 cofactores) y de las 8 macromoléculas (Proteína, ADN, ARN, peptidoglicano,
lípido, ácido teicoico, carbohidrato y trazas), en adición fueron considerados los 8 parámetros
cinéticos mostrados en la Tabla 2.1, totalizando 60 parámetros de entrada a ser evaluados. La
perturbación tanto de los precursores como de las macromoléculas fue realizada mediante
variación de sus respectivos coeficientes estequiométricos en el modelo GSM. El modelo FBA
dinámico fue analizado siguiendo método de Monte Carlo, donde las K combinaciones de los
parámetros fueron generadas aleatoriamente usando una distribución normal con desviación
estándar relativa del 30% excepto para los 3 parámetros cinéticos correspondientes al consumo del
glicerol, cuya desviación estándar relativa fue del 20%, la Tabla 2.7 resume los 60 parámetros
38 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
evaluados y los respectivos rangos de variación. En total fueron realizadas 3150 combinaciones
aleatorias, sin embargo fueron considerados en el análisis 2280 de ellas dado que las restantes
simulaciones presentaron inconsistencias matemáticas como composiciones negativas o errores en
el transcurso de la simulación que la detenía antes de agotar el sustrato. Dichas simulaciones se
detenían debido a la pérdida de optimalidad en algún intervalo dado, lo cual es ocasionado por el
tamaño de paso seleccionado. Por tal motivo, en las simulaciones realizadas por método de Monte
Carlo se empleó un tamaño de paso de 0.20h.
Tabla 2.7. Parámetros evaluados en análisis de sensibilidad global de DFBA.
Parámetro Unidades Valor medio Límite inferior Límite superior
C18:1 % molar de Ácidos grasos 4.00% 0.01% 11.14%
C18:0 % molar de Ácidos grasos 3.00% 0.04% 9.45%
C14:0 % molar de Ácidos grasos 3.00% 0.12% 8.87%
C16:0 % molar de Ácidos grasos 54.00% 8.87% 74.91%
C16:1 % molar de Ácidos grasos 19.00% 1.72% 44.94%
C17cyc % molar de Ácidos grasos 12.00% 0.95% 35.63%
C19cyc % molar de Ácidos grasos 5.00% 0.10% 15.83%
Glutamato % molar de Proteína 7.41% 0.14% 13.75%
Glicina % molar de Proteína 6.43% 0.25% 12.58%
Alanina % molar de Proteína 5.74% 0.50% 11.93%
Lisina % molar de Proteína 8.77% 0.70% 17.23%
Aspartato % molar de Proteína 5.69% 0.16% 11.85%
Arginina % molar de Proteína 3.27% 0.08% 6.63%
Glutamina % molar de Proteína 2.43% 0.12% 4.80%
Serina % molar de Proteína 6.64% 0.09% 14.64%
Metionina % molar de Proteína 2.59% 0.00% 5.83%
Triptófano % molar de Proteína 0.74% 0.01% 1.61%
Fenilalanina % molar de Proteína 4.33% 0.12% 8.33%
Tirosina % molar de Proteína 4.08% 0.08% 7.92%
Cisteína % molar de Proteína 1.18% 0.05% 2.35%
Leucina % molar de Proteína 8.94% 0.43% 19.14%
Histidina % molar de Proteína 1.35% 0.12% 3.01%
Prolina % molar de Proteína 2.74% 0.01% 5.81%
Asparagina % molar de Proteína 6.53% 0.36% 14.58%
Valina % molar de Proteína 6.27% 0.10% 13.50%
Treonina % molar de Proteína 4.97% 0.16% 10.08%
Isoleucina % molar de Proteína 9.92% 0.45% 19.47%
dATP % molar de ADN 35.10% 2.39% 50.00%
dGTP % molar de ADN 14.90% 0.00% 47.61%
dCTP % molar de ADN 14.90% 0.00% 47.61%
dTTP % molar de ADN 35.10% 2.39% 50.00%
ATP % molar de ARN 38.47% 2.20% 66.90%
GTP % molar de ARN 19.41% 0.12% 42.73%
CTP % molar de ARN 11.80% 0.58% 35.53%
UTP % molar de ARN 30.32% 0.49% 58.32%
PtdGly % molar de Lípidos 24.47% 3.17% 54.98%
PtdEtn % molar de Lípidos 19.42% 1.41% 55.74%
PtdMen % molar de Lípidos 56.11% 2.20% 83.49%
Capítulo 2:
Metodología 39
Tabla 2.7: (Continuación).
Parámetro Unidades Valor medio Límite inferior Límite superior
NAD+ % molar de trazas 15.16% 1.65% 30.73%
NADP+ % molar de trazas 13.53% 0.61% 29.52%
CoA % molar de trazas 13.69% 2.45% 31.19%
FAD % molar de trazas 12.82% 1.30% 28.63%
FMN % molar de trazas 22.07% 3.10% 45.17%
THF % molar de trazas 22.72% 4.50% 41.11%
Proteína % másico de biomasa 52.84% 0.10% 75.69%
ADN % másico de biomasa 2.60% 0.17% 7.33%
ARN % másico de biomasa 6.55% 0.94% 18.58%
Peptidoglicano % másico de biomasa 10.08% 0,69% 27,18%
Lípido % másico de biomasa 7.60% 0.50% 20.17%
Ácido teicoico % másico de biomasa 11.06% 0.06% 26.87%
Carbohidrato % másico de biomasa 4.32% 0.21% 11.01%
Trazas % másico de biomasa 4.95% 0.32% 14.16%
𝑣0𝑎𝑎 mmol/g h 0.1578 0.0121 0.3338
𝑣∞𝑎𝑎 mmol/g h 11.50 0.32 22.42
𝑅𝑎𝑎 g h/mmol 0.0859 0.0011 0.18498
𝑘𝑑𝑙𝑖𝑚 h
-1 0.0350 0.0045 0.0671
𝑘𝑑𝑒𝑥𝑐 h
-1 0.0105 0.0002 0.0209
𝑣𝑚𝑎𝑥𝐺𝑙𝑦
mmol/g h 174.86 54.84 291.48
𝑘𝑠𝐺𝑙𝑦
mM 482.1 46.7 818.1
𝑘𝐼𝐺𝑙𝑦
mM 755.4 433.4 1189.8
A partir de los perfiles obtenidos por aproximación de Monte Carlo fue realizado análisis de
sensibilidad global MPSA siguiendo procedimiento propuesto por Zi et al. [187], quienes
proponen el empleo del estadístico Kolmogorov–Smirnov (K-S). Dicho estadístico se define como
la máxima distancia vertical entre las distribuciones de frecuencia acumulada de casos aceptables e
inaceptables. Un valor alto de K-S para un parámetro dado indica una alta sensibilidad del modelo
a dicho parámetro [187]. Ahora bien, cada predicción k es clasificada como aceptable o inaceptable
mediante comparación entre un valor límite de aceptación y la suma de los errores cuadrados
(SEC) de los n valores experimentales predichos por dicho perfil k, Ecuación 2.14. Se empleó
como suposición un error de 1g/L en la medición de las concentraciones experimentales de PDO,
es decir que el límite de aceptación calculado a partir de la propagación del error de 6 mediciones
fue 36 g2/L
2 (6232.7mM
2).
𝑆𝐸𝐶(𝑘) =∑(𝑥𝑒𝑥𝑝(𝑖) − 𝑥𝑝𝑟𝑒𝑑(𝑖, 𝑘))2
𝑛
𝑖=1
∀ 𝑘 ∈ 1,… , 𝐾 2.14
En adición, se realizaron otros dos análisis de sensibilidad MPSA, el primero empleando como
variable de respuesta la productividad máxima de PDO (QPDO) calculada como la relación entre la
máxima concentración de PDO producida y el menor tiempo requerido, y el segundo considerando
como variable de respuesta el máximo rendimiento de PDO producido (YPDO/S). Los valores
experimentales de QPDO y YPDO/S fueron calculados empleando concentraciones en los instantes
inicial y final de la fermentación 1 a concentración alta de glicerol. Por otro lado, para el cálculo de
los límites de aceptación se continuó empleando como base un error supuesto de 1g/L en la
40 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
medición de las concentraciones y 30 minutos en la medición del tiempo. Por consiguiente, a partir
de los cálculos de propagación del error, los valores de aceptación empleados para QPDO y YPDO/S
fueron (0.057g/L·h)2 y (0.052 mol/mol)
2, respectivamente. Por otro lado fue calculado el valor
crítico DK-S del estadístico K-S, el cual depende del número de muestras K empleadas en el
análisis, como se observa en la Ecuación 2.15. Donde todo valor de K-S menor al valor crítico DK-S
corresponde a distribuciones de valores aceptables e inaceptables estadísticamente iguales.
𝐷𝐾−𝑆 =1.36
√𝐾 2.15
Junto al análisis de sensibilidad MPSA fue realizado el análisis de sensibilidad global PRCC
mediante el cálculo del coeficiente de Pearson, Ecuación 2.9. En el desarrollo del PRCC fueron
evaluadas las variables respuestas QPDO y YPDO/S. En dicho análisis PRCC fue excluido el perfil de
formación de PDO, dado que es un análisis de sensibilidad estático. Sin embargo, fue realizada una
aproximación dinámica del análisis PRCC para dicha variable de respuesta.
Finalmente, similar a los perfiles realizados por aproximación de Monte Carlo en el análisis de
sensibilidad global, fueron realizados los perfiles considerando de manera agrupada los
precursores, las macromoléculas, parámetros cinéticos de formación de ácido acético y parámetros
cinéticos de muerte celular, es decir excluyendo los parámetros cinéticos de consumo de glicerol.
Los intervalos de entrada de los anteriores parámetros corresponden a los mostrados en la Tabla
2.7. Posteriormente, dichos parámetros de entrada fueron considerados en conjunto.
2.4.2 Desarrollo de aproximación segregada del modelo dinámico
A continuación, fueron comparados los datos experimentales de producción de PDO de la
validación experimental con las predicciones por aproximación de Monte Carlo según las
distribuciones poblacionales de acuerdo a la composición celular (contenido de precursores y
macromoléculas), edad y capacidad de formación de ácido acético. Se asumió nuevamente una
desviación estándar relativa del 30% en los parámetros de entrada. Por lo anterior, esta nueva
validación es equivalente a un modelo de balance de poblaciones (PBM por sus siglas en inglés
Population Balance Model) para poblaciones microbianas [120]. Por consiguiente, fue desarrollada
una aproximación in silico de un modelo tanto estructurado como segregado de la producción de
PDO.
2.4.3 Predicción dinámica de la producción de PDO para mutantes por
knockout
Posterior a la evaluación del análisis de sensibilidad de los diferentes componentes de la biomasa y
de los parámetros cinéticos, fueron evaluadas las perturbaciones en la red metabólica mediante
deleción in silico de algunas enzimas. Fueron evaluadas mutantes tanto dobles como simples, sin
embargo a diferencia de las predicciones en estado estacionario empleando FBA, donde sólo es
posible comparar rendimientos, en las predicciones en dinámico del DFBA se buscó comparar
también las productividades QPDO. Ahora bien, debido a la alta demanda de cómputo que
implicaría una evaluación de mutantes en dinámico dado el alto número de posibles mutantes
(66430 dobles y 365 simples), fue considerada la información obtenida en estado estacionario a
partir de análisis FCF y ROOM. A partir de dicho análisis fue encontrado que 41 mutantes simples
causaron al menos un cambio en la red metabólica y por consiguiente sólo dichas mutantes fueron
Capítulo 2:
Metodología 41
evaluadas mediante aproximación ROOM dinámico (D-ROOM), Ecuación 2.16. Lo anterior fue
realizado suponiendo que D-ROOM era la aproximación más adecuada para predecir los estados
fenotípicos de las mutantes en estado dinámico, como ha sido encontrado previamente en estado
estacionario con aproximación ROOM [45]. Así mismo fue calculado el perfil de máxima
formación de PDO según la aproximación dinámica de FVA (D-FVA), Ecuación 2.17.
2.4.4 Perturbación en condiciones de cultivo
En primer lugar fueron evaluadas las concentraciones iniciales de biomasa y glicerol como las
mejores alternativas para disminuir los tiempos de fermentación en cultivos por lotes. Fueron
evaluados mediante un diseño factorial completo de 15 concentraciones de biomasa y 13
concentraciones de glicerol. Posteriormente, como alternativa final para incrementar tanto la
concentración final de PDO como el tiempo de cultivo se empleó cultivo por lote alimentado. La
función objetivo empleada fue mantenida, sin embargo algunas de las restricciones fueron
modificadas, como es mostrado en la Ecuación 2.18, dado que el volumen del reactor V es
dependiente del tiempo, al igual que el flujo de alimentación F, por consiguiente fueron
considerados como variables adicionales del modelo dinámico del FBA.
Como se observa en la Ecuación 2.18, fueron evaluadas dos estrategias de alimentación, en la
primera se consideró un flujo constante α durante toda la fermentación. En dicha estrategia fue
desarrollado un diseño factorial completo, donde igualmente fue evaluada la concentración del
glicerol en el flujo de alimentación, el cual fue expresado como porcentaje másico de una solución
acuosa. Como restricción adicional, se asumió que el volumen inicial del reactor, V0, era 1.0L y el
volumen máximo, Vmax, 1.5L. Por otro lado, se asumió que el flujo alimentación también contenía
una fuente de nitrógeno y fósforo, con el fin de evitar limitación del crecimiento por agotamiento
de estos sustratos, sin embargo sus concentraciones en el flujo de alimentación no fueron
optimizadas dado que en el modelo no son considerados como sustratos limitantes o inhibidores.
Con relación a las condiciones iniciales de metabolitos y biomasa, fueron empleados los valores
correspondientes a la fermentación 1 a exceso de glicerol, mostrados en la Tabla 2.4.
Posteriormente fue evaluado el flujo de alimentación enlazado al control de pH como segunda
estrategia de alimentación, según se muestra en la Ecuación 2.18. Para esta nueva estrategia de
alimentación fueron mantenidas las restricciones de volúmenes y contenido de nitrógeno y fósforo
en el flujo de alimentación. Fue realizado de nuevo un diseño factorial completo, considerando una
vez más como segunda variable el contenido de glicerol en el flujo de alimentación además del
factor de proporcionalidad β.
42 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
𝑀𝑖𝑛 ∑𝑏𝑖
𝑁
𝑖=1
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎
{
𝑑𝑧𝑖,𝑚𝑢𝑡𝑎𝑛𝑡𝑒
𝑑𝑡= − ∑ 𝑆𝑖𝑗
𝑁𝐼𝑛𝑡𝑒𝑟𝑐
𝑗=1
∙ 𝑣𝑗,𝑚𝑢𝑡𝑎𝑡𝑎𝑛𝑡𝑒 ∙ 𝑋𝑚𝑢𝑡𝑎𝑛𝑡𝑒 ∀ 𝑖 ∈ 1,… ,𝑀𝐸𝑥𝑡𝑟𝑎𝑐𝑒𝑙𝑢𝑙𝑎𝑟
𝑑𝑋𝑚𝑢𝑡𝑎𝑛𝑡𝑒
𝑑𝑡= (𝜇𝑚𝑢𝑡𝑎𝑛𝑡𝑒 − 𝑘𝑑) ∙ 𝑋𝑚𝑢𝑡𝑎𝑛𝑡𝑒
𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒𝑚𝑎𝑥 ˄ 𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒
𝑚𝑖𝑛 {
0 ∀ 𝑣𝑗 𝑐𝑎𝑡𝑎𝑙𝑖𝑧𝑎𝑑𝑎 𝑠𝑜𝑙𝑜 𝑒𝑛𝑧𝑖𝑚𝑎 𝑒𝑐
𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒𝑚𝑎𝑥 ˄ 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒
𝑚𝑖𝑛 ∀ 𝑣𝑗 {𝑛𝑜 𝑐𝑎𝑡 𝑝𝑜𝑟 𝑒𝑛𝑧𝑖𝑚𝑎 𝑒𝑐 𝑐𝑎𝑡 𝑝𝑜𝑟 𝑖𝑠𝑜𝑒𝑛𝑧𝑖𝑚𝑎 𝑑𝑒 𝑒𝑐
∑ 𝑆𝑖𝑗𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒
𝑁
𝑗 =1
= 0, ∀ 𝑖 ∈ 1,… ,𝑀
𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒 − 𝑏𝑗(𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒
𝑚𝑎𝑥 − 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒𝑢 ) ≤ 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒
𝑢 ∀ 𝑗 ∈ 1,… , 𝑁
𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒 − 𝑏𝑗(𝑣𝑗,𝑚𝑢𝑡𝑎𝑛𝑡𝑒𝑚𝑖𝑛 − 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒
𝑙 ) ≥ 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒𝑙 ∀ 𝑗 ∈ 1,… , 𝑁
𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒𝑢 = 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒 + 𝛿|𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒| + 휀 ∀ 𝑗 ∈ 1,… ,𝑁
𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒𝑙 = 𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒 − 𝛿|𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒| − 휀 ∀ 𝑗 ∈ 1,… ,𝑁
𝑣𝑎.𝑎𝑐é𝑡𝑖𝑐𝑜,𝑚𝑢𝑡𝑎𝑛𝑡𝑒𝑚𝑎𝑥 =
𝑣∞𝑎𝑎 ∙ 𝑣0
𝑎𝑎 ∙ 𝑒(𝑅𝑎𝑎∙𝑣𝐺𝑙𝑦,𝑚𝑢𝑡𝑎𝑛𝑡𝑒)
𝑣∞𝑎𝑎 + 𝑣0
𝑎𝑎 ∙ [𝑒(𝑅𝑎𝑎∙𝑣𝐺𝑙𝑦,𝑚𝑢𝑡𝑎𝑛𝑡𝑒) − 1]
𝑣𝐺𝑙𝑦,𝑚𝑢𝑡𝑎𝑛𝑡𝑒 = (𝑣𝑚𝑎𝑥𝐺𝑙𝑦
∙ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]
𝑘𝑠𝐺𝑙𝑦
+ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]) ∙ (1 −
[𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]
𝑘𝐼𝐺𝑙𝑦 )
𝑏𝑗 = [0,1] ∀ 𝑗 ∈ 1,… ,𝑁
𝛿 ≈ 0.05 휀 ≈ 0.001
𝑧𝑖,𝑚𝑢𝑡𝑎𝑛𝑡𝑒(𝑡) ≥ 0 𝑧𝑖,𝑚𝑢𝑡𝑎𝑛𝑡𝑒(𝑡0) = 𝑧𝑖,0 ∀ 𝑖 ∈ 1,… ,𝑀𝐸𝑥𝑡𝑟𝑎𝑐𝑒𝑙𝑢𝑙𝑎𝑟
𝑋𝑚𝑢𝑡𝑎𝑛𝑡𝑒(𝑡) ≥ 0 𝑋𝑚𝑢𝑡𝑎𝑛𝑡𝑒(𝑡0) = 𝑋0
𝑡𝑔 = 𝑡0 + 𝑔 𝑡𝑓 − 𝑡0
𝐺 ∀ 𝑔 ∈ 0… . 𝐺
𝑀𝑖𝑛1
𝜇𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒(𝑤 ∙∑𝑣𝑗,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒
2
𝑁
𝑗=1
+ (1 − 𝑤) ∙ 𝑣𝐴𝑇𝑃 𝑝𝑟𝑜𝑑,𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒2 )
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎 { 𝐷𝐹𝐵𝐴 𝑐𝑒𝑝𝑎 𝑠𝑖𝑙𝑣𝑒𝑠𝑡𝑟𝑒
}
2.16
Capítulo 2:
Metodología 43
𝑀𝑎𝑥 𝑣𝑃𝐷𝑂
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎
{
𝑑𝑃𝐷𝑂𝑚𝑎𝑥
𝑑𝑡= 𝑣𝑃𝐷𝑂 ∙ 𝑋
𝑑𝑋
𝑑𝑡= (𝜇 − 𝑘𝑑) ∙ 𝑋
∑ 𝑆𝑖𝑗 ∙ 𝑣𝑗
𝑁
𝑗 =1
= 0 ∀ 𝑖 ∈ 1,… ,𝑀
𝑣𝑗𝑚𝑖𝑛 < 𝑣𝑗 < 𝑣𝑗
𝑚𝑎𝑥 ∀ 𝑗 ∈ 1,… ,𝑁
𝑘𝑑 {𝑘𝑑𝑙𝑖𝑚 ∀ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙] ≤ 163𝑚𝑀
𝑘𝑑𝑒𝑥𝑐 ∀ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙] > 163𝑚𝑀
𝜇 = 𝜇𝐷𝐹𝐵𝐴
𝑣𝑎.𝑎𝑐é𝑡𝑖𝑐𝑜𝑚𝑎𝑥 = 𝑣𝑎.𝑎𝑐é𝑡𝑖𝑐𝑜,𝐷𝐹𝐵𝐴
𝑚𝑎𝑥
𝑣𝐺𝑙𝑦 = 𝑣𝐺𝑙𝑦,𝐷𝐹𝐵𝐴 𝑃𝐷𝑂𝑚𝑎𝑥(𝑡) ≥ 0 𝑃𝐷𝑂𝑚𝑎𝑥(𝑡0) = 𝑃𝐷𝑂0
𝑋(𝑡) ≥ 0 𝑋(𝑡0) = 𝑋0
𝑡𝑔 = 𝑡0 + 𝑔 𝑡𝑓 − 𝑡0
𝐺 ∀ 𝑔 ∈ 0… . 𝐺
𝑀𝑖𝑛1
𝜇𝐷𝐹𝐵𝐴(𝑤 ∙∑𝑣𝑗,𝐷𝐹𝐵𝐴
2
𝑁
𝑗=1
+ (1 − 𝑤) ∙ 𝑣𝐴𝑇𝑃 𝑝𝑟𝑜𝑑,𝐷𝐹𝐵𝐴2 )
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎 { 𝐷𝐹𝐵𝐴
}
∀ 𝑡𝑔 ∈ [𝑡0, 𝑡𝑓]
2.17
44 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
𝑀𝑖𝑛1
𝜇(𝑤 ∙∑𝑣2 + (1 − 𝑤) ∙ 𝑣𝐴𝑇𝑃 𝑝𝑟𝑜𝑑
2 )
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎
{
𝑑(𝑉 ∙ 𝑧𝑖)
𝑑𝑡= 𝐹 ∙ 𝑆𝐹,𝑖 − ∑ 𝑉 ∙ 𝑆𝑖𝑗
𝑁𝐼𝑛𝑡𝑒𝑟𝑐
𝑗=1
∙ 𝑣𝑗 ∙ 𝑋 ∀ 𝑖 ∈ 1,… ,𝑀𝐸𝑥𝑡𝑟𝑎𝑐𝑒𝑙𝑢𝑙𝑎𝑟
𝑑(𝑉 ∙ 𝑋)
𝑑𝑡= 𝑉 ∙ (𝜇 − 𝑘𝑑) ∙ 𝑋
𝑑𝑉
𝑑𝑡= 𝐹
𝐹 = {𝛼 𝐹𝑙𝑢𝑗𝑜 𝐴𝑙𝑖𝑚𝑒𝑛𝑡𝑎𝑐𝑖ó𝑛 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
𝛽 ∙ 𝑣𝐻+ ∙ 𝑋 ∙ 𝑉 𝐹𝑙𝑢𝑗𝑜 𝐴𝑙𝑖𝑚𝑒𝑛𝑡𝑎𝑐𝑖ó𝑛 𝑒𝑛𝑙𝑎𝑧𝑎𝑑𝑜 𝑎 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑝𝐻
∑ 𝑆𝑖𝑗 ∙ 𝑣𝑗
𝑁
𝑗 =1
= 0 ∀ 𝑖 ∈ 1, … ,𝑀
𝑣𝑗𝑚𝑖𝑛 < 𝑣𝑗 < 𝑣𝑗
𝑚𝑎𝑥 ∀ 𝑗 ∈ 1, … , 𝑁
𝑤 {1.00 ∀ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙] ≤ 163𝑚𝑀
0.04 ∀ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙] > 163𝑚𝑀
𝑘𝑑 {𝑘𝑑𝑙𝑖𝑚 ∀ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙] ≤ 163𝑚𝑀
𝑘𝑑𝑒𝑥𝑐 ∀ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙] > 163𝑚𝑀
𝑣𝑎.𝑎𝑐é𝑡𝑖𝑐𝑜𝑚𝑎𝑥 =
𝑣∞𝑎𝑎 ∙ 𝑣0
𝑎𝑎 ∙ 𝑒(𝑅𝑎𝑎∙𝑣𝐺𝑙𝑦)
𝑣∞𝑎𝑎 + 𝑣0
𝑎𝑎 ∙ [𝑒(𝑅𝑎𝑎∙𝑣𝐺𝑙𝑦) − 1]
𝑣𝐺𝑙𝑦 = (𝑣𝑚𝑎𝑥𝐺𝑙𝑦
∙ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]
𝑘𝑠𝐺𝑙𝑦
+ [𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]) ∙ (1 −
[𝐺𝑙𝑖𝑐𝑒𝑟𝑜𝑙]
𝑘𝐼𝐺𝑙𝑦 )
𝑧𝑖(𝑡) ≥ 0 𝑧𝑖(𝑡0) = 𝑧𝑖,0 ∀ 𝑖 ∈ 1, … ,𝑀𝐸𝑥𝑡𝑟𝑎𝑐𝑒𝑙𝑢𝑙𝑎𝑟
𝑋(𝑡) ≥ 0 𝑋(𝑡0) = 𝑋0
𝑉(𝑡) ≤ 𝑉𝑚𝑎𝑥 𝑉(𝑡0) = 𝑉0
𝑡𝑔 = 𝑡0 + 𝑔 𝑡𝑓 − 𝑡0
𝐺 ∀ 𝑔 ∈ 0… . 𝐺 }
∀ 𝑡𝑔 ∈ [𝑡0, 𝑡𝑓]
2.18
Dónde:
𝐹 es el flujo de alimentación al reactor (expresado en L/h). Siendo 𝛼 y 𝛽 son constantes de
proporcionalidad correspondientes a alimentación constante y enlazada al control de pH,
respectivamente.
𝑣𝐻+ es el flux de formación de protones exportados al medio de cultivo y deben ser
neutralizados con solución de álcali (en mmol/g·h)
𝑉 es el volumen del reactor en el instante de tiempo 𝑡, mientras que 𝑉0 es el volumen en el
instante inicial y 𝑉𝑚𝑎𝑥 es la capacidad máxima del reactor (expresados en L).
𝑆𝐹,𝑖 es la concentración del metabolito i en el flujo de alimentación F (expresado en mM).
.
3. Capítulo 3: Resultados
3.1 Desarrollo modelo en estado estacionario
3.1.1 Reconstrucción y curación del modelo GSM
A partir de los 4086 genes detectados en la anotación del genoma de la bacteria Clostridium sp
IBUN 13A, fueron seleccionados 641 de ellos, los cuales codifican para 365 enzimas que catalizan
diferentes reacciones de la red metabólica. Las enzimas involucradas en otros procesos como
replicación del ADN no fueron incluidas en la reconstrucción del modelo GSM. De acuerdo a la
base de datos de KEGG, dichas enzimas seleccionadas catalizan 671 reacciones en las cuales están
involucrados 606 metabolitos, estando 303 de estos metabolitos bloqueados de acuerdo a análisis
con GapFind [129]. En adición, dado que no se cuenta con información experimental de la
composición de la bacteria empleada, fueron utilizadas las 17 reacciones empíricas que describen
la composición de precursores y macromoléculas reportada para la bacteria C. beijerinckii [134]. A
partir de dichas reacciones fue calculada la fórmula elemental de la biomasa por mol Carbono, la
cual fue CH1.624O0.456N0.216P0.033S0.0047, mientras que su peso molecular estimado fue 25.12 g/mol C.
A partir de la red cruda y la reacción de biomasa previamente descritas, fue realizado el
procedimiento de curado por ingeniería reversa. Así mismo, fueron incluidas 86 reacciones de
transporte y 78 reacciones de intercambio. Entre dichas reacciones de transporte e intercambio fue
incluido el consumo de iones, glicerol, carbohidratos y aminoácidos, y la formación de productos
como ácidos orgánicos, solventes, agua, CO2, H2, protones y biomasa. Durante el proceso de
curación semiautomatizada por ingeniería reversa y automatizada por GapFill fueron identificados
inconsistencias en la formación de ADN, péptidos, lípidos, proteínas, ARN y cofactores, las cuales
fueron solucionadas mediante la adición de 59 reacciones, permitiendo reducir el número de
metabolitos bloqueados a 63. La Tabla 3.1 resume las principales características del modelo GSM
reconstruido y curado, el cual al estar reconstruido a partir de 641 genes se simplificó como
iCbu641. Por otro lado, la Figura 3.1 muestra la distribución de reacciones citosólicas.
El modelo reconstruido permite in silico consumir los sustratos extracelulares glicerol, glucosa,
sacarosa, fructosa, galactosa, manosa, maltosa, arabinosa, glucosamina, manitol, xilosa, ribosa,
celobiosa, trehalosa y rafinosa, los cuales también han sido detectados ser consumidos in vivo por
diferentes cepas de Clostridium butyricum [189, 199]. No obstante, el modelo no incluye el
consumo de polisacáridos como almidón o carboximetilcelulosa (CMC). De manera análoga, a
partir de datos experimentales fue incluida la reacción de intercambio de PDO extracelular y por
tanto conviertiendo iCbu641 en el primer modelo GSM curado de una cepa de Clostridium
productora de PDO [22, 128, 130-136].
46 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Tabla 3.1 Características principales de modelo iCbu641.
Característica Número
Genes 641
Enzimas 365
Total reacciones 891
Reacciones citosólicas a 727
Reacciones de transporte 86
Reacciones de intercambio 78
Total metabolitos 701
Metabolitos bloqueados 63 a
Incluye las 17 reacciones empíricas de formación de macromoléculas y biomasa [134] y las 59
reacciones adicionadas en la curación
Número de reacciones
0 20 40 60 80 100 120 140 160
Ru
ta f
un
cio
na
l
Metabolismo de aminoacidos y asociados
Metabolismo de carbohidratos
Metabolismo de nucleotidos
Metabolismo vitaminas y cofactores
Metabolismo de lípidos
Producción de energía y carbono
Biosíntesis glicanos, terpenoides y poliketidos
Síntesis precursores biomasa
Figura 3.1 Distribución de reacciones citosólicas del modelo GSM reconstruido de acuerdo a ruta
funcional.
Notación: (■) reacciones asociadas a genes (■) reacciones no asociadas a genes.
3.1.2 Modelos cinéticos ajustados
La Figura 3.2 muestra la cinética ajustada para el máximo flux de secreción de ácido acético, la
cual fue calculada a partir de datos experimentales en estado estacionario [88, 108]. Dicha cinética
fue empleada como restricción tanto en las predicciones en estado estacionario como en estado
transciente. Por otro lado, en la Figura 3.3 es observado el ajuste de la cinética del flux de consumo
de glicerol en función de la concentración de glicerol en el medio de cultivo, la cual fue empleada
como restricción sólo en las predicciones dinámicas. Finalmente la Tabla 3.2 muestra los valores
ajustados de los parámetros cinéticos de las ecuaciones 2.3 y 2.4.
Capítulo 3:
Resultados 47
Flux consumo glicerol (mmol/g h)
0 20 40 60 80 100
Flu
x s
ec
rec
ión
Ac
. A
cé
tic
o (
mm
ol/g
h)
0
2
4
6
8
10
12
Figura 3.2 Ajuste modelo cinético de tipo alostérico de máximo flux de secreción de ácido acético
en función del flux de consumo de glicerol.
Notación: (●) Datos experimentales C. butyricum DSM 5431 [108]. (○) Datos experimentales C.
butyricum F2b [88]. (──) Modelo ajustado.
Glicerol extracelular (mM)
0 100 200 300 400 500
Flu
x c
on
su
mo
glic
ero
l (m
mo
l/g
h)
0
10
20
30
40
50
60
Figura 3.3 Ajuste cinética de flux de consumo de glicerol en función de glicerol extracelular.
Notación: (●) Datos experimentales Clostridium sp. IBUN 158B (──) Modelo ajustado.
48 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Tabla 3.2. Valores ajustados de parámetros cinéticos empleados como restricciones en modelos
FBA y DFBA con glicerol como única fuente de carbono.
Parámetro Descripción Valor
Unidades Origen datos
experimentales
𝑣0𝑎𝑎
Flux basal de formación de ácido acético
(Flux consumo de glicerol tiende a cero) 0.1578 mmol/g h [88, 108]
𝑣∞𝑎𝑎
Flux máximo de formación de ácido
acético (flux de consumo de glicerol tiende
a infinito)
11.50 mmol/g h [88, 108]
𝑅𝑎𝑎 Tasa de formación de ácido acético en
función del flux de consumo de glicerol. 0.0859 g h/mmol [88, 108]
𝑘𝑑𝑙𝑖𝑚
Constante de muerte a condiciones de
limitación de glicerol 0.0350 h
-1 [108]
𝑘𝑑𝑒𝑥𝑐
Constante de muerte a condiciones de
exceso de glicerol 0.0105 h
-1 [108]
𝑣𝑚𝑎𝑥𝐺𝑙𝑦
Flux máximo de consumo de glicerol 174.86 mmol/g h Este estudio y
[15]
𝑘𝑠𝐺𝑙𝑦
Constante de afinidad del flux consumo de
glicerol a la concentración de glicerol en el
medio
482.1 mM Este estudio y
[15]
𝑘𝐼𝐺𝑙𝑦
Constante de inhibición del flux consumo
de glicerol por concentración de glicerol en
el medio
755.4 mM Este estudio y
[15]
3.1.3 Predicción de la distribución de fluxes usando glicerol como
sustrato
El modelo GSM reconstruido fue empleado junto con el FBA para predecir la distribución de
fluxes de Clostridium butyricum cultivado en glicerol. Las primeras predicciones fueron realizadas
con maximización de biomasa, Ecuación 2.1, sin embargo dichas predicciones al ser comparadas
con datos experimentales de C. butyricum DSM 5431, sobreestimaron en cerca de un 300% los
rendimientos de biomasa (YX/S) mientras que no fue predicha la producción de PDO. Por lo
anterior, fue necesario evaluar otras funciones objetivo NLP. En primera instancia fue evaluada la
maximización de biomasa mientras minimiza el uso enzimático, Ecuación 2.5. Las nuevas
predicciones tuvieron errores cercanos al 4.5% y 1.5% en los rendimientos de biomasa y PDO,
respectivamente, en comparación con los valores experimentales a condiciones de limitación de
glicerol (<15g/L) [108].
Sin embargo, la nueva función objetivo sobreestimó los rendimientos de biomasa a condiciones de
exceso de glicerol (sin alcanzar condiciones de inhibición). Se buscó predecir estas nuevas
condiciones de crecimiento mediante la Ecuación 2.6 empleando un valor de w igual a 0.04, la cual
consiste en la maximización de biomasa mientras minimiza el uso enzimático y la producción de
ATP. Las predicciones realizadas con optimización LP, Ecuación 2.1, y optimizaciones NLP,
Ecuaciones 2.5 y 2.6, son mostradas en la Figura 3.4 donde se evidencia la capacidad predictiva de
las funciones NLP empleadas, con errores medios de 5.3% y 2.5%, en los rendimientos de biomasa
y PDO respectivamente. Caso contrario sucedió con la función LP donde se observa las
predicciones más alejadas a los valores experimentales.
Capítulo 3:
Resultados 49
Flux consumo glicerol (mmol/g h)
0 20 40 60 80 100
Flu
x s
ec
rec
ión
PD
O (
mm
ol/g
h)
0
20
40
60
Flux consumo glicerol (mmol/g h)
0 20 40 60 80 100
Ve
loc
ida
d d
e c
rec
imie
nto
(h
-1)
0.0
0.2
0.4
0.6
0.8
1.0
1.2
A B
Figura 3.4. Análisis de robustez en función del flux de consumo de glicerol.
(A) Velocidad específica de crecimiento µ (B) Flux de secreción de PDO. Notación: Datos
experimentales de C. butyricum DSM 5431 cultivados en (●) glicerol en limitación y (○) glicerol
en exceso [108]. Líneas continuas corresponden a predicciones de: maximización biomasa (LP) en
negro, maximización de biomasa mientras minimiza el uso enzimático (NLP) en rojo y
maximización de biomasa mientras minimiza el uso enzimático y la producción de ATP (NLP) en
verde.
Así mismo, se buscó determinar la capacidad predictiva de las enzimas empleadas en la red
metabólica. Para lo anterior se comparó la predicción de fluxes de las 365 enzimas presentes en
iCbu641 con la expresión de las 286 enzimas no redundantes detectadas en el proteoma de la fase
exponencial del cultivo en limitación de glicerol de Clostridium butyricum DSM 10702 reportado
por Gungormusler-Yilmaz et al. [26]. Fueron encontradas 174 enzimas en común, donde 27 de
ellas estaban bloqueadas de acuerdo a análisis FCF, Ecuación 2.7, y por consiguiente no fueron
consideradas en análisis posteriores. Entre las enzimas bloqueadas destacan 10 involucradas en la
biosíntesis de glicanos, terpenoides y poliketidos, mientras que otras 12 enzimas están asociadas al
metabolismo de carbohidratos y las últimas 5 son del metabolismo de aminoácidos y asociados.
A partir de las 147 enzimas consideradas en el análisis, se obtuvo la predicción en la expresión de
123 de ellas, es decir que la capacidad predictiva del modelo fue del 83.7%. La Figura 3.5 muestra
la relación entre los fluxes predichos y los niveles de expresión de las enzimas predichas, donde se
observa una tendencia entre dichas variables. En relación a las restantes 24 enzimas con expresión
no predicha, corresponden a enzimas direccionalmente enlazadas al crecimiento y 21 de ellas están
involucradas en rutas de síntesis de aminoácidos y nucleótidos y metabolismo de carbohidratos. En
relación a las 3 enzimas restantes, una corresponde al metabolismo del piruvato (piruvato fosfato
dikinasa, EC.2.7.9.1), otra al metabolismo de glicerofosfolípidos (glicerol 3-fosfato deshidrogenasa
(NADP), EC.1.1.1.94), mientras que la última está involucrada en procesos de reciclaje (nicotinato
fosforibosiltrasferasa, EC.6.3.4.21).
De manera similar fue hecha la comparación con las enzimas detectadas en la fase exponencial del
cultivo en glicerol de Clostridium sp 158B [19]. De las 17 enzimas en común con en el proteoma
detectado en la fase exponencial, el modelo predijo la expresión de 16 de ellas, predicción del
94.1%. Siendo la enzima Cisteína sintetasa (EC.2.5.1.47) la única con expresión no predicha.
50 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Nivel de expresión enzima (Log2 TIC)
14 16 18 20 22 24 26 28
Flu
x n
orm
ali
za
do
(%
)
0.01
0.1
1
10
100
Figura 3.5. Comparación fluxes predichos y proteoma experimental.
Flux normalizado (expresado como porcentaje basado en el flux de consumo de glicerol) y nivel de
expresión (reportada como Log 2 TIC) de las 123 enzimas predichas. Notación: (──) línea de
tendencia.
3.1.4 Predicción de estados fenotípicos empleando otros sustratos
Así mismo, buscando evaluar la robustez del modelo iCbu641, valores experimentales y simulados
fueron comparados usando otros sustratos. En primer lugar fueron comparados predicciones de
FBA con rendimientos experimentales de Clostridium butyricum W5 cultivado en glucosa [146],
como es mostrado en la Tabla 3.3. Es observada la capacidad del modelo GSM reconstruido de
predecir no sólo valores experimentales de cultivos en glicerol, sino también en glucosa, debido a
un error inferior al 6% en la predicción del rendimiento de biomasa. En adición, todos los
rendimientos experimentales reportados estaban en su respectivo rango predicho como factible de
acuerdo a FVA.
Tabla 3.3. Comparación de rendimientos experimentales y predichos (mol/mol) de Clostridium
butyricum W5 cultivado en glucosa [146]
Producto Valor Experimental Rango factible predicho
Biomasa 0.027 0.0279 (0.0228-0.0330)
Acetato 0.172 0.574 (0-1.053)
Lactato 0.566 0.179 (0-0.773)
Butirato 0.295 0.114 (0-0.454)
H2 1.325 0.661 (0.046-1.345)
Etanol 0.043 0.215 (0 -0.714)
Capítulo 3:
Resultados 51
De manera análoga fueron empleados datos experimentales de Clostridium butyricum TM-9A
cultivado en diferentes sustratos [199]. Los rendimientos experimentales fueron comparados con
rendimientos predichos mediante análisis de robustez, similares a los mostrados en la Figura 3.4,
como se muestra en la Tabla 3.4. Los rendimientos de biomasa predichos están de acuerdo a los
valores experimentales obtenidos, mostrando los rendimientos más bajos para las pentosas y el más
alto para el trisacárido rafinosa. Mientras que los rendimientos usando monosacáridos fueron
inferiores que para disacáridos. En adición, los rendimientos experimentales de hidrógeno
empleando los diferentes carbohidratos, estaban en los respectivos rangos predichos por FVA,
exceptuando la arabinosa, lo cual podría sugerir la necesidad de una curación adicional para
predecir el crecimiento en pentosas.
Tabla 3.4. Comparación de rendimientos experimentales y simulados (mol/mol) de Clostridium
butyricum TM-9A cultivado en diferentes carbohidratos [199]
Carbohidrato Rendimiento experimental Rendimientos predichos
YX/Sa YH2/S YX/S
a Rango factible YH2/S
Arabinosa 2.5% 0.067 6.7% 0.204-1.101
Ribosa 25.3% 0.843 6.7% 0.236-1.100
Xilosa 32.3% 0.589 11.1% 0.327-1.406
Manosa 30.8% 0.668 36.2% 0.046-1.346
Fructosa 32.2% 0.848 37.2% 0.092-1.374
Galactosa 35.9% 0.864 29.1% 0.478-1.711
Celobiosa 35.9% 0.945 59.9% 0.141-2.468
Trehalosa 65.7% 1.612 72.3% 0.030-2.485
Sacarosa 74.9% 1.494 70.1% 0-2.323
Rafinosa 100.0% 2.716 100.0% 0-3.141 a Rendimientos de biomasa fueron normalizados usando como referencia valor de rafinosa.
Seguidamente, asumiendo correlación entre fluxes predichos y expresiones de ARN mensajeros
(ARNm) fue realizada la comparación entre resultados predichos por el FBA y experimentales del
transcriptoma de la cepa C. butyricum CWBI 1009 cultivada en glucosa [200]. De las 284 enzimas
compartidas en los dos sistemas 51 estaban bloqueadas de acuerdo al análisis FCF. Dichas enzimas
bloqueadas están clasificadas de la siguiente forma: 9 del metabolismo de aminoácidos y similares,
21 del metabolismo de carbohidratos, 19 de la biosíntesis de glicanos, terpenoides y poliketidos y 2
del metabolismo de cofactores y vitaminas. De las restantes 237 enzimas, el modelo predijo la
expresión de 180 (75.9%). Similar a la comparación con información de proteómica, las 57
enzimas no predichas corresponden a enzimas direccionalmente acopladas al crecimiento y de
acuerdo a su clasificación por ruta metabólica son: 25 del metabolismo de aminoácidos y
nucleótidos, 17 del metabolismo de carbohidratos, 11 del metabolismo de cofactores y vitaminas y
3 del metabolismo central.
Finalmente fue evaluada la robustez del modelo para predecir el estado fenotípico de mutantes por
knockout. Como referencia fue empleada la cepa modificada de Clostridium butyricum W5
reportada por Cai et al. [206]. Dicha mutante tiene bloqueada la expresión de la enzima 3-
hidroxibutiril-CoA deshidrogenasa (EC.1.1.1.157) y por tanto la producción de ácido butírico. Los
rendimientos experimentales de las cepas nativa y mutante son mostrados en la Tabla 3.5. Por otro
lado, la Tabla 3.5 también muestra los rendimientos predichos de la cepa nativa usando FBA y de
la cepa mutante usando ROOM. Las simulaciones predicen incremento en la producción de etanol,
tal como fue detectado experimentalmente, sin embargo el valor experimental del rendimiento de
etanol sale del rango predicho. Así mismo, es coherente la reducción en el rendimiento de la
52 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
biomasa, siendo cerca del 1% experimentalmente y 5% de acuerdo al modelo. En el caso de
rendimiento de hidrógeno, las predicciones no son concluyentes, sin embargo los datos
experimentales están los rangos predichos.
Tabla 3.5. Comparación rendimientos experimentales y predichos de cepas nativa y mutante de
Clostridium butyricum W5 cultivadas en glucosa [206]
Producto Rendimientos experimentales Rendimientos predichos (rango FVA)
Nativa Mutante Nativa (FBA) Mutante (ROOM)
H2 1.25a 0.69 0.661 (0.046-1.345) 0.694 (0-1.787)
Etanol 0.18 3.31 0.215 (0-0.714) 0.680 (0-1.069)
Biomasab 100% 99.2%
a 100% 95.0%
a Valores calculados a partir de información reportada en el artículo
b Rendimientos reportados como porcentaje con base en la cepa nativa.
3.1.5 Modelado de escenarios con incremento del rendimiento de PDO
Con el objetivo de emplear el modelo iCbu641 para predecir incrementos en el rendimiento de
PDO, YPDO/S, fueron evaluados tres escenarios diferentes. El primer escenario consistió en la
predicción de mutantes por knockout de enzimas dobles o simples mediante aproximación ROOM.
Inicialmente se realizó análisis FCF a condiciones de cultivo descritas en 2.3.1 Mantenimiento de
la cepa y medio de cultivo empleado, encontrando 86 enzimas bloqueadas, 145 direccionalmente
acopladas, 61 parcialmente acopladas y 73 completamente acopladas al crecimiento. Dado que la
deleción de las enzimas parcial o completamente acopladas al crecimiento afectaría negativamente
dicho crecimiento y las enzimas bloqueadas no inciden en la distribución de fluxes, la evaluación
de mutantes fue realizada sólo considerando las 145 enzimas direccionalmente acopladas al
crecimiento. Entre dichas enzimas direccionalmente acopladas, 20 de ellas mostraron ser
esenciales, dado que catalizan al menos dos reacciones que al ser bloqueadas simultáneamente,
bloquean el crecimiento. Así es el caso de las enzimas Dihidrodipicolnato reductasa (EC.1.17.1.8)
o Prolina oxidasa (EC.1.5.1.2). Resultados similares fueron obtenidos con 18 deleciones dobles de
enzimas como Prefenato deshidrogenasa (EC.1.3.1.12) y Prefenato deshidrogenasa (NADP)
(EC.1.3.1.13) o Shikimato deshidrogenasa (EC.1.1.1.25) y Quinato/shikimato deshidrogenasa
(EC.1.1.1.282). En relación al rendimiento de PDO, ninguna deleción simple permitió mejorarlo
más allá del 1% en comparación con la cepa nativa. Una de las mejores mutantes predichas
corresponde a la deleción doble de las lactato deshidrogenasas EC.1.1.1.27 y EC.1.1.1.28
permitieron predecir el mayor incremento de YPDO/S, aunque dicho incremento fue sólo del 1.2%.
Ahora, en busca de validar las predicciones de las mutantes predichas, fueron empleadas las
mutantes simples por knockout obtenidas a partir de la cepa Clostridium sp. IBUN 158B para
mejorar la producción de PDO [17]. Las enzimas inactivadas fueron hidrogenasa (ΔhydA-420s),
lactato deshidrogenasa (ΔldhA-508s), y 3-hidroxibutiril-CoA deshidrogenasa (Δhbd-414s), las
cuales corresponden a la producción de hidrógeno, ácido láctico y ácido butírico, respectivamente.
Todas las mutantes fueron viables, sin embargo los cultivos sólo fueron hechos en dos de ellas,
como es mostrado en la Tabla 3.6. Los rendimientos experimentales de PDO están de acuerdo con
los rangos predichos por FVA, permitiendo validar las simulaciones realizadas mediante
aproximación ROOM. En adición, la Tabla 3.6 muestra que el modelo fue capaz de predecir la
reducción en el rendimiento de biomasa al eliminar la formación de hidrógeno o ácido láctico, tal
como fue obtenido experimentalmente.
Capítulo 3:
Resultados 53
Tabla 3.6. Comparación rendimientos experimental y predichos de cepas nativa y mutantes de
Clostridium sp. IBUN 158B cultivadas en glicerol [17].
Cepa Rendimiento Experimental Rendimiento predichos (rango FVA)
YX/Sa YPDO/S YX/S
a YPDO/S
Nativa 100.0±8% 0.538±0.047 100% 0.588 (0.479-0.656)
ΔhydA-420s 46.7±9% 0.465±0.031 75.8% 0.610 (0.478-0.721)
ΔldhA-508s 61.6±3% 0.579±0.021 98.9% 0.595 (0.489-0.659)
Δhbd-414s No disponibles b 95.0% 0.572 (0.448-0.656)
a Rendimientos de biomasa fueron normalizados usando los de la cepa nativa como base.
b Datos no medidos experimentalmente.
La segunda estrategia evaluada, después del estudio de mutantes consistió en la perturbación de la
composición de la biomasa. La Figura 3.6 presenta tanto para limitación como para exceso de
glicerol los coeficientes de correlación de YX/S y YPDO/S, mostrando una baja correlación de los
precursores (ácidos grasos, aminoácidos, nucleótidos, lípidos polares y cofactores), pero sí una alta
correlación a las macromoléculas, especialmente las proteínas (principal componente con 86.7%
base molar). Esto podría sugerir que un bajo contenido de proteínas en la célula podría mejorar
YX/S y simultáneamente reducir YPDO/S, debido a sus correlaciones negativa y positiva,
respectivamente. Sin embargo, debido a que las desviaciones estándar relativas obtenidas de YX/S y
YPDO/S fueron del 3.3% y 0.67% en limitación de glicerol y del 3.1% y 0.25% en exceso de glicerol,
respectivamente, se podría sugerir que en estado estacionario la conversión de glicerol a PDO es
estable ante cambios en la composición de la biomasa.
Finalmente, la tercera estrategia evaluada consistió en el uso de dos sustratos, glucosa y glicerol.
La Figura 3.7A muestra que los valores experimentales se aproximan a los valores máximos
predichos para sus respectivos rangos de FVA. Lo anterior permitió dar validez a esta
aproximación y así obtener el PhPP en función de los fluxes de consumo de glucosa y glicerol,
Figura 3.7B, la cual predice una conversión completa del glicerol a PDO (YPDO/S=1) usando
relaciones de fluxes entre la glucosa y el glicerol de al menos 0.5.
54 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Correlación
-1.0 -0.5 0.0 0.5 1.0
Pre
cu
rso
r d
e b
iom
asa
TrazasCarbohidratoÁc. teicoico
LípidosPeptidoglicano
ARNADN
ProteínaTHFFMNFADCoA
NADPNAD
PtdMenPtdEtnPtdGly
UTPCTPGTPATP
dTTPdCTPdGTPdATP
IsoleucinaTreonina
ValinaAsparagina
ProlinaHistidinaLeucinaCisteínaTirosina
FenilalaninaTriptófanoMetionina
SerinaGlutamina
ArgininaAspartato
LisinaAlaninaGlicina
GlutamatoC19cycC17cyc
C16:1C16:0C14:0C18:0C18:1
Correlación
-1.0 -0.5 0.0 0.5 1.0
A B
Figura 3.6. Coeficientes de correlación de Pearson de rendimientos de biomasa y PDO en función
de precursores de biomasa.
(A) Glicerol en limitación (B) Glicerol en exceso. Notación: (■) YX/S (■) YPDO/S
Capítulo 3:
Resultados 55
0.0
0.2
0.4
0.6
0.8
1.0
05
1015
2025
30
02
46
810
1214
YP
DO
/S (m
ol/
mo
l)
Consumo de glic
erol
(mmol/g
h)
Consumo de glucosa
(mmol/g h)
BA
vglucosa/vglicerol
0 0.053 0.104 0.238 1.149
YP
DO
/S (
mo
l/m
ol)
0.0
0.2
0.4
0.6
0.8
1.0
Figura 3.7. Rendimientos de PDO usando glucosa y glicerol como sustratos.
(A) Comparación valores experimentales (puntos con desviación estándar como barras de error
[204]) y rangos FVA predichos (cajas verticales) de YPDO/S en función de relaciones de fluxes de
consumo de glucosa/glicerol. (B) Máximo YPDO/S predicho usando FVA a diferentes fluxes de
consumo de glucosa y glicerol
3.2 Desarrollo y validación de modelo en estado dinámico
Inicialmente fue seleccionado el polinomio ortogonal y el tamaño de paso a emplear, mediante
aproximación DA, Ecuación 2.13. Los perfiles obtenidos evaluando los diferentes polinomios son
mostrados en la Figura 3.8. Se observa que la selección del polinomio ortogonal no tiene efecto en
la predicción de los diferentes perfiles. También se encontró que bajo los parámetros cinéticos
reportados en la Tabla 3.2, el tamaño de paso comprendido en el intervalo de 0.05h a 0.40h
tampoco tuvo incidencia en la predicción del PDO producido, Figura 3.9. Por lo anterior para
simulaciones posteriores se siguió empleando el polinomio ortogonal de Legendre con 6 puntos de
colocación y un tamaño de paso no superior a 0.40 horas.
Posteriormente fueron comparadas las predicciones mediante las aproximaciones SOA, DOA y
DA. Los perfiles de consumo de glicerol y formación de PDO son mostrados en la Figura 3.10,
donde no fueron detectadas diferencias en las predicciones. En adición, la Figura 3.11 muestra el
tiempo de simulación requerido por la aproximación DOA, el cual fue considerablemente superior,
por lo cual se decidió seguir usando la aproximación DA. Por otro lado, de la Figura 3.12 a la
Figura 3.15, se comparan los perfiles de biomasa, glicerol, PDO, ácido acético, ácido butírico y
ácido láctico tanto experimentales como predichos por DFBA. Los valores experimentales son
mostrados en el Anexo A.
56 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Figura 3.8. Comparación glicerol y PDO extracelulares predichos con DFBA por aproximación
DA empleando diferentes polinomios ortogonales y tamaño de paso 0.20h.
Tiempo (h)
0 10 20 30
PD
O (
mM
)
0
50
100
150
200
250delta 0.05h
delta 0.10h
delta 0.15h
delta 0.20h
delta 0.25h
delta 0.30h
delta 0.35h
delta 0.40h
Figura 3.9. Comparación PDO extracelular predichos con DFBA por aproximación DA
empleando diferentes tamaños de paso y polinomio ortogonal de Legendre.
Capítulo 3:
Resultados 57
Figura 3.10. Perfiles de consumo de glicerol y producción de PDO predichos por DFBA
empleando aproximaciones SOA, DOA y DA.
Fue empleado polinomio ortogonal de Legendre en las aproximaciones DOA y DA. El tamaño de
paso empleado fue 0.15 horas..
Aproximación
SOA DA DOA
Tie
mp
o s
imula
ció
n (
s)
1e+0
1e+1
1e+2
1e+3
1e+4
1e+5
1e+6
Figura 3.11. Tiempo empleado en desarrollo de DFBA por aproximaciones SOA, DOA y DA.
Fue empleado polinomio ortogonal de Legendre en las aproximaciones DOA y DA. El tamaño de
paso empleado fue 0.15 horas.
58 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Tiempo (h)
0 10 20 30 40
Bio
ma
sa
(g
/L)
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
Tiempo (h)
0 10 20 30 40
Glic
ero
l (m
M)
0
100
200
300
400
Tiempo (h)
0 10 20 30 40
Ácid
o a
cé
tico
(m
M)
0
20
40
60
80
Tiempo (h)
0 10 20 30 40
PD
O (
mM
)
0
50
100
150
200
250
Tiempo (h)
0 10 20 30 40
Ácid
o b
utí
rico
(m
M)
0
10
20
30
40
Tiempo (h)
0 10 20 30 40
Ácid
o lá
ctico
(m
M)
0
1
2
3
4
5
Figura 3.12 Comparación perfiles biomasa, glicerol, PDO, ácido acético, ácido butírico y ácido
láctico experimentales (puntos) y predichos con DFBA por aproximación DA (líneas) de
Clostridium sp IBUN 158B cultivado en glicerol con concentración inicial ~38g/L.
(Fermentación 1 exceso glicerol). Temperatura 37°C, pH 7, agitación 90rpm.
Capítulo 3:
Resultados 59
Tiempo (h)
0 5 10 15 20 25
Bio
ma
sa
(g
/L)
0.0
0.5
1.0
1.5
2.0
Tiempo (h)
0 5 10 15 20 25
Glic
ero
l (m
M)
0
100
200
300
400
500
Tiempo (h)
0 5 10 15 20 25
Ácid
o a
cé
tico
(m
M)
0
20
40
60
80
Tiempo (h)
0 5 10 15 20 25
PD
O (
mM
)
0
100
200
300
Tiempo (h)
0 5 10 15 20 25
Ácid
o b
utí
rico
(m
M)
0
20
40
60
Tiempo (h)
0 5 10 15 20 25
Ácid
o lá
ctico
(m
M)
0
1
2
3
4
5
Figura 3.13 Comparación perfiles biomasa, glicerol, PDO, ácido acético, ácido butírico y ácido
láctico experimentales (puntos) y predichos con DFBA por aproximación DA (líneas) de
Clostridium sp IBUN 158B cultivado en glicerol con concentración inicial ~48g/L.
(Fermentación 2 exceso glicerol). Temperatura 37°C, pH 7, agitación 90rpm.
60 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Tiempo (h)
0 5 10 15 20 25 30
Bio
ma
sa
(g
/L)
0.0
0.1
0.2
0.3
0.4
0.5
Tiempo (h)
0 5 10 15 20 25 30
Glic
ero
l (m
M)
0
20
40
60
80
100
120
140
Tiempo (h)
0 5 10 15 20 25 30
Ácid
o a
cé
tico
(m
M)
0
5
10
15
20
Tiempo (h)
0 5 10 15 20 25 30
PD
O (
mM
)
0
20
40
60
80
100
120
Tiempo (h)
0 5 10 15 20 25 30
Ácid
o b
utí
rico
(m
M)
0
5
10
15
20
Tiempo (h)
0 5 10 15 20 25 30
Ácid
o lá
ctico
(m
M)
0
1
2
3
4
Figura 3.14. Comparación perfiles biomasa, glicerol, PDO, ácido acético, ácido butírico y ácido
láctico experimentales (puntos) y predichos con DFBA por aproximación DA (líneas) de
Clostridium sp IBUN 158B cultivado en glicerol con concentración inicial ~12g/L.
(Fermentación 1 limitación glicerol). Temperatura 37°C, pH 7, agitación 90rpm.
Capítulo 3:
Resultados 61
Tiempo (h)
0 5 10 15 20
Bio
ma
sa
(g
/L)
0.0
0.1
0.2
0.3
0.4
0.5
0.6
Tiempo (h)
0 5 10 15 20
Glic
ero
l (m
M)
0
20
40
60
80
100
120
140
160
Tiempo (h)
0 5 10 15 20
Ácid
o a
cé
tico
(m
M)
0
5
10
15
20
25
30
Tiempo (h)
0 5 10 15 20
PD
O (
mM
)
0
20
40
60
80
100
120
Tiempo (h)
0 5 10 15 20
Ácid
o b
utí
rico
(m
M)
0
5
10
15
20
Tiempo (h)
0 5 10 15 20
Ácid
o lá
ctico
(m
M)
0
1
2
3
4
Figura 3.15. Comparación perfiles biomasa, glicerol, PDO, ácido acético, ácido butírico y ácido
láctico experimentales (puntos) y predichos con DFBA por aproximación DA (líneas) de
Clostridium sp IBUN 158B cultivado en glicerol con concentración inicial ~13g/L.
(Fermentación 2 limitación glicerol). Temperatura 37°C, pH 7, agitación 90rpm.
62 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Finalmente, fue realizada la validación en la expresión de enzimas en las fases exponencial y
estacionaria. En la comparación fue predicha la expresión del 82.9% de las enzimas, es decir 107
de las 129 enzimas detectadas en ambas fases de crecimiento de Clostridium butyricum DSM
10702 en glicerol [26]. La Figura 3.16 muestra la comparación de fluxes predichos con valores de
expresión tanto en fase exponencial como en fase estacionaria.
Nivel de expresión enzima (Log2 TIC)
14 16 18 20 22 24 26 28
FL
ux
(m
mo
l/g
h)
0.0001
0.001
0.01
0.1
1
10
100
Figura 3.16. Comparación flux predicho con DFBA por aproximación DA y nivel de expresión de
enzima en proteoma de C. butyricum DSM 10702 [26] de las 107 enzimas predichas.
Notación: (●) fase exponencial y (○) fase estacionaria
3.3 Determinación algunos parámetros de significancia
3.3.1 Análisis de sensibilidad global
Los 2280 perfiles de PDO obtenidos por aproximación de Monte Carlo son mostrados en la Figura
3.17, los cuales fueron empleados en los análisis de sensibilidad global. En primer lugar fue
desarrollado el análisis de sensibilidad MPSA, siendo mostrado los resultados del estadístico K-S
de las diferentes variables de respuesta en la Figura 3.18A. Así mismo, en la Figura 3.18B son
mostrados los coeficientes de correlación del análisis de sensibilidad PRCC. Mientras que el
Anexo B muestra las figuras de frecuencias acumuladas necesarias para el cálculo del estadístico
K-S de los 60 parámetros evaluados. De manera análoga, en la Figura 3.19 se observa la
aproximación dinámica del análisis de sensibilidad PRCC considerando como variable de
respuesta la concentración de PDO en el tiempo.
Los análisis de sensibilidad MPSA y PRCC muestran resultados semejantes, donde los parámetros
de entrada con mayor significancia son los tres parámetros cinéticos de consumo de glicerol,
siendo positiva la relación de VmaxGly
y KiGly
y negativa la relación de KsGly
. Por otro lado, ningún
Capítulo 3:
Resultados 63
precursor como macromolécula mostró tener algún efecto significativo tanto en la formación de
PDO como en el tiempo de formación de éste. Finalmente, los parámetros cinéticos Raa
y V0aa
de
formación de ácido acético presentaron incidencia en la conversión de glicerol a PDO.
Figura 3.17. Comparación perfil PDO experimental y 2280 predichos aleatoriamente usando
método de Monte Carlo en DFBA por aproximación DA.
Variación de la composición de 44 precursores y 8 macromoléculas además de 8 parámetros
cinéticos estimados. Nomenclatura: perfiles aleatorias (negro) perfil predicción en condiciones
centrales (rojo). Valores experimentales en punto. Barras de error corresponden a error en la
medición estimado en 2.5%
64 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Estadístico K-S
0.0 0.2 0.4 0.6 0.8 1.0
Ki_GlyKs_Gly
Vmax_GlyKd_excKd_lim
R_aaV?_aaV0_aa
TrazasCarbohidrato
Ác. teicoicoLípidos
Peptidoglicano ARNADN
ProteínaTHFFMNFADCoA
NADPNAD
PtdMenPtdEtnPtdGly
UTPCTPGTPATP
dTTPdCTPdGTPdATP
IsoleucinaTreonina
ValinaAsparagina
ProlinaHistidinaLeucinaCisteínaTirosina
FenilalaninaTriptófanoMetionina
SerinaGlutamina
ArgininaAspartato
LisinaAlaninaGlicina
GlutamatoC19cycC17cyc
C16:1C16:0C14:0C18:0C18:1 YPDO/S
QPDO
PDO
DK-S
Coeficiente Correlación
-1.0 -0.5 0.0 0.5 1.0
YPDO/S
QPDO
A B
I
II
III
IV
V
I
II
III
IV
V
Figura 3.18 Resultados de análisis de sensibilidad globales del modelo dinámico desarrollado.
Análisis sensibilidad desarrollados (A) MPSA y (B) PRCC, en función de parámetros de entrada
44 precursores (I), 8 macromoléculas (II), 3 parámetros cinéticos formación ácido acético (III), 2
parámetros cinéticos de muerte celular (IV) y 3 parámetros cinéticos de consumo de glicerol (V).
Capítulo 3:
Resultados 65
Tiempo (h)
0 20 40 60 80 100 120 140
Co
eficie
nte
Co
rre
lació
n
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
V0_aa
Vmax_Gly
Ks_Gly
Ki_Gly
Figura 3.19. Perfiles de Coeficientes Pearson de análisis de sensibilidad global PRCC de los 4
parámetros de entrada de mayor significancia en la formación de PDO.
A partir de los resultados obtenidos en los análisis de sensibilidad global, fueron considerados por
separado los parámetros evaluados descartando los tres de mayor incidencia, es decir relacionados
con el consumo de glicerol. La Figura 3.20 muestra los diferentes perfiles obtenidos considerando
la variación de cada grupo de parámetros. Se observa que el único grupo de parámetros con
incidencia en el PDO producido al final del cultivo es el relacionado con la cinética de formación
de ácido acético. Así mismo, en el transcurso de la fermentación, los precursores inciden de menor
forma en la producción de PDO al ser comparados con los otros parámetros. Lo anterior también se
evidencia en La Figura 3.21, dónde son mostradas las desviaciones estándar relativas del PDO a
través del tiempo obtenidas a partir de la Figura 3.20. Finalmente, en la Figura 3.21 igualmente se
puede observar un aumento progresivo de la desviación estándar relativa hasta aproximadamente el
punto de inflexión de crecimiento exponencial a crecimiento exponencial desacelerado, para
posteriormente disminuir hasta estabilizar al llegar al final de la fermentación.
3.3.2 Desarrollo de aproximación segregada de modelo dinámico
En primer lugar fue evaluado el efecto de la deviación estándar relativa de la composición de la
biomasa en el perfil de deviación estándar relativa de la formación de PDO, los resultados son
mostrados en la Figura 3.22.A. Así mismo la Figura 3.22.B muestra las distribuciones
poblacionales según variabilidad composición de la biomasa, dónde el peso molecular promedio de
la biomasa fue 25.16g/mol C. No obstante, la desviación estándar relativa del peso molecular de la
biomasa fue 1.0%, 2.1% y 3.1%, asumiendo desviación estándar relativa de la composición del
10%, 20% y 30%, respectivamente.
66 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Figura 3.20. Comparación perfil PDO experimental y predichos aleatoriamente usando método de
Monte Carlo en DFBA por aproximación DA.
Perturbando: (A) Los 44 precursores (B) las 8 macromoléculas (C) los 2 parámetros cinéticos de
muerte celular, (D) 3 parámetros cinéticos formación ácido acético y (E) Todos los anteriores de
forma simultánea. Notación: perfiles aleatorias (negro) perfil condiciones medias (azul), perfil
promedio predicciones aleatorias (verde), límite superior 95% de confianza (amarillo) y límite
interior 95% confianza (rojo). Valores experimentales en punto. Barras de error corresponden a
error en la medición estimado en 2.5%.
Capítulo 3:
Resultados 67
Tiempo (h)
0 10 20 30 40
Desvi
ació
n e
stá
ndar
rela
tiva
PD
O (
%)
0
2
4
6
8
10
12
14
16
Figura 3.21. Perfiles desviaciones estándar relativas de formación de PDO predicho considerando
sólo variación de: precursores (negro), macromoléculas (rojo), cinética muerte celular (amarillo),
cinética ácido acético (verde), todos los anteriores de manera simultánea (azul).
La desviación estándar relativa empleada de los diferentes parámetros de entrada evaluados fue del
30%
Tiempo (h)
0 10 20 30 40
De
svia
ció
n e
sta
nd
ar
rela
tiva P
DO
(%
)
0
2
4
6
8
10
12
14
16
Peso molecular biomasa (g/mol C)
23 24 25 26 27 28
% F
recue
ncia
0
5
10
15
20
25
30
35
A B
Figura 3.22. Efecto de la desviación estándar relativa de la composición de precursores y
macromoléculas en modelo segregado.
(A) Perfiles desviaciones estándar relativas PDO y (B) Distribución poblacional representada como
el peso molecular de la biomasa. Notación desviaciones estándar relativas: 30% (Negro), 20%
(Rojo), 10% (Verde). Desviación estándar relativa de parámetros cinéticos muerte celular y
formación de ácido acético fueron mantenidas constantes en 30%
68 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Finalmente fue predicha la formación de PDO considerando las distribuciones poblacionales y
comparadas con los perfiles obtenidos experimentalmente en las diferentes fermentaciones
realizadas durante la validación. Los resultados del modelo segregado por composición celular,
edad y capacidad de formación de ácido acético son mostrados en la Figura 3.23.
Figura 3.23. Comparación perfiles PDO experimental y predichos aleatoriamente por modelo
segregado usando método de Monte Carlo en DFBA por aproximación DA
Variación de los 44 precursores, las 8 macromoléculas, los 2 parámetros cinéticos de muerte
celular y los 3 parámetros cinéticos formación ácido acético para fermentaciones a (A) Exceso de
glicerol – Fermentación 1, (B) Exceso de glicerol – Fermentación 2, (C) Limitación de glicerol –
Fermentación 1, (D) Limitación de glicerol – Fermentación 2. Notación: predicciones aleatorias
(negras), predicción no segregada (azul), perfil promedio predicciones segregadas (verde), límite
superior 95% de confianza (amarillo) y límite interior 95% confianza (rojo). Valores
experimentales en puntos. Barras de error corresponden a error en la medición
Capítulo 3:
Resultados 69
3.3.3 Predicción en dinámico de GSM a través de deleción de enzimas
Los perfiles de PDO obtenidos por aproximación D-ROOM para las mutantes simples evaluadas
son mostrados en la Figura 3.24, donde también es mostrado el PDO predicho por DFBA junto al
máximo perfil de PDO calculado por aproximación D-FVA. Se observa que ninguna mutante
simple presentó mejoras significativas en la producción de PDO o el tiempo de producción y por
tanto la productividad en relación a la cepa nativa. Por otro lado, la Figura 3.25 presenta la
concentración y productividad final de PDO normalizados con respecto a la cepa nativa de 435
mutantes por knockout doble de enzimas, donde tampoco fueron observadas mejoras significativas
en la producción de PDO.
Tiempo(h)
0 10 20 30 40
PD
O (
mM
)
0
50
100
150
200
250
Figura 3.24. Comparación perfil PDO experimental y predichos para 41 mutantes por knockout
simple de enzimas usando aproximación D-ROOM.
Perfil rojo: predicción PDO de cepa nativa con DFBA con aproximación DA. Perfil azul: máxima
predicción de PDO de cepa nativa usando aproximación D-FVA. Barras de error corresponden a
error en la medición estimado en 2.5%.
70 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Figura 3.25. Predicción de valores máximos de PDO y Productividad QPDO normalizados de 435
mutantes por knockout doble de enzimas evaluadas empleando aproximación D-ROOM.
Valores normalizados en relación a valor predicho de cepa nativa mediante DFBA por
aproximación DA
1.1.1.205
1.1.1.60
2.3.1.35
2.7.1.304.1.2.4
95.0%
95.5%
96.0%
96.5%
97.0%
97.5%
98.0%
98.5%
99.0%
99.5%
100.0%P
DO
No
rmal
izad
o
1.1.1.205
1.1.1.60
2.3.1.35
2.7.1.304.1.2.4
95.0%
95.5%
96.0%
96.5%
97.0%
97.5%
98.0%
98.5%
99.0%
99.5%
100.0%
Qp
do
No
rmal
izad
a
Capítulo 3:
Resultados 71
3.3.4 Perturbación en las condiciones de cultivo
Los resultados de rendimiento y productividad de PDO en función de la biomasa y glicerol inicial
son mostrados en la Figura 3.26. En la predicción de los rendimientos YPDO/S, se observa una
reducción de éste a concentraciones bajas de glicerol. En relación a las productividades, el modelo
predice valores óptimos con concentraciones de glicerol cercanas a 500mM (46g/L). Por otro lado,
se observa un comportamiento monotónico de la productividad en función de la concentración del
inóculo.
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
100200
300400
500600
0.050.10
0.150.20
QP
DO (
g/L
h)
S o (m
M)
Xo (g/L)
0.35
0.40
0.45
0.50
0.55
0.60
0.65
0.70
100200
300400
500600
0.050.10
0.15
YP
DO
/S (
mol/m
ol)
S o (m
M)
Xo (g/L)
Figura 3.26. Superficies de respuesta de rendimiento (YPDO/S) y productividad (QPDO) de PDO de
acuerdo a las concentraciones iniciales de biomasa (X0) y glicerol (S0) predichos mediante DFBA
por aproximación DA
Posteriormente, como alternativa final para mejorar tanto la concentración final de PDO como la
productividad, se realizó predicciones de cultivos por lote alimentado. En el caso de flujo de
alimentación constante los resultados predichos de producción, productividad y rendimiento son
mostrados en la Figura 3.27. En primer lugar se evidencia una relación inversa entre el flujo de
alimentación y concentración de glicerol en la alimentación, dado que a medida que el flujo
aumenta, la concentración del glicerol en éste debe disminuir con el fin de no inhibir el crecimiento
por exceso de sustrato, afectando de esta manera la formación de PDO. También se observa un
incremento de la concentración máxima de PDO de unos 18.8g/L hasta 46.9g/L, en comparación
con predicciones de cultivo por lote, mientras que la productividad QPDO aumentó de 0.5 a
0.64g/L·h, es decir incrementos de hasta un 144% y 28%, respectivamente. En el caso del
rendimiento YPDO/S los valores se mantuvieron aproximadamente constantes.
72 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.00
0.05
0.100.15
0.200.25
020
4060
80100
QP
DO (
g/L
h)
Flu
jo(m
L/m
in)
Contenido glicerol en flujo alimentación (%)
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.00
0.05
0.10
0.150.20
0.25
020
4060
80100
YP
DO
/S (
mol/m
ol)
Flu
jo(m
L/m
in)
Contenido glicerol en flujo alimentación (%)
0
10
20
30
40
50
0.00
0.05
0.100.15
0.200.25
020
4060
80
PD
O (
g/L
)
Flu
jo
(mL/
min
)
Contenido glicerol en flujo alimentación (%)
Figura 3.27. Predicciones de lote alimentado con flujo alimentación contante.
Valores predichos mediante DFBA por aproximación DA de Concentración (PDO), Productividad
(QPDO) y Rendimiento (YPDO/S) de 1,3-propanodiol en función de flujo contante α de alimentación y
porcentaje másico de glicerol en flujo de alimentación asumiendo V0=1L y Vmax=1.5L.
La segunda estrategia de alimentación evaluada fue alimentación enlazado al control de pH, cuyas
predicciones son mostradas en la Figura 3.28. En esta segunda estrategia de alimentación es
observado nuevamente la relación inversa entre flujo de alimentación y concentración de glicerol
en flujo de alimentación para evitar inhibición por este sustrato. Ahora bien, asumiendo un
rendimiento YPDO/S mínimo de 0.55 se obtuvo que la máxima producción de PDO predicha fue
66.1g/L mientras que su respectiva productividad fue 1.05g/L·h.
Capítulo 3:
Resultados 73
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
0.0
0.5
1.0
1.5
2.0
020
4060
80
QP
DO (
g/L
h)
Pro
porc
iona
lidad
(%)
Contenido glicerol en flujo alimentación (%)
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.0
0.5
1.0
1.5
2.0
020
4060
80100
YP
DO
/S (
mol/m
ol)
Pro
porc
iona
lidad
(%)
Contenido glicerol en flujo alimentación (%)
0
20
40
60
80
0.0
0.5
1.0
1.5
2.0
020
4060
80
PD
O (
g/L
)
Pro
porc
iona
lidad
(%)
Contenido glicerol en flujo alimentación (%)
Figura 3.28. Predicciones de lote alimentado con flujo alimentación enlazado al control de pH
Valores predichos mediante DFBA por aproximación DA de Concentración (PDO), Productividad
(QPDO) y Rendimiento (YPDO/S) de 1,3-propanodiol en función de porcentaje β de flujo alimentación
proporcional a control de pH y porcentaje másico de glicerol en flujo de alimentación asumiendo
V0=1L y Vmax=1.5L.
A continuación fue realizada predicción dinámica de cultivo por lote alimentado a condiciones
óptimas de alimentación según es mostrado en Figura 3.28 y condiciones óptimas de glicerol
inicial y e inóculo mostradas en la Figura 3.26. Los resultados son mostrados en la Figura 3.29. Se
observa que las condiciones iniciales no afectaron la producción de PDO, sin embargo mejoraron
la productividad de 1.05 a 1.19g/L·h, al disminuir el tiempo predicho de fermentación de 62.4 a
55.5 horas.
74 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Tiempo (h)
0 10 20 30 40 50 60
Glic
ero
l (g
/L)
0
10
20
30
40
50
60
Tiempo (h)
0 10 20 30 40 50 60
PD
O (
g/L
)
0
20
40
60
Figura 3.29. Comparación de perfiles predichos de cultivos por lote y lote alimentado.
Predicciones mediante DFBA por aproximación DA de consumo de glicerol y formación de PDO
de cultivo por lote (negro) y lote alimentado (rojo) a condiciones iniciales de glicerol y biomasa de
Tabla 2.4 y lote alimentado (verde) a condiciones iniciales de glicerol e inóculo óptimas.
4. Capítulo 4: Discusión
4.1 Reconstrucción y curación del modelo GSM.
El modelo reconstruido iCbu641, el cual está compuesto de 891 reacciones y 701 metabolitos,
Tabla 3.1, se caracteriza por ser el primer modelo GSM curado de una cepa de Clostridium
productora de PDO. Lo anterior, dado que los modelos GSM de otras cepas solventogénicas no
incluyen las enzimas PDO deshidrogenasa (EC.1.1.1.202) y glicerol deshidratasa (EC.4.2.1.30)
[25, 131, 133-136]. No obstante, en la base de datos BioCyc existe reportado un modelo GSM de
la bacteria Clostridium butyricum 60E.3, en el cual se incluyen dichas enzimas [207]. Sin embargo,
los autores aclaran que el modelo no ha sido revisado de manera manual y por tanto no cuenta con
un proceso de curación. Esto permite revalidar al modelo iCbu641 como el primero curado [208], a
pesar que la anotación empleada está incompleta, por ende el genoma empleado de Clostridium sp
IBUN 13A es un genoma crudo [18].
Al mirar en detalle el modelo reconstruido, como fue mencionado previamente, en primer lugar,
dado que el pH intracelular fue ajustado a un valor constante de 7, las disociaciones de los ácidos y
bases están dadas por sus respectivas constantes de disociación (pKa). De esta forma, ácidos como
el acético y el butírico, en realidad están en sus formas conjugadas, es decir acetato y butirato,
respectivamente [23]. En segundo lugar, se encuentra que iCbu641 está en la capacidad de
consumir no sólo glicerol, sino una gran variedad de carbohidratos. No obstante, entre dichos
carbohidratos no se incluyeron los polisacáridos, a pesar que experimentalmente ha sido detectado
crecimiento empleando algunos de ellos, tales como almidón o CMC [189]. Lo anterior es debido a
que estos polisacaridos no cuentan con una formula elemental definida haciendo dificil cuantificar
su consumo en base molar. Así mismo, practicamente ningún modelo listado en la Tabla 1.7
incluye reacciones de cosumo de dichos compuestos extracelulares. La única excepción es el
modelo GSM de la bacteria C. thermocellum iSR432, en dónde es incluida toda una ruta
metabólica para consumir celulosa, la cual está compuesta de 21 reacciones, lo anterior porque el
objetivo de tal modelo era precisamente predecir el consumo de celulosa [136].
En tercer lugar, con respecto a la red central, fueron detectadas las reacciones tanto de la ruta
oxidativa como la ruta reductiva del consumo del glicerol, Figura 1.3. Así mismo, el modelo
cuenta con las reacciones involucradas en la glicólisis y la ruta de las pentosas fosfato. En relación
a las 9 reacciones involucradas en el ciclo del ácido cítrico (TCA), sólo 4 fueron detectadas a partir
de la información obtenida de la anotación del genoma. No obstante, otras dos reacciones fueron
incluidas en el proceso de curado, dado que eran necesarias en la síntesis de diferentes precursores
y en la estabilidad del modelo en estado estacionario. Las reacciones incluidas fueron las
conversiones de oxaloacetato a citrato y de 2-oxoglutarato a succinil CoA. En contraste, las 3
reacciones no incluidas son las correspondientes a las conversiones de succinil CoA a succinato, de
succinato a fumarato y de malato a oxaloacetato. Ahora bien, al revisar en detalle las enzimas
involucradas en las tres reacciones no incluidas en iCbu641, se tiene que los genes de las enzimas
76 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Malato deshidrogenasa (EC.1.1.5.4), conversión de malato a oxaloacetado, y Succinato:CoA ligasa
(EC.6.2.1.4 o EC.6.2.1.5), transformación de succinil CoA a succinato, no fueron detectados en los
genomas mencionados en la Tabla 1.7, algunos de ellos completamente secuenciados, por lo tanto
no deberían ser incluidos en los respectivos modelos GSM, como sucede con la Malato
deshidrogenasa. Sin embargo, la transformación de succinil CoA a succinato es incluida en los
modelos GSM de C. acetobutylicum [133] y C. beijerinckii [134], a pesar que dichos genomas sí
están completamente secuenciados y reportados en KEGG [209]. Por otro lado, la enzima
Fumarato reductasa (EC.1.3.5.4), conversión de succinato a fumarato, sólo ha sido detectada en los
genomas de C. beijerinckii y C. ljungdahlii, por consiguiente están sólo en dichos modelos GSM
[134, 135]. Por lo cual, se recomienda experimentación adicional que permita comprobar la
presencia o ausencia de los genes codificantes a estas tres enzimas en el genoma de Clostridium sp
IBUN 13A. En complemento, los modelos simplificados de Clostridium butyricum de Rafieenia &
Chaganti [137] y Bizukojc et al. [22] coinciden en incluir sólo dos reacciones simplificadas del
ciclo TCA, la primera es la conversión directa de Acetil CoA a Isocitrato, mientras que en la
segunda el Isocitrato es convertido a 2-oxoglutarato, lo cual está de acuerdo con 4 de las 6
reacciones incluidas en iCbu641. Opuesto a lo anterior, el modelo crudo de Clostridium butyricum
60E.3 [207] no incluye ninguna reacción del ciclo TCA, haciendo evidente la necesidad de realizar
un proceso de curación de dicho modelo metabólico.
En cuarto lugar, el modelo reconstruido se caracteriza por ser capaz de sintetizar de novo todos los
aminoácidos, nucleótidos, cofactores, ácidos grasos, fosfolípidos, además de ácido teicoico,
requeridos en la síntesis de biomasa. Sin embargo, otros componentes como terpenoides, a pesar
que no están bloqueados y podrían ser sintetizados de novo, no son anticipados por el modelo dado
que dichos componentes no son incluidos en la síntesis de biomasa. Ahora bien, en las paredes
celulares de cepas de Clostridium han sido detectados terpernoides, los cuales son posiblemente
sintetizados para proteger la célula de las altas concentraciones de ácidos secretados durante el
cultivo [210]. Esto podría ser solucionado mediante la inclusión de dichos compuestos como
precursores de la síntesis de biomasa, pero su contenido en la célula no se conoce de manera
precisa [210]. Otra ruta metabólica que está bloqueada, pero de forma parcial, es la síntesis de
peptidoglicanos, lo anterior debido al difícil seguimiento de la síntesis de este polímero, por lo
tanto el modelo GSM incluye una reacción empírica de formación de Peptidoglicano a partir de
unos precursores dados, por consiguiente muchas reacciones intermedias están bloqueadas.
Igualmente, las rutas de síntesis de las vitaminas B1 y B6 también se encuentran bloqueadas
debido a la falta de reacciones intermedias, sin embargo dichas reacciones intermedias tampoco
están presentes en los modelos GSM de referencia [25, 131, 133-136], haciendo que la incapacidad
de sintetizar dichas vitaminas sea común en todos los modelos reconstruidos de cepas
solventogénicas de Clostridium. Así mismo, estas vitaminas no son incluidas como precursores de
la biosíntesis de biomasa y por tanto su producción no será predicha por el FBA.
Finalmente, entre los 63 metabolitos bloqueados mencionados en la Tabla 3.1, además de los 7
involucrados en la síntesis de vitamina B6, destacan los 31 involucrados en rutas alternas de
síntesis o degradación de aminoácidos y nucleótidos y los 15 pertenecientes a rutas de consumo de
carbohidratos. Estos metabolitos podrían estar bloqueados debido a la falta de información del
genoma secuenciado que permitiera incluir reacciones que los conectara con el resto de la red
metabólica. Así mismo, podría ser ocasionado por errores en la anotación automatizada del
genoma que llevaron a incluir sus reacciones correspondientes de manera equivocada. Lo anterior
permite sugerir mejorar en trabajos posteriores el modelo GSM reconstruido a partir de nueva
información que pueda ser obtenida del genoma anotado, ya sea empleando herramientas
bioinformáticas diferentes tales como ConsPred [211] o completando los gaps o espacios del
genoma mediante detección de genes por biología molecular.
Capítulo 4:
Discusión 77
4.2 Predicciones de estados fenotípicos en estado estacionario
4.2.1 Predicción del crecimiento en glicerol
Una vez reconstruido y curado el modelo GSM, se buscó predecir el crecimiento de Clostridium
butyricum en glicerol mediante FBA. Como ya fue mencionado previamente, el FBA es un proceso
de optimización donde debe ser escogida una función objetivo que permita predecir el
comportamiento fenotípico [31]. La selección de dicha función objetivo ha sido centro de
diferentes estudios y una de las más seleccionadas es la maximización de la biomasa, la cual tiene
como fundamento teórico que en la historia evolutiva del microorganismo se han seleccionado las
rutas que permitan obtener los más altos rendimientos de biomasa [35]. Lo anterior ha sido
demostrado con relativa facilidad en procariotas, pero no es del todo cierto para células eucariotas
[31]. En el caso específico de estudios en cepas de Clostridium solventogénicas, Senger &
Papoutsakis [128], Lee et al. [130] , Salimi et al. [131], McAnulty et al. [132], Milne et al. [134] y
Roberts et al. [136] coincidieron en emplear la maximización de la biomasa como función objetivo
y por tanto fue seleccionada como la primera alternativa para predecir el crecimiento de C.
butyricum en glicerol.
No obstante, como es observado en la Figura 3.4, la maximización de la biomasa se alejó más de
un 300% en la predicción del crecimiento, mientras que no predijo la formación de PDO. Lo
anterior fue opuesto a lo esperado, dado que la producción de PDO en Clostridium sp IBUN 13A,
y en general en Clostridium butyricum, está condicionada a la expresión del regulón dha [212] y la
respectiva actividad de las enzimas glicerol deshidratasa (EC.4.2.1.30) y PDO deshidrogenasa
(EC.1.1.1.202). Ambas situaciones han sido demostradas ocurren sólo en presencia de glicerol
[193, 194, 213] y por consiguiente la predicción del FBA debió anticipar conversión de glicerol a
PDO.
La anterior falta de predicción puede ser interpretada a través del balance redox. Al ser una
bacteria anaeróbica, Clostridium butyricum debe emplear el sustrato simultáneamente como
aceptor y donor de electrones [214]. Por otro lado, el FBA predice que los equivalentes reducidos
formados pueden ser empleados eficientemente sobreproduciendo ácido fórmico e hidrógeno. Por
consiguiente el FBA predice que el sustrato puede ser empleado prácticamente sólo como donor de
electrones y así mejorar la formación tanto de ATP como de biomasa mediante el proceso de
fosforilación a nivel de sustrato [19]. Es por lo anterior que la optimización LP es incapaz de
predecir la formación de compuestos reducidos, como el mismo PDO, siempre que la célula esté en
capacidad de producir hidrógeno y/o ácido fórmico. Resultados similares fueron obervados al usar
glucosa como sustrato, donde el ácido fórmico y el hidrógeno fueron sobreproducidos en lugar de
productos reducidos como butanol o etanol (datos no mostrados). En consecuencia, es posible
sugerir que la optimización LP es inadecuada en la predicción de rendimientos experimentales de
microorganismos capaces de producir ácido fórmico y/o hidrógeno. Lo anterior, a pesar que la
optimización LP es la más empleada [37, 38, 43], incluso en cepas solventogénicas de Clostridium
[128, 131, 132, 134, 136].
Dado lo anterior, una nueva función objetivo fue planteada, la cual fue maximización de la
biomasa mientras minimiza el uso enzimático, Ecuación 2.5. Esta función objetivo está basada en
la hipótesis que la célula busca maximizar el crecimiento mientras que emplea la menor cantidad
de enzimas, dado que éstas requieren energía para su producción [38]. Los resultados son
mostrados en la Figura 3.4, donde se observa un buen ajuste de los datos experimentales a
limitación de glicerol. Esto permitió sugerir que la bacteria C. butyricum DSM 5431, la cual es
78 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
productora natural de hidrógeno y ácido fórmico, en efecto busca minimizar el uso de enzimas. Así
mismo, la predicción del nuevo estado fenotípico demuestra que la célula prefiere usar la ruta del
PDO para regenerar el NADH y por consiguiente validar el mecanismo de regulación
transcripcional del regulón dha, el cual está controlado por la presencia de glicerol [193, 194, 213],
y por tanto también confirma la capacidad de predecir un adecuado balance redox. Ahora bien, esta
función objetivo convierte el FBA en una optimización NLP no convexa, por ende no garantiza
que el óptimo calculado sea en realidad el óptimo global. Sin embargo, Schuetz et al. sugirieron
que los óptimos locales predichos son en realidad óptimos globales [38]. Lo anterior fue validado
al realizar predicciones del crecimimiento en glicerol usando las optimizaciones LP y NLP y como
restricciones adicionales la no formación de ácido fórmico e hidrógeno, obteniendo como resultado
exactamente el mismo estado fenotípico con ambas optimizaciones.
No obstante, la función objetivo NLP empleada no predijo el crecimiento en condiciones de exceso
de glicerol, sugiriendo que Clostridium butyricum crece de forma sub-óptima cuando el sustrato
está en exceso, lo cual también ha sido observado en E. coli [38]. Lo anterior podría ser opuesto a
lo demostrado en modelos cinéticos no estructurados como el de Monod, dónde el crecimiento es
mayor en condiciones de sustrato en exceso [215]. Sin embargo, un crecimiento sub-óptimo en
exceso de glicerol no traduce en un menor valor en el crecimiento predicho en comparación con un
crecimiento óptimo en limitación de glicerol. Pues como se muestra en la Figura 3.3, a
concentraciones de glicerol inferiores a 15g/L el flux de consumo de glicerol es menor y por tanto
la velocidad específica crecimiento (µ) también será baja a pesar que dicho crecimiento suceda de
manera óptima.
Tal comportamiento sub-óptimo puede ser entendido si es analizado desde el punto de vista
termodinámico. El crecimiento, como cualquier reacción, es termodinámicamente factible si su
fuerza impulsora expresada como energía libre de Gibbs es negativa (ΔGcrecimiento<0). La energía
libre de Gibbs del crecimiento puede ser expresada en función del rendimiento de biomasa y de las
energías libres de Gibbs del catabolismo y el anabolismo como es mostrado en la Ecuación 4.1
[214]. Por lo tanto, un incremento en la factibilidad estará enlazada a una reducción en el
rendimiento de biomasa, lo cual sucede en escenarios como competición con otros
microorganismos por los sustratos presentes en el medio [214]. Sugirirendo que el cultivo en
exceso de glicerol podría inducir el comportamiento previamiente descrito, con el objetivo de
prevalecer en dicho ambiente. Por consiguiente, este comportamiento fue incluido en la función
objetivo de la Ecuación 2.5. mediante la adición de la minimización de la producción de ATP,
Ecuación 2.6, debido a que una reducción en la producción de ATP está enlazada a la respectiva
reducción en el rendimiento de biomasa.
∆𝐺𝑐𝑟𝑒𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜 =1
𝑌𝑋/𝑆∆𝐺𝑐𝑎𝑡𝑎𝑏𝑜𝑙𝑖𝑠𝑚𝑜 + ∆𝐺𝑎𝑛𝑎𝑏𝑜𝑙𝑖𝑠𝑚𝑜 4.1
La nueva función objetivo por lo tanto maximiza la biomasa mientras minimiza el uso enzimático
y la producción de ATP. La Figura 3.4 permite constatar la adecuada predicción del crecimiento
empleando la función objetivo para condiciones sub-óptimas. No obstante, dicha función objetivo
también predijo un incremento en el rendimiento de PDO de un 28% en comparación con la
función objetivo empleada para cultivo óptimo. Lo anterior está de acuerdo con lo mostrado en la
Tabla 1.3, donde Zeng [21] calculó que a exceso de glicerol el rendimiento de PDO podría ser
hasta un 30% superior en relación a un cultivo en limitación de glicerol.
Ahora bien, Zeng [21] predijo que el incremento en la formación de PDO al pasar de limitación a
exceso de glicerol es ocasionado por una reducción en la formación de hidrógeno. Como es
Capítulo 4:
Discusión 79
mostrado en la Figura 1.3, la enzima Piruvato-ferredoxina oxidoreductasa (EC.1.2.7.1) reduce la
ferredoxina durante la transformación de piruvato a acetil CoA. Por consiguiente es requerida la
regeneración de dicha ferredoxina, proceso llevado a cabo por la enzima hidrogenasa (EC.1.12.7.2)
mientras es formado hidrógeno simultáneamente. Por lo tanto, Zeng [21] con el fin de validar su
hipótesis calculó la relación entre hidrógeno formado y ferredoxina reducida (𝛼𝐻2/𝐹𝑑). Si la
relación es igual a 1 equivaldría a una conversión estequiométrica. En caso que la relación fuera
mayor a 1, la enzima ferredoxina reductasa (EC.1.18.1.4) también estaría interviniendo mediante el
consumo de NADH y así reducir más ferredoxina y por ende sería una reacción competidora de la
formación de PDO. De forma opuesta, si la relación es menor a 1, la ferredoxina oxidada es
insuficiente, llevando a la enzima ferredoxina reductasa también a oxidar la ferredoxina mediante
consumo de NAD, lo cual favorecería la formación de PDO. Zeng encontró que dicha relación era
aproximadamente igual a 1.1 y 0.4 a limitación y exceso de glicerol, respectivamente. Lo anterior
permitió a Zeng comprobar que un exceso de glicerol favorece la formación de PDO gracias a la
baja formación de hidrógeno. Ahora bien, al calcular dicha relación empleando los fluxes
predichos, se obtuvo los valores de 1.46 y 0.40 a condiciones óptimas y sub-óptimas,
respectivamente, es decir valores coherentes con lo obtenido experimentalmente [21].
Ahora bien, Saint-Amans et al. [79] propusieron que la direccionalidad de la enzima ferredoxina
reductasa está regulada por la relación acetil-CoA/CoA, dónde una alta relación favorece el
consumo de NADH, mientras que una baja relación favorece el consumo de NAD. Sin embargo,
Abbad-Andaloussi et al. [126] sugirieron que el consumo del glicerol por parte Clostridium
butyricum está controlado por la enzima glicerol deshidratasa. Lo anterior es basado en que su
producto (3-hidroxipropionaldehido o 3-HPA) es altamente tóxico para la célula y por lo tanto la
enzima PDO deshidrogenasa lo debe consumir tan pronto es formado, por lo cual es requerida altas
concentraciones de NADH para favorecer la conversión de 3-HPA a PDO. Es por lo anterior que la
enzima ferredoxina reductasa tiende a oxidar la ferredoxina y formar más NADH. Así, el NADH
sobreproducido también tiende a inhibir la enzima Gliceraldehído-3P-deshidrogenasa
(EC.1.2.1.12), por lo tanto favorece el redireccionamiento del glicerol hacia la ruta reductiva,
mejorando la formación de PDO a exceso de glicerol. Por consiguiente, en contrapartida, a
limitación de glicerol, la célula al funcionar de manera óptima no requería NADH en exceso,
permitiendo a la enzima Gliceraldehído-3P-deshidrogenasa actuar de manera óptima. Lo anterior
favorecería la obtención de acetil CoA y por ende la formación de hidrógeno, ATP y así mismo de
biomasa, reduciendo a la postre la conversión de glicerol a PDO. Finalmente, con el objetivo de
evitar los anteriores procesos de regulación, sería posible pensar en producir el PDO por tecnología
de enzimas. No obstante, dicho proceso resulta ser económicamente poco viable dado que requiere
de NADH como co-sustrato, el cual hace del proceso costoso, ya sea porque el NADH deba ser
regenerado, inmovilizado, retenido o reemplazado [216].
4.2.2 Predicción de la expresión de enzimas
Posterior a la validación extracelular del modelo, fue realizada la validación de la red metabólica
en estado estacionario, la cual fue realizada evaluando la capacidad del FBA para predecir la
expresión de las enzimas. La validación fue realizada empleando 174 enzimas que fueron
detectadas experimentalmente en la fase exponencial de crecimiento. Inicialmente fueron
descartadas las enzimas bloqueadas, es decir 27, de las cuales 10 pertenecen a la biosíntesis de
glicanos y terpenoides, cuya explicación por estar bloqueadas ya fue mencionada previamente. Lo
mismo corresponde a las 5 enzimas pertenecientes al metabolismo de aminoácidos, cuyas rutas no
están completas. Sin embargo, entre la 12 enzimas del metabolismo de carbohidratos bloqueadas
destaca las enzimas β-glucosidasa (EC.3.2.1.21), 6-P-β-glucosidasa (EC.3.2.1.86), sorbitol
80 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
deshidrogenasa (EC.1.1.1.14), β-galactosidasa (EC.3.2.1.23), 6-P-β-galactosidasa (EC.3.2.1.85) y
fructokinasa (EC.2.7.1.4), las cuales se caracterizan por consumir sustratos como celobiosa,
arbutina, sorbitol, galactosa, lactosa y fructosa, los cuales no fueron definidos como parte del
medio de cultivo empleado experimentalmente. Aunque al ser empleado un medio complejo es
posible que estos sustratos se encontraran en niveles basales. Así mismo, es posible que dichas
enzimas se hayan expresado de forma constitutiva, como sucede con la fructokinasa [217]. Las
restantes 6 enzimas del metabolismo de carbohidratos están bloqueadas dado que hacen parte de
rutas incompletas como el metabolismo de amino-azúcares y nucleótido-azúcares. Este es el caso
de las enzimas manosa 6-P isomerasa (EC.5.3.1.8), GDP-manosa fosforilasa (EC.2.7.7.22) o UDP-
glucosa deshidrogenasa (EC.1.1.1.22), las cuales podrían ser desbloqueadas completando su ruta
metabólica e incluyendo sus productos en la biosíntesis de biomasa.
De las 147 enzimas restantes consideradas en la comparación, el modelo predijo la expresión del
83.7% de ellas. Permitiendo inferir la adecuada capacidad predictiva del modelo para la selección
de rutas metabólicas a pesar de no haber sido incluidas restricciones experimentales, tales como
datos de transcriptómica. Las enzimas con expresión predicha permiten sugerir la existencia en
efecto de una correlación entre nivel de expresión y flux predicho, Figura 3.5. Esto implica que la
actividad por unidad molar para la mayoría de las enzimas tenderá a estar en un rango casi
constante. No obstante, algunas enzimas, como la fosfopiruvato hidratasa (EC.4.2.1.11) y la
enzima hidrogenasa (EC.1.12.7.2), destacan por la alta relación entre su flux predicho y su nivel de
expresión detectado. Por consiguiente, estas enzimas tienen una actividad por unidad molar mucho
más alto que el promedio.
Por otro lado, la ausencia de predicción de las 24 enzimas restantes pudo ser debido a la presencia
de rutas alternativas que llevaran a cabo conversiones equivalentes a las realizadas por las enzimas
no predichas. Lo anterior permitiría suponer que la célula podría usar diferentes rutas de manera
simultánea para obtener un metabolito dado, mientras el FBA escogerá sólo una de estas rutas,
dichos casos son mostrados en la Tabla 4.1. Entre las enzimas no predichas listadas en la Tabla 4.1
destaca la Piruvato fosfato dikinasa, la cual está involucrada en la ruta de la gluconeogénesis, sin
embargo también actúa en lugar de la piruvato kinasa, pero consumiendo AMP en lugar de ADP
[218, 219]. En adición, algunas de las enzimas no predichas están involucradas en procesos de
reciclaje de algunas moléculas. En contraste, el FBA sólo permite predecir procesos netos, siendo
incapaz de anticipar la formación de moléculas que luego serán reutilizadas en otros procesos. Tal
es el caso de la enzima Nicotinato fosforibosiltrasferasa (EC.6.3.4.21), encargada de reciclar la
fracción de piridina de nucleótidos proveniente de fragmentos de ADN o ARN ya no empleados
[220]. Caso similar es observado con las enzimas Pirimidina-nucleosido fosforilasa (EC.2.4.2.2),
Uracil fosforibosiltransferasa (EC.2.4.2.9) y citidina deaminasa (EC.3.5.4.5), las cuales están
involucradas en procesos de reutilización de piridinas y/o nucleósidos.
La mayoría de las enzimas no predichas listadas anteriormente están involucradas en el
metabolismo de nucleótidos y aminoácidos. No obstante, la expresión de enzimas pertenecientes al
metabolismo de carbohidratos pudo no haber sido predicha por otras razones. En primer lugar,
porque algunas de ellas están relacionadas con el consumo de sustratos no incluidos en el modelo.
Dichas enzimas son glucógeno fosforilasa (EC.2.4.1.1), α-glucosidasa (EC.3.2.1.20) y aldosa
epimerasa (EC.5.1.3.3), las cuales están involucradas en el consumo de almidón, maltosa y
galactosa, respectivamente. Así mismo, ciertas enzimas, al igual que algunas enzimas bloqueadas,
están involucradas en el metabolismo de compuestos simplificados al momento de ser incluidos en
la síntesis de biomasa, por tanto su expresión no es anticipada por el FBA, tal es el caso de la
enzima UDP-N-acetilglucosamina 2-epimerasa (EC.5.1.3.4). Finalmente, otro grupo de enzimas no
predichas están involucradas en el almacenamiento de energía en forma de granulosa, proceso que
Capítulo 4:
Discusión 81
no puede ser predicho por FBA. Dichas enzimas son: ADP glucosa pirofosforilasa (EC.2.7.7.27),
almidón sintasa (EC.2.4.1.21) y la enzima ramificadora del glucógeno (EC.2.4.1.18). La granulosa
es un polisacárido que es producido y almacenado por la célula durante su crecimiento, para ser
posteriormente empleado como fuente de energía mientras está en forma de espora [221].
Tabla 4.1. Comparación entre enzimas no predichas por FBA y enzimas equivalentes
Enzima con expresión no predicha Enzima equivalente activa según FBA
Shikimato deshidrogenasa
(EC.1.1.1.25)
Quinato/Shikimato deshidrogenasa
(EC.1.1.1.282)
Glicerato: NAD(P) oxidoreductasa
(EC.1.1.1.60)
Glicerato deshidrogenasa (EC. 1.1.1.29)
Glicerol 3-P deshidrogenasa (EC.1.1.1.94) Glicerol kinasa (EC.2.7.1.30)
Prefenato deshidrogenasa
(EC.1.3.1.12)
Prefenato deshidrogenasa (NADP)
(EC.1.3.1.13)
Ribonucleotido reductasa (EC.1.17.4.2) Nucleosido difosfato kinasa (EC.2.7.4.6)
Glicina hidroximetiltransferasa (EC.2.1.2.1) Fosfoserina fosfatasa (EC.3.1.3.3)
Homoserina O-succiniltransferasa
(EC.2.3.1.46) + Cistationina γ-sintasa
(EC.2.5.1.48)
homoserina O-acetiltransferasa
(EC.2.3.1.31)1 + Metionina sintasa
(EC.2.5.1.49)
Glucokinasa (EC.2.7.1.2) D-glucosa permeasa (EC.2.7.1.199)
Piruvato fosfato dikinasa (EC.2.7.9.1) Piruvato kinasa (EC.2.7.1.40)
Treonina deaminasa (EC.4.3.1.19) 3-isopropilmalato deshidrogenasa (EC.1.1.1.85)
Asparagina sintasa (EC.6.3.5.4) Asparagina sintetasa (EC.6.3.1.1) 1 Adicionada en el gapfilling
De manera análoga, tras comparación con el proteoma reportado por Comba González et al. [19],
de las 17 enzimas detectadas en el proteoma durante la fase exponencial de crecimiento sólo la
expresión de la enzima Cisteína sintetasa (EC.2.5.1.47) no fue predicha. Lo anterior es debido a
que el medio de cultivo empleado contenía cisteína, lo cual permite anticipar al modelo que dicho
aminoácido no es necesario ser sintetizado. No obstante, al asumir que dicha enzima está activa es
posible sugerir que existe algún mecanismo de desrepresión que ocasiona su expresión a pesar que
el medio cuenta con cisteína, como ha sido detectado en Aspergillus nidulans, donde la expresión
de esta enzima está asociada la escasez de los aminoácidos arginina, histidina o prolina [222].
Por lo tanto, la predicción de fluxes mediante FBA podría no anticipar la expresión de algunas
enzimas por alguno de los siguientes motivos:
Presencia de rutas paralelas que permitan hacer conversiones similares mediante uso de otras
enzimas.
Simplificación en algunas partes de la red que anticipe la no necesidad de algunas enzimas.
Procesos de reciclaje que permiten reutilizar fragmentos de moléculas en otros procesos.
Presencia de algunos sustratos en el medio de cultivo, ya sea en concentraciones basales, que no
fueron incluidos en el modelo.
Expresión constitutiva de enzimas que permitirían consumir sustratos no presentes en el medio
de cultivo y por consiguiente no incluidos en el modelo.
Almacenamiento de energía en forma de polisacáridos para ser empleados como sustratos
durante etapas de latencia.
Los anteriores motivos, o inclusos otros, están controlados por la célula mediante diferentes
estrategias de regulación, desde transcripcionales que controlen la expresión de las enzimas, hasta
82 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
químicos, mediante mecanismos de inhibición o regulación alostérica. Los cuales no pueden ser
anticipados por el FBA, a menos que sean incluidas las restricciones adecuadas. Sin embargo,
dicha adición podría llevar a un incremento considerable en la complejidad del modelo, como
sucede al incluir lógica Booleana [223, 224].
Finalmente, fue realizada la validación de la red metabólica en estado dinámico, mediante
comparación de fluxes predichos por DFBA y enzimas detectadas en el proteoma, tanto en las
fases exponencial como estacionaria de crecimiento. El número de enzimas consideradas en la
comparación fue 129, mientras que la capacidad predictiva equivalente al 82.9%. Dichos
resultados son coherentes con los obtenidos por FBA, lo cual es esperado dado que el DFBA está
basado en un FBA multietapa en el que es incorporado el ambiente extracelular [30, 158].
4.2.3 Predicción del crecimiento en otros sustratos
De manera similar a la predicción de estados fenotípicos en glicerol, fueron evaluados otros
sustratos como glucosa. En primer lugar, en la Tabla 3.3 y la Tabla 3.4 evidencian la capacidad
predictiva de iCbu641 al emplear diferentes sustratos, dado la coherencia entre datos
experimentales y predichos, en especial los rendimientos de biomasa, no obstante se recomienda
curación adicional para mejorar la predicción del crecimiento en pentosas.
En segundo lugar, la validación mediante empleo de datos de transcriptómica fue coherente con lo
obtenido durante la comparación con datos de proteómica, sin embargo el porcentaje de predicción
fue menor, es decir 76%. Esta disminución en la capacidad predictiva está ligada a las 11 enzimas
no predichas pertenecientes a rutas de vitaminas y cofactores. Entre dichas enzimas destaca las 7
involucradas en el metabolismo de tiamina o vitamina B1, la cual no es predicha dado que no hace
parte de la síntesis de biomasa, además que su ruta de síntesis de novo no está completa, como fue
mencionado previamente. No obstante, el transcriptoma anticipa la expresión de las enzimas
Cisteina desulfurasa (EC.2.8.1.7) y 1-deoxi-D-xilulosa-5-P sintasa (EC.2.2.1.7), las cuales no
hacen parte del modelo GSM reconstruido, permitiendo sugerir que C. butyricum podría sintetizar
de novo la tiamina. Por otro lado, entre las enzimas no predichas se encuentran la tiamina kinasa
(EC.2.7.6.2) y la aminopirimidina aminohidrolasa (EC.3.5.99.2). Las cuales están involucradas en
procesos de salvamento de la tiamina, haciéndolas enzimas imposibles de predecir por FBA
aunque la ruta sea completada y la tiamina incluida en la síntesis de biomasa. Lo anterior debido a
que el salvamento de la tiamina es un proceso de reciclaje de esta molécula [225, 226].
Así mismo, el modelo no predice la expresión de la enzima Holo-ACP sintetasa (EC.2.7.8.7), la
cual cataliza la hidrólisis de la Coenzima A para sintetizar la proteína transportadora de acilos
(ACP por sus siglas en inglés: Acyl Carrier Protein), proteína fundamental en el proceso de
síntesis de ácidos grasos [227]. Por lo tanto, en este caso el FBA predice el proceso exactamente
contrario al mencionado previamente, dado que según FBA todo el ACP presente en el citoplasma
es continuamente reciclado. Sin embargo, según información de transcriptómica [200], la célula
requeriría que el ACP sea sintetizado de novo. Lo anterior también es observado en la proteína
Holo-[carboxilasa], la cual es sintetizada a partir de biotina y es requerida en la síntesis de ácidos
grasos, por consiguiente el FBA anticipará que no es necesaria la biotina durante el crecimiento y
no será consumida a pesar que usualmente es suministra en el medio de cultivo y su concentración
ha sido optimizada [16]. Por lo tanto, la posibilidad de incluir proteínas específicas en la síntesis de
biomasa permitiría dar mayor precisión al FBA para predecir la expresión de enzimas, pero sería
requerido saber el contenido de estas proteínas en la célula.
Capítulo 4:
Discusión 83
Finalmente, la Tabla 3.5 muestra los rendimientos predichos y experimentales tanto de una cepa
nativa como de una cepa mutante por knockout. En dicha mutante fue bloqueada la expresión de la
enzima β-hydroxibutiril-CoA deshidrogenasa (EC.1.1.1.157), y por tanto evitando la conversión de
acetoacetil-CoA a hidroxibutanoil-CoA y a la postre la obtención de ácido butírico. El objetivo de
esta deleción era la eliminación de rutas competidoras de la formación de hidrógeno. No obstante,
Cai et al. [206] sugirieron que al bloquear esta reacción, la célula evitaría la acumulación del
acetoacetil-CoA mediante la formación de etanol, lo cual implicaría un consumo de NADH y por
consiguiente una nueva ruta competidora que llevaría a la reducción en la formación de hidrógeno.
Lo anterior sucede experimentalmente y también es predicho por FBA y ROOM, permitiendo
validar la importancia de ROOM para la predicción de estados fenotípicos de mutantes por
knockout.
4.3 Predicciones de estados fenotípicos en estado transiente.
De la Figura 3.8 a la Figura 3.10 son mostrados los estudios preliminares de selección de
polinomio ortogonal, tamaño de paso y aproximación dinámica a emplear, respectivamente. Los
resultados permitieron concluir, en primer lugar que al emplear 6 puntos de colocación la selección
del polinomio ortogonal no tuvo incidencia en la predicción de PDO producido, dado que la
diferencia máxima en predicciones fue 2.5x10-5
mM (1.9x10-6
g/L). Lo anterior está de acuerdo con
reportes en los cuales han sido evaluados diferentes polinomios ortogonales de Jacobi para estudiar
la difusión a través de una esfera reactiva, es decir una sola ecuación diferencial de segundo orden
[228, 229]. Dichos reportes consideraron hasta 8 polinomios ortogonales, encontrado que para 6
puntos de colocación, todos los polinomios evaluados tuvieron un error cercano de 10-5
, mientras
que a partir de 12 puntos de colocación se obtuvo el menor error, el cual fue 10-14
al emplear el
polinomio de Legendre. Por lo tanto, fue seleccionado el polinomio de Legendre, el cual también
es el más empleado en este tipo de aplicaciones [30, 157, 230]. Lo anterior también está de acuerdo
con Sharifian & Fanaei [231], quienes al emplear colocación ortogonal determinaron que fue
posible predecir de manera adecuada el comportamiento de un modelo de crecimiento no
estructurado. Lo que permitiría disminuir el tiempo de simulación en comparación con otros
métodos numéricos tales como el método de diferencias finitas o el método de Galerkin. Dicha
disminución en el tiempo de simulación facilitaría el desarrollo de modelos segregados de
crecimiento u oscilatorios de control automatizado.
Así mismo, los perfiles obtenidos por las diferentes aproximaciones mostraron una máxima
diferencia de 0.07g/L en la concentración final de PDO. No obstante, la aproximación DOA fue en
primer lugar considerablemente más demorada, pues tomó cerca de 5200 veces más tiempo en
converger que la aproximación DA. Otra desventaja de la aproximación DOA es el realizar una
sola optimización durante todo el tiempo de fermentación. Lo anterior la hace inviable de emplear
si es necesario un cambio de la función objetivo en algún momento dado de la fermentación.
Ejemplo de dicho cambio de función objetivo es la misma producción de PDO, donde hay un
cambio de estado fenotípico ocasionado por el glicerol al pasar de estar en exceso a estar en
limitación. Por consiguiente, fue seleccionada la aproximación DA, la cual adicionalmente, a
diferencia de la aproximación SOA, mantiene las ecuaciones diferenciales, ventaja que permite
posteriores perturbaciones el modelo [30, 158].
Ahora bien, con respecto a la selección del tamaño de paso para la aproximación DA, éste no
afectó en las predicciones en el intervalo evaluado, es decir entre 0.05 y 0.40h. No obstante, al
emplear un tamaño de paso de 0.20h en la aproximación DOA había pérdida de factibilidad (datos
no mostrados), por tal motivo en la comparación de aproximaciones fue empleado un tamaño de
84 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
paso de 0.15h. Lo anterior es opuesto a lo reportado por Laiglecia et al. [156], quienes emplearon
un tamaño de paso de 1.0h para predecir el crecimiento de la microalga Synechocystis sp. PCC
6803. Sin embargo, las velocidades máximas de consumo de los sustratos limitantes empleadas por
Laiglecia et al. [156], es decir fósforo y nitrógeno, fueron cerca de 50 veces inferiores a la
calculada para Clostridium sp IBUN 158B. Por lo tanto, es posible sugerir que los valores de los
parámetros cinéticos empleados inciden en el tamaño de paso seleccionado a fin de evitar pérdidas
de factibilidad. Lo anterior está de acuerdo con lo realizado en el análisis de sensibilidad por el
método de Monte Carlo, debido a que se tuvo que emplear un tamaño de paso de 0.20h para
reducir el número de combinaciones aleatorias que perdieran la optimalidad y al mismo tiempo no
aumentar de manera considerable el tiempo de simulación.
Por otro lado, según es observado de la Figura 3.12 a la Figura 3.15, las predicciones dinámicas
fueron acordes con los datos experimentales de producción de PDO de la cepa Clostridium sp
IBUN 158B cultivada en glicerol en reactor por lotes. Así mismo, las predicciones de consumo de
glicerol, formación de biomasa y formación de ácido butírico fueron similares a los valores
experimentales. Sin embargo, es observada una subestimación en el consumo de glicerol y por
consiguiente en la formación de PDO a concentraciones de glicerol inferiores a 50mM (4.6g/L),
Figura 3.14 y Figura 3.15. Lo anterior es debido al ajuste de la cinética del flux de consumo de
glicerol, permitiendo sugerir que la constante de afinidad de la célula al glicerol fue sobreestimada
y por ende las predicciones de consumo de flux fueran subestimadas a concentraciones inferiores a
50mM.
Por otro lado, también es observada diferencias significativas entre valores predichos y
experimentales de la formación de ácido acético a partir de la fase de crecimiento exponencial
desacelerado. Lo anterior es debido a la cinética empleada de máximo flux de formación de ácido
acético en función del flux de consumo de glicerol, Figura 3.2. Dado que dicho ajuste obedece a un
comportamiento alostérico, la formación de este ácido disminuirá considerablemente al reducirse
el consumo de glicerol. No obstante, este comportamiento regulatorio es descrito en otras cepas de
Clostridium butyricum, pues a partir de comparación de cultivos en glucosa y glicerol se observó
que la formación de ácido acético en efecto estaba regulada a nivel enzimático por la presencia del
glicerol, mas no es a nivel genómico [79], lo cual valida la regulación de tipo alostérica empleada
en el presente estudio. Ahora bien, lo anterior también se observa en la Figura 4.1, donde se
muestra los fluxes de PDO y ácidos acético y butírico predichos en función de la concentración de
glicerol. Así mismo, se observa el favorecimiento de la formación de PDO a condiciones de exceso
de glicerol (>15g/L) donde el flux de formación de ácido acético es mayor que el flux de
formación de ácido butírico. Por el contrario, a limitación de glicerol (<15g/L) el flux de formación
de ácido butírico es superior, lo que conlleva a una reducción considerable en el flux de formación
de PDO. Lo anterior es coherente con lo reportado, dado que la actividad de la enzima tiolasa
(EC.2.3.1.9), involucrada en la formación de ácido butírico, tendió a ser aproximadamente
contante a diferentes fluxes de consumo del glicerol, mientras que la enzima acetato kinasa
(EC.2.7.2.1), encargada de la síntesis de ácido acético, sí incrementó su actividad de manera
considerable al aumentar el flux de consumo de glicerol, llegando incluso a ser 15 veces más activa
a fluxes altos. También se encontró que las enzima glicerol deshidratasa y PDO deshidrogenasa
aumentaron su actividad en función al flux de consumo de glicerol [125, 126].
Finalmente, a partir de la validación experimental es posible observar que la formación ácido
láctico sólo es predicho a condiciones de limitación de glicerol. Lo anterior también es ocasionado
por la restricción de máxima formación de ácido acético, lo que fuerza al modelo a predecir la
secreción de protones producidos durante el crecimiento mediante la formación de otros ácidos,
como es el caso del ácido láctico, aunque su concentración máxima predicha es sólo de 0.3g/L. No
Capítulo 4:
Discusión 85
obstante, la formación de ácido láctico implica también el consumo de NADH, haciéndolo una ruta
competidora de la obtención de PDO a pesar que está favoreciendo la formación de biomasa [79,
80]. Por el contrario, el ácido láctico fue detectado experimentalmente sólo al final de una de las
fermentaciones a condiciones de exceso de glicerol. Dicho valor detectado fue de 0.17g/L, lo cual
permitiría sugerir que para la cepa Clostridium sp IBUN 158B la formación de ácido láctico no
resulta ser una ruta que compita de forma considerable con la formación de PDO. Así mismo,
Chatzifragkou et al. [95], quienes detectaron la formación de al menos 0.3g/L de ácido láctico,
sugirieron que la formación de ácido láctico es debida al exceso de NADH presente en el
citoplasma y por lo tanto la expresión de la enzima lactato deshidrogena está controlada por
mecanismos de regulación, los cuales como fue mencionado previamente no fueron incluidos en el
modelo desarrollado.
Figura 4.1. Comparación de fluxes predichos de formación de PDO (verde), ácidos acético (azul)
y butírico (rojo) en función de glicerol extracelular.
Línea gris vertical corresponde al cambio de estado fenotípico subóptimo a óptimo a partir de
15g/L (163mM) de glicerol.
4.4 Perturbaciones en el modelo GSM
4.4.1 Análisis de sensibilidad y desarrollo del modelo segregado
Diferentes análisis de sensibilidad globales fueron realizados en estado estacionario y estado
dinámico. Por un lado la Figura 3.6 muestra análisis de sensibilidad global PRCC en estado
estacionario, siendo evaluado el efecto de la composición de la biomasa en los rendimientos de
biomasa y PDO considerando el glicerol en limitación y en exceso. Se observa el bajo efecto de la
composición de precursores, mientras que en el caso de las macromoléculas la correlación fue
mayor. No obstante, dado que las máximas desviaciones estándar relativas de los rendimientos de
biomasa y PDO fueron 3.3% y 0.7%, respectivamente, es posible sugerir que el modelo GSM es lo
0
5
10
15
20
25
30
0.0
1.0
2.0
3.0
4.0
5.0
6.0
0 50 100 150 200 250 300 350 400
Flu
x se
cre
ció
n P
DO
(m
mo
l/g·
h)
Flu
x se
cre
ció
n á
cid
os
(mm
ol/
g·h
)
Glicerol (mM)
86 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
suficientemente robusto como para no predecir cambios en la conversión de glicerol a PDO
mediante cambios en la composición de la biomasa. Por lo tanto, cambios en el medio de cultivo
que conlleven a la modificación en la composición de la biomasa para mejorar el rendimiento de
PDO serían innecesarios. Sin embargo, dichas modificaciones en las condiciones de cultivo
podrían reducir el rendimiento de PDO, como Dabrock et al. [202] encontraron al usar hierro en
exceso. Ahora bien, los resultados en estado estacionario no son concluyentes dado que no permite
predecir la dinámica del PDO en el tiempo.
Por tal motivo fueron realizados análisis de sensibilidad global MPSA y PRCC en dinámico,
Figura 3.18 y Figura 3.19, donde además de la composición celular fueron considerados
parámetros cinéticos muerte celular, formación de ácido acético y consumo de glicerol. Los
diferentes resultados obtenidos fueron coherentes entre ellos, mostrando que los parámetros de
mayor significancia sobre la producción de PDO y tiempo de cultivo fueron los asociados al
consumo de glicerol. Lo anterior ha sido observado también el emplear la glucosa como fuente de
carbono [30, 169]. El efecto de dichos parámetros en la formación de PDO fue positiva en el caso
de VmaxGly
y KiGly
y negativa en relación a KsGly
, lo cual está de acuerdo con lo reportado con otros
modelos dinámicos de escala genómica [46, 232]. Por otro lado, ningún precursor o
macromolécula tuvo un efecto significativo tanto en la formación de PDO como en el tiempo de
formación de éste, lo cual es coherente con los resultados de análisis de sensibilidad en estado
estacionario y lo reportado por Hjersted & Henson [165], quienes evaluaron dos composiciones de
biomasa diferentes. Finalmente, los parámetros cinéticos Raa
y V0aa
correspondientes a la formación
de ácido acético presentaron incidencia en la conversión de glicerol a PDO, lo cual demuestra la
correspondencia que hay en la formación de dichos metabolitos como lo describió previamente
Zeng [21] y se muestra en la Figura 4.1.
Los anterior resulta ser positivo, en el sentido que da robustez al modelo, dado que los parámetros
de mayor incidencia corresponden a los parámetros ajustados a partir de datos experimentales del
cultivo de la cepa Clostridium sp IBUN 158B. Los restantes parámetros fueron obtenidos a partir
de datos reportados para otras cepas de Clostridium [88, 108, 134], los cuales fueron analizados
por separado y posteriormente en conjunto en el desarrollo de un modelo poblacional. La Figura
3.21, muestra en efecto que los precursores son los que tienen menor incidencia en la formación de
PDO a lo largo de la fermentación, mientras que la dispersión en la composición de las
macromoléculas causó la mayor variación en la formación de PDO durante la fase de crecimiento.
Así mismo, la Figura 3.21 muestra que la dispersión en la predicción de PDO es máxima al llegar a
la fase exponencial desacelerada para luego estabilizar en la fase estacionaria. Por otro lado,
también es corroborado que la cinética de formación de ácido acético es la única que incidió en la
conversión final del glicerol a PDO, validando lo obtenido en el análisis de sensibilidad global.
En relación al modelo poblacional desarrollado, que desde el punto de vista cinético corresponde a
un modelo segregado en el cual la población está distribuida de acuerdo a la composición celular,
la edad y la capacidad de producción de ácido acético. Lencastre Fernandes et al. [120] resaltan la
posibilidad de desarrollar modelos estructurados de forma numérica mediante aleatorización de los
parámetros cinéticos. Esto con el objetivo de reducir la complejidad matemática propia de los
modelos segregados. No obstante, uno de los retos es seleccionar el número de células a ser
modeladas de tal forma que el resultado sea independiente de dicho número de células [233]. Danø
et al. [234] reportaron que 1000 células evaluadas resultó ser suficiente para tal fin. Lo anterior
está de acuerdo con los resultados obtenidos, pues a partir de las 900 células modeladas, el
promedio poblacional de PDO producido varió menos de un 0.3% con respecto al promedio del
máximo número de células consideradas, es decir cerca de 3300.
Capítulo 4:
Discusión 87
Así mismo, se evaluaron diferentes porcentajes de dispersión de la composición de la biomasa
mientras que la dispersión de los demás parámetros fueron mantenidas constantes, Figura 3.22. Se
observa una disminución en la dispersión máxima de la formación de PDO de 14.6 a 10.7% al
disminuir la dispersión de la composición del 30 al 10%. Así mimo, en dicho intervalo, la
desviación estándar relativa del peso molecular de la biomasa disminuyó de un 3.1 a 1.0%. Ahora
bien, dado que existe incertidumbre en la dispersión experimental de la composición celular de
Clostridium sp IBUN 158B, se decidió mantener una dispersión en la composición de precursores
y macromoléculas del 30% en el desarrollo del modelo segregado. Lo anterior fue debido a que a
dicha dispersión, la desviación estándar relativa obtenida, es decir 3.1%, es cercana al valor
obtenido para cultivos de la bacteria E. coli, el cual varió desde 2.75% [215] hasta 2.51% [235].
Con respecto a la desviación de los parámetros cinéticos incluidos en el modelo segregado, es decir
muerte celular y formación de ácido acético, también fueron mantenidos en 30%, apoyado
principalmente en lo reportado por Mönier et al. [236], quienes en el desarrollo de su modelo
poblacional encontraron varios parámetros con una desviación entre 28.4 y 33.3%.
A continuación, en la Figura 3.23 se compara los valores de PDO obtenidos experimentalmente
durante la validación y los perfiles predichos por el modelo estructurado-segregado obtenido. Se
observa el adecuado ajuste del modelo obtenido, dado que 24 de las 30 mediciones experimentales
obtenidas en las 4 fermentaciones realizadas estuvieron dentro de sus respectivos rangos esperados
según DFBA. Lo anterior también se evidencia en la Figura 4.2, donde se compara valores
predichos y experimentales, donde el coeficiente de correlación ajustado fue del 97.6% y el error
de ajuste del 4.4%. Lo que permite sugerir que el modelo obtenido a partir de la red metabólica fue
adecuado para predecir la conversión de glicerol a PDO empleando la cepa nativa colombiana
Clostridium sp IBUN 158B. No obstante, en la Figura 4.2 también se evidencia la subestimación al
predecir el PDO producido al finalizar el crecimiento a condiciones de glicerol en limitación, lo
cual se discutió previamente. Finalmente, se observa en la Figura 3.23 que las curvas promedio
obtenidas por el modelo segregado (en verde) y las curvas obtenidas por el modelo no segregado
(en azul) tuvieron una distancia relativa promedio del 0.17%, lo cual era esperado dado que fue
empleada una distribución normal durante el proceso de aleatorización, además ayuda a concluir
que el número de células modeladas fue adecuado, como se sugirió previamente.
PDO experimental (mM)
0 100 200 300 400
PD
O p
red
icho
(m
M)
0
100
200
300
400
Fermentación 1 Exceso
Fermentación 2 Exceso
Fermentación 1 Limitación
Fermentación 2 Limitación
Figura 4.2. Comparación valores PDO experimentales y predichos por modelo estructurado-
segregado.
Barras de error corresponden a desviación estándar predicha por modelo segregado.
88 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
4.4.2 Predicción de mutantes por knockout
Posterior a ser evaluada la composición de la biomasa y los parámetros cinéticos, fue considerada
las perturbaciones en el modelo GSM reconstruido mediante mutantes por knockout simples y
dobles de enzimas tanto en estado estacionario como en estado dinámico. Los resultados predichos
fueron coherentes tanto en estacionario como en dinámico, dado que ninguna mutante evaluada
estuvo en la capacidad de incrementar tanto el rendimiento YPDO/S como la productividad QPDO de
la cepa nativa. Lo anterior puede ser entendido si se parte en primer lugar que el PDO es un
metabolito primario [11, 237], es decir que su producción está directamente relacionada con el
crecimiento, por lo tanto durante las simulaciones tanto del FBA como del DFBA el rendimiento
de PDO predicho será lo más alto posible. Lo anterior se evidencia en la Figura 3.24, donde el
perfil de PDO predicho por el DFBA, en rojo, es prácticamente igual al perfil de PDO predicho por
D-FVA, en azul, dado que la máxima distancia relativa fue del 0.6%. Siendo el perfil de D-FVA la
máxima formación de PDO posible sin afectar el crecimiento predicho por DFBA.
Ahora bien, según Montoya Solano [17], una de las mejores estrategias que permitiría incrementar
el rendimiento YPDO/S es la deleción de aquellas rutas que también consuman NADH, dado que es
precursor necesario para obtener PDO. Sin embargo, a pesar de buscar bloquear rutas
competidoras, el bloqueo de los productos seleccionados por Montoya Solano [17] (hidrógeno,
ácido láctico y ácido butírico), presentaba igualmente efectos negativos en la formación de PDO
y/o biomasa, como ya fue mencionado previamente. En el caso de la formación de hidrógeno, se
asoció con la necesidad de reducir el NAD a NADH para favorecer la actividad de la enzima PDO
deshidrogenasa a exceso de glicerol. Mientras que el bloqueo de la formación ácido butírico
obligaría a la célula a producir etanol con el fin de evitar la acumulación de acetoacetil-CoA.
Finalmente la deleción del ácido láctico ocasionaría que la célula reduzca su crecimiento para
evitar la acumulación de protones. Por estos motivos, las mutantes obtenidas por Montoya Solano
[17] resultaron reducir ya sea el rendimiento de PDO o el rendimiento de biomasa, lo cual también
fue predicho por la aproximación ROOM, Tabla 3.6.
Así mismo, la Figura 3.24 muestra predicciones dinámicas de mutantes simples mientras que la
Figura 3.25 presenta los rendimientos y productividades máximos de mutantes dobles, donde se
evidencia que ninguna mutante evaluada mejoró la producción de PDO de la cepa nativa. Incluso,
algunas mutantes ocasionaron reducciones en la productividad, es decir aumento en el tiempo de
cultivo, lo cual es debido a la disminución del rendimiento de biomasa YX/S. Esto demuestra la
importancia de no afectar el crecimiento, reforzado el criterio empleado para selección de mutantes
a evaluar, pues sólo fueron consideradas la deleción de enzimas direccionalmente asociadas al
crecimiento. Esto debido a que si era bloqueada la producción de enzimas total o parcialmente
acopladas al crecimiento podría reducir considerablemente la formación de biomasa, como el caso
de la hidrogenasa, o incluso evitar el crecimiento. La anterior estrategia es aplicada de manera
similar por la aproximación OptKnock, la cual mediante optimización binivel busca mutantes por
knockout sobreproductoras que minimicen la reducción de YX/S [41, 238]. Sin embargo, OptKock
requiere de optimización LP, por lo tanto no fue empleado en el presente estudio, pues como fue
mencionado previamente, la predicciones más alejadas de datos experimentales fueron obtenidas
por optimización LP. Ahora bien, la evaluación in silico de las diferentes mutantes se hizo bajo el
supuesto que la capacidad de consumo del glicerol no se ve afectada durante el proceso de
mutación, lo cual no es completamente válido. Lo anterior es debido a que el proceso de deleción
requiere modificar la pared celular mediante electroporación [17, 206, 239], haciendo posible que
factores como la afinidad al sustrato se vea afectada, la cual ya se demostró afectar
significativamente la producción de PDO. No obstante, es inviable tener constantes de afinidad
Capítulo 4:
Discusión 89
para cada mutante potencial y por consiguiente no es posible contar con predicciones más precisas
para dichas mutantes.
Ahora bien, si fuera considerada exclusivamente la maximización de la producción de PDO, el
FBA predice un rendimiento teórico de 0.758 mol/mol, Figura 4.3, aunque este rendimiento sólo es
logrado si no hay crecimiento y el restante 24.2% del glicerol es empleado para regenerar el NAD
a NADH. Lo anterior no tiene sentido biológico pues, como fue mencionado, el PDO es un
metabolito primario, pero este valor puede ser considerado como límite matemático de la máxima
conversión de glicerol a PDO. Por otro lado, si es considerada la Tabla 1.3, el máximo rendimiento
de PDO posible es 0.725 mol/mol, línea amarilla Figura 4.3, el cual es logrado si no hay formación
de ácido butírico e hidrógeno, no obstante este valor es posible si el rendimiento de biomasa es el
más bajo posible [21]. Ahora, si son considerados escenarios biológicamente factibles, como es
crecimiento en exceso de glicerol, línea verde Figura 4.3, el rendimiento máximo de PDO tenderá
a 0.71mol/mol si el flux de consumo de glicerol tiende a infinito. Sin embargo, como se observa en
la Figura 3.3, el máximo flux de consumo de glicerol para la cepa Clostridium sp IBUN 158B es
cerca de 40mmol/g·h, por lo tanto el máximo rendimiento de PDO de esta cepa nativa será
aproximadamente 0.685 mol/mol, punto azul celeste Figura 4.3. Es decir que el mayor incremento
posible es inferior al 5.5% en relación al máximo biológicamente posible, porcentaje que quizá
resulte insuficiente para motivar el desarrollo de una mutante por knockout, más aún cuando el
rendimiento de biomasa podría verse considerablemente afectado.
0.0
0.2
0.4
0.6
0.8
10
20
30
40
5060
7080
0.00.2
0.40.6
0.8
1.0
YP
DO
/S (m
ol/m
ol)
v glicerol (mm
ol/g h)
% YX/S
Figura 4.3. Superficie de respuesta máximo valor predicho por FBA de YPDO/S en función de flux
de consumo glicerol y rendimiento YX/S.
Nomenclatura: Líneas azul y verde corresponden a valores de rendimientos YPDO/S predichos por
funciones objetivo óptima y sub-óptima, respectivamente (Figura 3.4). Punto azul celeste: máximo
valor YPDO/S posible por cepa nativa Clostridium sp IBUN 158B. Línea amarilla: máximo valor
YPDO/S posible predicho por Zeng [21]
90 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Dado que la estrategia de mutación por knockout no resulta ser la mejor opción para mejorar la
producción o productividad del PDO, se hace interesante evaluar otras estrategias de mutación. La
primera de ellas es el desarrollo de mutantes por sobreexpresión que consuman más rápido el
glicerol y así reducir el tiempo de cultivo, similar a lo obtenido por Montoya Solano [17]. También
la obtención de mutantes con mayor tolerancia al PDO producido, el cual es el producto con mayor
efecto inhibitorio durante el crecimiento de Clostridium butyricum en glicerol [240, 241]. Entre las
estrategias para mejorar la tolerancia, podría estar la aplicación de la ingeniería de proteínas, la
cual permitiría cambiar la conformación de enzimas claves en la tolerancia al PDO, o incluso las
mismas enzimas involucradas en la ruta reductiva del consumo de glicerol [242, 243].Finalmente,
además de la ingeniería de proteínas, como estrategia novedosa está la biología sintética, la cual
permitiría crear enzimas que catalicen reacciones no existentes en la naturaleza, como es la
producción de PDO a partir de homoserina [244].
4.4.3 Modificaciones en el medio y modo de cultivo
En primer lugar fue considerada la estrategia de alimentación de dos sustratos en estado
estacionario. Por un lado, la glucosa es usada como fuente de carbón, mientras que el glicerol es
empleado para mantener el balance redox, lo cual permitiría obtener valores más altos de YPDO/S
[204]. Los resultados son mostrados en la Figura 3.7, en donde en primer lugar es validado los
valores predichos con los resultados experimentales. En segundo lugar, es observada la línea de
optimalidad, la cual corresponde a la máxima conversión empleando el menor flux de consumo de
glucosa posible. Dicha línea es predicha para una relación de fluxes de 0.375 siempre que el
glicerol se encuentre en limitación. Al asumir glicerol en exceso la línea de optimalidad es
predicha con una relación de fluxes aproximada de 0.3, esta reducción en la línea de optimalidad es
debido a que a condiciones de exceso de glicerol la célula es más eficiente convirtiendo el glicerol
en PDO y por lo tanto requiere de menos glucosa para lograr la máxima conversión. No obstante,
lograr estas relaciones de fluxes requiere información experimental, dado que no es posible
establecer a priori qué relación molar de sustratos permitiría la relación de fluxes deseada. Por otro
lado, esta aproximación sólo es válida en estado estacionario, pues en un cultivo por lote existe la
posibilidad que la célula decida crecer de forma diaúxica, es decir consumir un sustrato y luego el
otro, como ha sido observado en cultivos de otras cepas solventogénicas de Clostridium [245-247].
Posteriormente, fue considerado el efecto de la concentración inicial de biomasa y glicerol en un
cultivo por lote. En primer lugar, la Figura 3.26 muestra la reducción en la conversión de glicerol a
PDO a concentraciones de glicerol inferiores a 100mM, lo cual está de acuerdo con lo mencionado
previamente a cerca del error en el ajuste de la constante de afinidad al sustrato. En relación a las
productividades, a partir de la Figura 3.26, el valor óptimo de glicerol inicial estimado es 46g/L, el
cual es acorde a rangos encontrados previamente para esta cepa [15, 16]. Por otro lado, a pesar del
comportamiento monotónico de la productividad en función de la concentración del inóculo, se ha
encontrado que para cultivos de Clostridium sp. IBUN 158B la concentración del inóculo no debe
exceder los 0.12g/L, con el fin de asegurar un inóculo en fase exponencial [15, 16]. Es por lo
anterior que la productividad óptima predicha es 1g/L·h, mientras que su respectiva concentración
final de PDO es 23.5g/L, valores que están en los intervalos correspondientes de cultivos por lotes
de cepas de Clostridium productoras de PDO como se observa en la Figura 4.4.
Seguidamente fue evaluada la estrategia de cultivo por lote alimentado. En primer lugar fue
considerada una alimentación contante, los resultados son mostrados en la Figura 3.27. Se obtuvo
una máxima concentración de PDO de 46.9g/L, similar a lo reportado previamente para
Clostridium sp 158B, 46g/L [15]. Sin embargo, la productividad predicha es inferior debido a la
Capítulo 4:
Discusión 91
diferencia en la concentración del inóculo. Por otro lado, dicho valor es inferior a otras cepas de
Clostridium con valores reportados de producción y productividad de 70.8g/L y 0.71g/L·h [95] o
61.2g/L y 1.02g/L·h [97], respectivamente.
Dado lo anterior, y a partir de resultados obtenidos por Reimann et al, quienes al cambiar la
estrategia de alimentación de flujo constante a flujo de alimentación enlazado con control de pH,
lograron aumentar la concentración final de PDO de 47.5 a 70.3g/L [103], fue considerada esta
segunda estrategia de alimentación. Según los resultados mostrados en la Figura 3.28, es predicho
menores conversiones de glicerol a PDO en comparación con la estrategia de alimentación
constante. Lo anterior es debido al acercamiento a la concentración inhibitoria de PDO, lo que
impide predecir conversiones más altas. Por tal motivo fue seleccionada una conversión molar
mínima de 0.55, evitando al máximo que quede glicerol sin consumir. La máxima concentración de
PDO predicha fue 66.1g/L cuya productividad es 1.05g/L·h. Los anteriores valores están en el
rango esperado de acuerdo a reportes de producción de PDO por lote alimentado empleando
diferentes cepas de Clostridium, Tabla 1.5, lo cual se evidencia en la Figura 4.4.
PDO (g/L)
0 20 40 60 80 100
Lote
Lote Alimentado
QPDO
(g/Lh)
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
A B
Figura 4.4. Comparación de valores predichos mediante DFBA y diferentes cepas de Clostridium.
Predicciones realizadas por aproximación DA de (A) Producción PDO y (B) Productividad QPDO a
condiciones iniciales de glicerol y biomasa de: Tabla 2.4 (puntos rojos) y óptimas de productividad
(puntos verdes) con valores reportados para diferentes cepas de Clostridium (Diagrama de Caja y
bigotes) Fuente: revisión bibliográfica propia
Dado todos los resultados obtenidos, es posible evidenciar que las predicciones no sólo ajustaron
manera adecuada la formación de PDO de la cepa nativa Clostridium sp IBUN 158B, sino que
permitieron validar que los resultados predichos están dentro del rango esperado tras comparar con
diferentes cepas productoras de PDO. Lo anterior permite proponer que el modelo obtenido es por
lo tanto una herramienta válida que permitiría predecir una gran variedad de escenarios que de ser
evaluados experimentalmente serían altamente demandantes de tiempo y recursos. Lo que resulta
ser un aporte valioso al grupo de investigación de Microorganismos Solventogénicos, el cual está
en la actualidad vinculado estratégicamente con la industria para lograr una producción de PDO a
mayor escala. Por consiguiente, los nuevos retos estarían enfocados por un lado en permitir enlazar
el comportamiento celular con todo el proceso de producción donde se incluya etapas de
separación y purificación como ha sido propuesto en otros modelos biológicos [248] y así estimar
la factibilidad técnico-económica de un posible proceso industrial. Finalmente, por otro lado, el
nuevo modelo estaría en la capacidad de ser empleado para diseñar sistemas de control
automatizados eficientes ante procesos oscilatorios no deseados [231, 249, 250].
92 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
5. Capítulo 5: Conclusiones y recomendaciones
5.1 Conclusiones
A partir de los resultados obtenidos en el presente trabajo se puede concluir que:
• Se obtuvo el primer modelo metabólico de escala genómica de una cepa de Clostridium
productora de PDO, el cual también está en la capacidad de consumir una gran variedad de
sustratos.
• Las predicciones con FBA permitieron encontrar dos estados metabólicos diferentes de
acuerdo al contenido de glicerol en el medio, los cuales son predichos mediante funciones
objetivos independientes.
• La aproximación dinámica del FBA permitió obtener un modelo cinético estructurado con una
adecuada capacidad predictiva de datos experimentales, el cual representa ser de utilidad para
el grupo dado que permitiría reducir la cantidad de experimentación.
• El análisis de sensibilidad permitió establecer que la predicción de producción de PDO no es
tan sensible a los parámetros obtenidos de literatura como sí sucede con los parámetros
cinéticos ajustados de la cepa evaluada experimentalmente.
• Las perturbaciones de la red metabólica permitió sugerir que las mutantes por knockout no son
una alternativa viable para mejorar la producción de PDO. Haciendo necesario considerar otro
tipo de mutantes, como el caso de cepas más tolerantes al PDO producido.
• Las perturbaciones en el medio de cultivo ayudaron a sugerir las mejores condiciones de
fermentación por lote alimentado que aumentaría la formación de PDO y también su
productividad.
• La predicción de formación de PDO por células de diferentes características, permitió obtener
in silico no sólo un modelo cinético estructurado, sino también segregado, haciéndolo un
aporte significativo junto con la reconstrucción del modelo metabólico.
• El modelo desarrollado es un aporte significativo al avance del grupo de investigación en
busca de entender esta fermentación, en especial considerando la alianza con la industria
Ecodiesel con el fin de montar una planta producción de PDO, dado que permitiría proponer
un proceso industrial de producción en el cual se considere el comportamiento metabólico.
94 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
5.2 Recomendaciones
Para la realización de estudios posteriores que complementen esta tesis de doctorado se
recomienda tener en cuenta los siguientes aspectos:
• Emplear herramientas bioinformáticas complementarias tales como ConsPred o información
experimental adicional que permita validar la presencia o ausencia de reacciones en el modelo,
tales como las relacionadas con la síntesis de las vitaminas B1 y B6, el ciclo del ácido cítrico y
otras rutas bloqueadas, lo cual aunque no mejore la predicciones del ambiente extracelular, sí
podría mejorar la capacidad predictiva en la expresión de enzimas, es decir el ambiente
intracelular.
• Utilizar datos transcriptómicos como restricciones booleanas en el desarrollo de un Análisis de
Balance de Flujo Regulatorio (rFBA por sus siglas en inglés: Regulatory Flux Balance
analysis) que ayude a predecir con mayor exactitud estados fenotípicos del cultivo de
Clostridium sp IBUN 158B en glicerol.
• Mejorar la composición de la biomasa incluyendo compuestos tales como terpenoides o
proteínas como la ACP, lo cual también permitiría mejorar la capacidad predictiva de la
expresión de algunas enzimas.
• Integrar el modelo obtenido del cultivo a procesos de separación para simular de manera
completa el proceso industrial de producción de PDO que permita estimar factibilidades
técnico-económicas. Lo anterior podría ser logrado empleando predicciones del modelo
estructurado para la realización de un modelo no estructurado, el cual podría ser implementado
posteriormente en programas de simulación y optimización tales como SuperPro Designer® o
Aspen Plus®.
• Evaluar nuevas estrategias que permitan mejorar la producción de PDO, tales como ingeniería
de proteínas o biología sintética.
A. Anexo: Concentraciones de
metabolitos extracelulares de
fermentaciones realizadas
Tabla A.1. Fermentación 1 a exceso de glicerol
t (h) X
(g/L)
Glicerol
(mM)
PDO
(mM)
A. acético
(mM)
A. butírico
(mM)
A. láctico
(mM)
butanol
(mM)
0 0.012 406.3 5.9 3.0 1.9 0 0
4 0.016 395.8 6.4 3.3 2.2 0 0
16.5 0.217 354.7 32.2 7.3 5.1 0 0
20 0.260 292.8 43.9 9.2 6.8 0 0
24 0.355 261.4 68.9 12.8 13.1 1.4 0
28 0.902 199.1 141.4 23.0 24.0 1.9 0
39.5 0.991 18.8 255.9 66.8 41.0 1.9 0
Tabla A.2. Fermentación 2 a exceso de glicerol
t (h) X
(g/L)
Glicerol
(mM)
PDO
(mM)
A. acético
(mM)
A. butírico
(mM)
A. láctico
(mM)
butanol
(mM)
0 0.110 524.8 6.6 14.6 1.8 0 0
3 0.071 529.7 9.3 15.5 2.2 0 0
7 0.075 514.2 12.4 16.1 2.3 0 0
17.5 0.800 349.2 129.6 35.8 19.9 0 0
19.5 1.221 241.1 195.3 43.3 33.1 0 0
24 1.723 55.2 329.9 70.8 56.2 0 0
27 1.501 12.6 343.9 66.6 61.5 0 0
96 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Tabla A.3. Fermentación 1 a limitación de glicerol
t (h) X
(g/L)
Glicerol
(mM)
PDO
(mM)
A. acético
(mM)
A. butírico
(mM)
A. láctico
(mM)
butanol
(mM)
0 0.042 136.2 7.6 2.8 2.2 0 0
3.25 0.057 131.3 14.6 3.2 3.8 0 0
5.5 0.083 121.5 17.5 3.3 3.6 0 0
7.5 0.119 123.4 14.6 3.3 4.2 0 0
9.5 0.142 118.3 17.9 3.5 6.3 0 0
11.5 0.171 113.5 21.1 4.2 5.0 0 0
13.6 0.220 98.2 23.0 4.2 4.9 0 0
20.1 0.366 62.6 53.7 10.2 9.0 0 0
25.5 0.470 9.8 87.2 15.8 13.4 0 0
29.25 0.429 3.3 106.4 16.7 18.3 0 0
Tabla A.4. Fermentación 2 a limitación de glicerol
t (h) X
(g/L)
Glicerol
(mM)
PDO
(mM)
A. acético
(mM)
A. butírico
(mM)
A. láctico
(mM)
butanol
(mM)
0 0.101 150.3 8.0 6.4 0.0 0 0
5.55 0.209 133.9 21.6 8.6 4.3 0 0
9 0.274 100.0 36.6 10.5 6.0 0 0
13.05 0.446 68.3 69.3 19.3 9.0 0 0
17 0.437 38.5 92.3 25.6 10.9 0 0
20.8 0.530 6.5 113.9 28.4 14.8 0 0
B. Anexo: Frecuencias acumuladas de
análisis de sensibilidad global MPSA
Figura B.1 Frecuencia acumulada de MPSA con respecto a precursores.
0
0.2
0.4
0.6
0.8
1
0.0% 3.0% 6.0% 9.0% 12.0%
Fre
cue
nci
a ac
um
ula
da
Precursor C18:1
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 2.5% 5.0% 7.5% 10.0%
Fre
cue
nci
a ac
um
ula
da
Precursor C18:0
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 2.5% 5.0% 7.5% 10.0%
Fre
cue
nci
a ac
um
ula
da
Precursor C14:0
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 20.0% 40.0% 60.0% 80.0%
Fre
cue
nci
a ac
um
ula
da
Precursor C16:0
Inaceptable Aceptable
98 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Figura B.1. Continuación
0
0.2
0.4
0.6
0.8
1
0.0% 12.5% 25.0% 37.5% 50.0%
Fre
cue
nci
a ac
um
ula
da
Precursor C16:1
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 10.0% 20.0% 30.0% 40.0%
Fre
cue
nci
a ac
um
ula
da
Precursor C17cyc
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 4.0% 8.0% 12.0% 16.0%
Fre
cue
nci
a ac
um
ula
da
Precursor C17cyc
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 4.0% 8.0% 12.0% 16.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Glutamato
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 4.0% 8.0% 12.0% 16.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Glicina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 3.0% 6.0% 9.0% 12.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Alanina
Inaceptable Aceptable
Anexo B. Frecuencias acumuladas de análisis sensibilidad global MPSA
99
Figura B.1. Continuación
0
0.2
0.4
0.6
0.8
1
0.0% 5.0% 10.0% 15.0% 20.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Lisina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 3.0% 6.0% 9.0% 12.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Aspartato
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 2.0% 4.0% 6.0% 8.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Arginina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 1.5% 3.0% 4.5% 6.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Glutamina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 4.0% 8.0% 12.0% 16.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Serina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 1.5% 3.0% 4.5% 6.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Metionina
Inaceptable Aceptable
100 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Figura B.1. Continuación
0
0.2
0.4
0.6
0.8
1
0.0% 0.5% 1.0% 1.5% 2.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Triptófano
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 2.5% 5.0% 7.5% 10.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Fenilalanina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 2.0% 4.0% 6.0% 8.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Tirosina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 0.6% 1.2% 1.8% 2.4%
Fre
cue
nci
a ac
um
ula
da
Precursor Cisteína
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 5.0% 10.0% 15.0% 20.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Leucina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 0.8% 1.6% 2.4% 3.2%
Fre
cue
nci
a ac
um
ula
da
Precursor Histidina
Inaceptable Aceptable
Anexo B. Frecuencias acumuladas de análisis sensibilidad global MPSA
101
Figura B.1. Continuación
0
0.2
0.4
0.6
0.8
1
0.0% 1.5% 3.0% 4.5% 6.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Prolina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 4.0% 8.0% 12.0% 16.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Asparagina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 4.0% 8.0% 12.0% 16.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Valina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 3.0% 6.0% 9.0% 12.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Treonina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 5.0% 10.0% 15.0% 20.0%
Fre
cue
nci
a ac
um
ula
da
Precursor Isoleucina
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 12.5% 25.0% 37.5% 50.0%
Fre
cue
nci
a ac
um
ula
da
Precursor dATP
Inaceptable Aceptable
102 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Figura B.1. Continuación
0
0.2
0.4
0.6
0.8
1
0.0% 12.5% 25.0% 37.5% 50.0%
Fre
cue
nci
a ac
um
ula
da
Precursor dGTP
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 12.5% 25.0% 37.5% 50.0%
Fre
cue
nci
a ac
um
ula
da
Precursor dCTP
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 12.5% 25.0% 37.5% 50.0%
Fre
cue
nci
a ac
um
ula
da
Precursor dTTP
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 17.5% 35.0% 52.5% 70.0%
Fre
cue
nci
a ac
um
ula
da
Precursor ATP
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 12.5% 25.0% 37.5% 50.0%
Fre
cue
nci
a ac
um
ula
da
Precursor GTP
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 10.0% 20.0% 30.0% 40.0%
Fre
cue
nci
a ac
um
ula
da
Precursor CTP
Inaceptable Aceptable
Anexo B. Frecuencias acumuladas de análisis sensibilidad global MPSA
103
Figura B.1. Continuación
0
0.2
0.4
0.6
0.8
1
0.0% 15.0% 30.0% 45.0% 60.0%
Fre
cue
nci
a ac
um
ula
da
Precursor UTP
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 15.0% 30.0% 45.0% 60.0%
Fre
cue
nci
a ac
um
ula
da
Precursor PtdGly
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 15.0% 30.0% 45.0% 60.0%
Fre
cue
nci
a ac
um
ula
da
Precursor PtdEtn
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 22.5% 45.0% 67.5% 90.0%
Fre
cue
nci
a ac
um
ula
da
Precursor PtdMen
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 8.0% 16.0% 24.0% 32.0%
Fre
cue
nci
a ac
um
ula
da
Precursor NAD
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 8.0% 16.0% 24.0% 32.0%
Fre
cue
nci
a ac
um
ula
da
Precursor NADP
Inaceptable Aceptable
104 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Figura B.1. Continuación
0
0.2
0.4
0.6
0.8
1
0.0% 8.0% 16.0% 24.0% 32.0%
Fre
cue
nci
a ac
um
ula
da
Precursor CoA
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 8.0% 16.0% 24.0% 32.0%
Fre
cue
nci
a ac
um
ula
da
Precursor FAD
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 12.5% 25.0% 37.5% 50.0%
Fre
cue
nci
a ac
um
ula
da
Precursor FMN
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 12.5% 25.0% 37.5% 50.0%
Fre
cue
nci
a ac
um
ula
da
Precursor THF
Inaceptable Aceptable
Anexo B. Frecuencias acumuladas de análisis sensibilidad global MPSA
105
Figura B.2 Frecuencia acumulada de MPSA con respecto a macromoléculas.
0
0.2
0.4
0.6
0.8
1
0.0% 20.0% 40.0% 60.0% 80.0%
Fre
cue
nci
a ac
um
ula
da
Macromolécula Proteína
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 2.0% 4.0% 6.0% 8.0%
Fre
cue
nci
a ac
um
ula
da
Macromolécula DNA
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 5.0% 10.0% 15.0% 20.0%
Fre
cue
nci
a ac
um
ula
da
Macromolécula ARN
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 7.0% 14.0% 21.0% 28.0%
Fre
cue
nci
a ac
um
ula
da
Macromolécula Peptidoglicano
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 5.0% 10.0% 15.0% 20.0%
Fre
cue
nci
a ac
um
ula
da
Macromolécula Lípido
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 7.0% 14.0% 21.0% 28.0%
Fre
cue
nci
a ac
um
ula
da
Macromolécula Ácido Teicoico
Inaceptable Aceptable
106 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Figura B.2. Continuación
Figura B.3 Frecuencia acumulada de MPSA con respecto a parámetros cinéticos de muerte celular.
0
0.2
0.4
0.6
0.8
1
0.0% 3.0% 6.0% 9.0% 12.0%
Fre
cue
nci
a ac
um
ula
da
Macromolécula Carbohidrato
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0.0% 4.0% 8.0% 12.0% 16.0%
Fre
cue
nci
a ac
um
ula
da
Macromolécula Trazas
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0 0.02 0.04 0.06 0.08
Fre
cue
nci
a ac
um
ula
da
Parámetro cinetico: Kd_lim
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0 0.006 0.012 0.018 0.024
Fre
cue
nci
a ac
um
ula
da
Parámetro cinetico: Kd_exc
Inaceptable Aceptable
Anexo B. Frecuencias acumuladas de análisis sensibilidad global MPSA
107
Figura B.4 Frecuencia acumulada de MPSA con respecto a parámetros cinéticos de máxima
formación de ácido acético.
0
0.2
0.4
0.6
0.8
1
0 0.1 0.2 0.3 0.4
Fre
cue
nci
a ac
um
ula
da
Parámetro cinetico V0_aa
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0 6 12 18 24
Fre
cue
nci
a ac
um
ula
da
Parámetro cinetico V∞_aa
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
0 0.05 0.1 0.15 0.2
Fre
cue
nci
a ac
um
ula
da
Parámetro cinetico R_aa
Inaceptable Aceptable
108 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
Figura B.5. Frecuencia acumulada de MPSA con respecto a parámetros cinéticos consumo de
glicerol.
0
0.2
0.4
0.6
0.8
1
40 110 180 250 320
Fre
cue
nci
a ac
um
ula
da
Parámetro cinetico Vmax_gly
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
40 240 440 640 840
Fre
cue
nci
a ac
um
ula
da
Parámetro cinetico: Ks_gly
Inaceptable Aceptable
0
0.2
0.4
0.6
0.8
1
400 600 800 1000 1200
Fre
cue
nci
a ac
um
ula
da
Parámetro cinetico: Ki_gly
Inaceptable Aceptable
Bibliografía
1. Ayoub, M. and A.Z. Abdullah, Critical review on the current scenario and significance of
crude glycerol resulting from biodiesel industry towards more sustainable renewable energy
industry. Renewable and Sustainable Energy Reviews, 2012. 16(5): p. 2671-2686.
2. EIA. International Energy Statistics: Total Biofuels Production. 2014 May 19, 2016];
Available from:
http://www.eia.gov/cfapps/ipdbproject/IEDIndex3.cfm?tid=79&pid=79&aid=1.
3. Almeida, J.R.M., L.C.L. Fávaro, and B.F. Quirino, Biodiesel biorefinery: Opportunities and
challenges for microbial production of fuels and chemicals from glycerol waste.
Biotechnology for Biofuels, 2012. 5 art 48: p. 1-16.
4. Yazdani, S.S. and R. Gonzalez, Anaerobic fermentation of glycerol: a path to economic
viability for the biofuels industry. Current Opinion in Biotechnology, 2007. 18(3): p. 213-
219.
5. Amaral, P.F.F., T.F. Ferreira, G.C. Fontes, and M.A.Z. Coelho, Glycerol valorization: New
biotechnological routes. Food and Bioproducts Processing, 2009. 87(3): p. 179-186.
6. Saxena, R.K., P. Anand, S. Saran, and J. Isar, Microbial production of 1,3-propanediol:
Recent developments and emerging opportunities. Biotechnology Advances, 2009. 27(6): p.
895-913.
7. Kaur, G., A.K. Srivastava, and S. Chand, Advances in biotechnological production of 1,3-
propanediol. Biochemical Engineering Journal, 2012. 64: p. 106-118.
8. Drozdzyńska, A., K. Leja, and K. Czaczyk, Biotechnological production of 1,3-propanediol
from crude glycerol. Biotechnologia, 2011. 92(1): p. 92-100.
9. Dobson, R., V. Gray, and K. Rumbold, Microbial utilization of crude glycerol for the
production of value-added products. Journal of Industrial Microbiology and Biotechnology,
2012. 39(2): p. 217-226.
10. Wilkens, E., A.K. Ringel, D. Hortig, T. Willke, and K.D. Vorlop, High-level production of
1,3-propanediol from crude glycerol by Clostridium butyricum AKR102a. Applied
Microbiology and Biotechnology, 2012. 93(3): p. 1057-1063.
11. Kubiak, P., K. Leja, K. Myszka, E. Celińska, M. Spychała, D. Szymanowska P., K. Czaczyk,
and W. Grajek, Physiological predisposition of various Clostridium species to synthetize 1,3-
propanediol from glycerol. Process Biochemistry, 2012. 47(9): p. 1308-1319.
12. González-Pajuelo, M., I. Meynial-Salles, F. Mendes, J.C. Andrade, I. Vasconcelos, and P.
Soucaille, Metabolic engineering of Clostridium acetobutylicum for the industrial production
of 1,3-propanediol from glycerol. Metabolic Engineering, 2005. 7(5-6): p. 329-336.
13. Otte, B., E. Grunwaldt, O. Mahmoud, and S. Jennewein, Genome shuffling in Clostridium
diolis DSM 15410 for improved 1,3-propanediol production. Applied and Environmental
Microbiology, 2009. 75(24): p. 7610-7616.
14. Montoya, D., S. Spitia, E. Silva, and W.H. Schwarz, Isolation of mesophilic solvent-
producing clostridia from Colombian sources: Physiological characterization, solvent
production and polysaccharide hydrolysis. Journal of Biotechnology, 2000. 79(2): p. 117-
126.
110 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
15. Aragón, O.L., Estudio de la viabilidad técnica de la producción de 1,3 – propanodiol (1,3-
pd) a partir de glicerol con nuevas cepas colombianas de Clostridium sp. a nivel laboratorio,
in Microbiology Thesis2007, Universidad Nacional de Colombia, sede Bogotá.
16. Pérez, X.C., Estandarización de la concentracíón de glicerol industrial y de la fuente de
nitrógeno en el medio de cultivo para la producción de 1,3-propanodiol utilizando una cepa
nativa de Clostridium sp., in Microbiology Thesis2009, Universidad Nacional de Colombia,
sede Bogotá.
17. Montoya Solano, J.D., Metabolic engineering of the Colombian strain Clostridium sp. IBUN
158B in order to improve the bioconversion of glycerol into 1,3-propanediol, 2012,
University of Ulm.
18. Rosas-Morales, J.P., X. Perez-Mancilla, L. Lopez-Kleine, D. Montoya-Castano, and D.M.
Riano-Pachon, Draft genome sequences of clostridium strains native to Colombia with the
potential to produce solvents. Genome Announc, 2015. 3(3): p. e00486-15.
19. Comba González, N., A.F. Vallejo, M. Sánchez-Gómez, and D. Montoya, Protein
identification in two phases of 1,3-propanediol production by proteomic analysis. Journal of
Proteomics, 2013. 89: p. 255-264.
20. Celińska, E., Debottlenecking the 1,3-propanediol pathway by metabolic engineering.
Biotechnology Advances, 2010. 28(4): p. 519-530.
21. Zeng, A.P., Pathway and kinetic analysis of 1,3-propanediol production from glycerol
fermentation by Clostridium butyricum. Bioprocess Engineering, 1996. 14(4): p. 169-175.
22. Bizukojc, M., D. Dietz, J. Sun, and A.P. Zeng, Metabolic modelling of syntrophic-like
growth of a 1,3-propanediol producer, Clostridium butyricum, and a methanogenic archeon,
Methanosarcina mazei, under anaerobic conditions. Bioprocess and Biosystems Engineering,
2010. 33(4): p. 507-523.
23. Henry, C.S., M. Dejongh, A.A. Best, P.M. Frybarger, B. Linsay, and R.L. Stevens, High-
throughput generation, optimization and analysis of genome-scale metabolic models. Nature
Biotechnology, 2010. 28(9): p. 977-982.
24. Simons, M., A. Misra, and G. Sriram, Genome-Scale Models of Plant Metabolism, in Plant
Metabolism, G. Sriram, Editor 2014, Humana Press. p. 213-230.
25. Senger, R.S., J.Y. Yen, and S.S. Fong, A review of genome-scale metabolic flux modeling of
anaerobiosis in biotechnology. Current Opinion in Chemical Engineering, 2014. 6: p. 33-42.
26. Gungormusler-Yilmaz, M., D. Shamshurin, M. Grigoryan, M. Taillefer, V. Spicer, O.V.
Krokhin, R. Sparling, and D.B. Levin, Reduced catabolic protein expression in Clostridium
butyricum DSM 10702 correlate with reduced 1,3-propanediol synthesis at high glycerol
loading. AMB Express, 2014. 4: p. 63.
27. Kauffman, K.J., P. Prakash, and J.S. Edwards, Advances in flux balance analysis. Current
Opinion in Biotechnology, 2003. 14(5): p. 491-496.
28. Orth, J.D., I. Thiele, and B.O. Palsson, What is flux balance analysis? Nature Biotechnology,
2010. 28(3): p. 245-248.
29. Chen, Q., Z. Wang, and D.Q. Wei, Progress in the applications of flux analysis of metabolic
networks. Chinese Science Bulletin, 2010. 55(22): p. 2315-2322.
30. Mahadevan, R., J.S. Edwards, and F.J. Doyle Iii, Dynamic Flux Balance Analysis of diauxic
growth in Escherichia coli. Biophysical Journal, 2002. 83(3): p. 1331-1340.
31. Raman, K. and N. Chandra, Flux balance analysis of biological systems: Applications and
challenges. Briefings in Bioinformatics, 2009. 10(4): p. 435-449.
32. Min Lee, J., E.P. Gianchandani, J.A. Eddy, and J.A. Papin, Dynamic analysis of integrated
signaling, metabolic, and regulatory networks. PLoS Computational Biology, 2008. 4(5).
33. Haggart, C.R., J.A. Bartell, J.J. Saucerman, and J.A. Papin, Whole-genome metabolic
network reconstruction and constraint-based modeling. Methods in Enzymology, 2011. 500:
p. 411-433.
Bibliografía
111
34. García Sánchez, C.E., C.A. Vargas García, and R.G. Torres Sáez, Predictive potential of flux
balance analysis of Saccharomyces cerevisiae using as optimization function combinations of
cell compartmental objectives. PLoS ONE, 2012. 7(8).
35. Westerhoff, H.V., C. Winder, H. Messiha, E. Simeonidis, M. Adamczyk, M. Verma, F.J.
Bruggeman, and W. Dunn, Systems Biology: The elements and principles of Life. FEBS
Letters, 2009. 583(24): p. 3882-3890.
36. Gianchandani, E.P., M.A. Oberhardt, A.P. Burgard, C.D. Maranas, and J.A. Papin, Predicting
biological system objectives de novo from internal state measurements. BMC Bioinformatics,
2008. 9: p. 43.
37. Knorr, A.L., R. Jain, and R. Srivastava, Bayesian-based selection of metabolic objective
functions. Bioinformatics, 2007. 23(3): p. 351-357.
38. Schuetz, R., L. Kuepfer, and U. Sauer, Systematic evaluation of objective functions for
predicting intracellular fluxes in Escherichia coli. Molecular Systems Biology, 2007. 3: p.
119.
39. Ibarra, R.U., J.S. Edwards, and B.O. Palsson, Escherichia coli K-12 undergoes adaptive
evolution to achieve in silico predicted optimal growth. Nature, 2002. 420(6912): p. 186-189.
40. Burgard, A.P. and C.D. Maranas, Optimization-based framework for inferring and testing
hypothesized metabolic objective functions. Biotechnology and Bioengineering, 2003. 82(6):
p. 670-677.
41. Chowdhury, A., A.R. Zomorrodi, and C.D. Maranas, Bilevel optimization techniques in
computational strain design. Computers and Chemical Engineering, 2015. 72: p. 363-372.
42. Vargas García, C.A., C. García Sánchez, H. Arguello Fuentes, and R.G. Torres Sáez, Balance
de Flujos Metabólicos en Saccharomyces cerevisiae basado en Compartimentalización
Intracelular. Revista Colombiana de Biotecnología, 2013. 15(2).
43. Feist, A.M. and B.O. Palsson, The biomass objective function. Current Opinion in
Microbiology, 2010. 13(3): p. 344-349.
44. Gianchandani, E.P., A.K. Chavali, and J.A. Papin, The application of flux balance analysis in
systems biology. WIREs Syst Biol Med, 2010. 2(3): p. 372-382.
45. García Sánchez, C.E. and R.G. Torres Sáez, Comparison and analysis of objective functions
in flux balance analysis. Biotechnology Progress, 2014. 30(5): p. 985-991.
46. Hjersted, J.L., M.A. Henson, and R. Mahadevan, Genome-scale analysis of Saccharomyces
cerevisiae metabolism and ethanol production in fed-batch culture. Biotechnology and
Bioengineering, 2007. 97(5): p. 1190-1204.
47. Hjersted, J., M.A. Henson, and R. Mahadevan. Dynamic Flux Balance Analysis of Yeast
Primary Metabolism in Fed-Batch Culture. in AIChE Annual Meeting, Conference
Proceedings. 2005.
48. Sainz, J., F. Pizarro, J.R. Pérez-Correa, and E. Agosin, Modeling of yeast metabolism and
process dynamics in batch fermentation. Biotechnology and Bioengineering, 2003. 81(7): p.
818-828.
49. Jouhten, P., M. Wiebe, and M. Penttilä, Dynamic flux balance analysis of the metabolism of
Saccharomyces cerevisiae during the shift from fully respirative or respirofermentative
metabolic states to anaerobiosis. FEBS Journal, 2012. 279(18): p. 3338-3354.
50. Barreto, C.M., J.P. Ramirez Angulo, J.M. Gomez Ramirez, L. Achenie, and A.F. González
Barrios. In silico optimization of the ethanol production in escherichia coli in a glycerol
media implementing dynamic flux balance analysis and experimental validation. in 10AIChE
- 2010 AIChE Annual Meeting, Conference Proceedings. 2010.
51. Meadows, A.L., R. Karnik, H. Lam, S. Forestell, and B. Snedecor, Application of dynamic
flux balance analysis to an industrial Escherichia coli fermentation. Metabolic Engineering,
2010. 12(2): p. 150-160.
112 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
52. Hanly, T.J. and M.A. Henson, Dynamic flux balance modeling of microbial co-cultures for
efficient batch fermentation of glucose and xylose mixtures. Biotechnology and
Bioengineering, 2011. 108(2): p. 376-385.
53. Lisha, K.P. and D. Sarkar, Dynamic flux balance analysis of batch fermentation: effect of
genetic manipulations on ethanol production. Bioprocess and Biosystems Engineering, 2013:
p. 1-11.
54. Oddone, G.M., D.A. Mills, and D.E. Block, A dynamic, genome-scale flux model of
Lactococcus lactis to increase specific recombinant protein expression. Metabolic
Engineering, 2009. 11(6): p. 367-381.
55. Eslamloueyan, R. and P. Setoodeh, Optimization of fed-batch recombinant yeast
fermentation for ethanol production using a reduced dynamic flux balance model based on
artificial neural networks. Chemical Engineering Communications, 2011. 198(11): p. 1309-
1338.
56. Höffner, K., S.M. Harwood, and P.I. Barton, A reliable simulator for dynamic flux balance
analysis. Biotechnology and Bioengineering, 2013. 110(3): p. 792-802.
57. Zi, Z., Sensitivity analysis approaches applied to systems biology models. IET Systems
Biology, 2011. 5(6): p. 336-346.
58. Price, N.D., J.L. Reed, and B.Ø. Palsson, Genome-scale models of microbial cells:
Evaluating the consequences of constraints. Nature Reviews Microbiology, 2004. 2(11): p.
886-897.
59. Drapcho, C.M., N.P. Nhuan, and T.H. Walker, Biofuels Engineering Process Technology.
Vol. I. 2008, New York: McGraw Hill.
60. Feofilova, E.P., Y.E. Sergeeva, and A.A. Ivashechkin, Biodiesel-fuel: Content, production,
producers, contemporary biotechnology (Review). Applied Biochemistry and Microbiology,
2010. 46(4): p. 369-378.
61. Mekhilef, S., S. Siga, and R. Saidur, A review on palm oil biodiesel as a source of renewable
fuel. Renewable and Sustainable Energy Reviews, 2011. 15(4): p. 1937-1949.
62. Basha, S.A., K.R. Gopal, and S. Jebaraj, A review on biodiesel production, combustion,
emissions and performance. Renewable and Sustainable Energy Reviews, 2009. 13(6-7): p.
1628-1634.
63. Moser, B.R., Biodiesel production, properties, and feedstocks. In Vitro Cellular &
Developmental Biology - Plant, 2009. 45(3): p. 229-266.
64. FAO. Food and Agricultural commodities production. 2016 May 19, 2016]; Available from:
http://faostat.fao.org/site/339/default.aspx.
65. Fedebiocombustibles. Cifras Informativas del Sector Biocombustibles - BIODIESEL. 2016
May 19, 2016]; Available from: www.fedebiocombustibles.com/.
66. Newswire, P. Glycerol Market is Expected to Reach USD 2.1 Billion in 2018: Transparency
Market Research. 2013 March 29, 2013 March 29, 2013]; Available from:
http://www.prnewswire.com/news-releases/glycerol-market-is-expected-to-reach-usd-21-
billion-in-2018-transparency-market-research-197745811.html.
67. Yang, F., M. Hanna, and R. Sun, Value-added uses for crude glycerol--a byproduct of
biodiesel production. Biotechnology for Biofuels, 2012. Article in press: p. 13.
68. Clomburg, J.M. and R. Gonzalez, Anaerobic fermentation of glycerol: A platform for
renewable fuels and chemicals. Trends in Biotechnology, 2013. 31(1): p. 20-28.
69. Jensen, T.O., T. Kvist, M.J. Mikkelsen, and P. Westermann, Production of 1,3-PDO and
butanol by a mutant strain of Clostridium pasteurianum with increased tolerance towards
crude glycerol. AMB Express, 2012. 2(1): p. 1-7.
70. Rogers, P., J.-S. Chen, and M. Zidwick, Organic Acid and Solvent Production: Acetic,
Lactic, Gluconic, Succinic, and Polyhydroxyalkanoic Acids, in The Prokaryotes, E.
Rosenberg, et al., Editors. 2006, Springer. Berlin. Heidelberg. p. 3-75.
Bibliografía
113
71. Marketsandmarkets. Global 1,3-Propanediol (1,3-PDO) Market worth $560 Million by 2019
2016 May 19, 2016]; Available from: http://www.marketsandmarkets.com/PressReleases/1-
3-propanediol-pdo.asp.
72. Molel, E., H. Phillips, and A. Smith, 1,3-Propanediol from Crude Glycerol, 2015, University
of Pennsylvania.
73. Kraus, G.A., Synthetic Methods for the Preparation of 1,3-Propanediol. CLEAN – Soil, Air,
Water, 2008. 36(8): p. 648-651.
74. Anand, P., R.K. Saxena, and R.G. Marwah, A novel downstream process for 1,3-propanediol
from glycerol-based fermentation. Applied Microbiology and Biotechnology, 2011. 90(4): p.
1267-1276.
75. Xiu, Z.L. and A.P. Zeng, Present state and perspective of downstream processing of
biologically produced 1,3-propanediol and 2,3-butanediol. Applied Microbiology and
Biotechnology, 2008. 78(6): p. 917-926.
76. Zeng, A. Project: Integrated bioconversion of glycerine into value-added products and biogas
at pilot plant scale. Seventh Framework Programme 2010; Available from:
http://propanergy.tutech.eu/index.html.
77. Li, Z., B. Jiang, D. Zhang, and Z. Xiu, Aqueous two-phase extraction of 1,3-propanediol
from glycerol-based fermentation broths. Separation and Purification Technology, 2009.
66(3): p. 472-478.
78. Li, Z., H. Teng, and Z. Xiu, Extraction of 1,3-propanediol from glycerol-based fermentation
broths with methanol/phosphate aqueous two-phase system. Process Biochemistry, 2011.
46(2): p. 586-591.
79. Saint-Amans, S., L. Girbal, J. Andrade, K. Ahrens, and P. Soucaille, Regulation of carbon
and electron flow in Clostridium butyricum VPI 3266 grown on glucose-glycerol mixtures.
Journal of Bacteriology, 2001. 183(5): p. 1748-1754.
80. Biebl, H., K. Menzel, A.P. Zeng, and W.D. Deckwer, Microbial production of 1,3-
propanediol. Applied Microbiology and Biotechnology, 1999. 52(3): p. 289-297.
81. Leja, K., K. Czaczyk, and K. Myszka, Biotechnological synthesis of 1,3-propanediol using
clostridium ssp. African Journal of Biotechnology, 2011. 10(54): p. 11093-11101.
82. Venkataramanan, K.P., J.J. Boatman, Y. Kurniawan, K.A. Taconi, G.D. Bothun, and C.
Scholz, Impact of impurities in biodiesel-derived crude glycerol on the fermentation by
Clostridium pasteurianum ATCC 6013. Applied Microbiology and Biotechnology, 2012.
93(3): p. 1325-1335.
83. Asad ur, R., R.G. Saman Wijesekara, N. Nomura, S. Sato, and M. Matsumura, Pre-treatment
and utilization of raw glycerol from sunflower oil biodiesel for growth and 1,3-propanediol
production by Clostridium butyricum. Journal of Chemical Technology and Biotechnology,
2008. 83(7): p. 1072-1080.
84. Jensen, T.O., T. Kvist, M.J. Mikkelsen, P.V. Christensen, and P. Westermann, Fermentation
of crude glycerol from biodiesel production by Clostridium pasteurianum. Journal of
Industrial Microbiology and Biotechnology, 2012. 39(5): p. 709-717.
85. Zhu, C., B. Chen, and B. Fang, Pretreatment of raw glycerol with activated carbon for 1,3-
propanediol production by Clostridium butyricum. Engineering in Life Sciences, 2013. 13(4):
p. 376-384.
86. González-Pajuelo, M., J.C. Andrade, and I. Vasconcelos, Production of 1,3-propanediol by
Clostridium butyricum VPI 3266 using a synthetic medium and raw glycerol. Journal of
Industrial Microbiology and Biotechnology, 2004. 31(9): p. 442-446.
87. Chatzifragkou, A., D. Dietz, M. Komaitis, A.P. Zeng, and S. Papanikolaou, Effect of
biodiesel-derived waste glycerol impurities on biomass and 1,3-propanediol production of
Clostridium butyricum VPI 1718. Biotechnology and Bioengineering, 2010. 107(1): p. 76-84.
114 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
88. Papanikolaou, S., P. Ruiz-Sanchez, B. Pariset, F. Blanchard, and M. Fick, High production of
1,3-propanediol from industrial glycerol by a newly isolated Clostridium butyricum strain.
Journal of Biotechnology, 2000. 77(2-3): p. 191-208.
89. Papanikolaou, S., M. Fick, and G. Aggelis, The effect of raw glycerol concentration on the
production of 1,3-propanediol by Clostridium butyricum. Journal of Chemical Technology
and Biotechnology, 2004. 79(11): p. 1189-1196.
90. Biebl, H., S. Marten, H. Hippe, and W.D. Deckwer, Glycerol conversion to 1,3-propanediol
by newly isolated clostridia. Applied Microbiology and Biotechnology, 1992. 36(5): p. 592-
597.
91. Saint-Amans, S., P. Perlot, G. Goma, and P. Soucaille, High production of 1,3-propanediol
from glycerol by Clostridium butyricum VPI 3266 in a simply controlled fedbatch system.
Biotechnology Letters, 1994. 16(8): p. 831-836.
92. Petitdemange, E., C. Durr, S.A. Andaloussi, and G. Raval, Fermentation of raw glycerol to
1,3-propanediol by new strains of Clostridium butyricum. Journal of Industrial
Microbiology, 1995. 15(6): p. 498-502.
93. Barbirato, F., E.H. Himmi, T. Conte, and A. Bories, 1,3-propanediol production by
fermentation: An interesting way to valorize glycerin from the ester and ethanol industries.
Industrial Crops and Products, 1998. 7(2-3): p. 281-289.
94. Himmi, E.H., A. Bories, and F. Barbirato, Nutrient requirements for glycerol conversion to
1,3-propanediol by Clostridium butyricum. Bioresource Technology, 1999. 67(2): p. 123-
128.
95. Chatzifragkou, A., G. Aggelis, M. Komaitis, A.P. Zeng, and S. Papanikolaou, Impact of
anaerobiosis strategy and bioreactor geometry on the biochemical response of Clostridium
butyricum VPI 1718 during 1,3-propanediol fermentation. Bioresource Technology, 2011.
102(22): p. 10625-10632.
96. Kaur, G., A.K. Srivastava, and S. Chand, Determination of kinetic parameters of 1,3-
propanediol fermentation by Clostridium diolis using statistically optimized medium.
Bioprocess and Biosystems Engineering, 2012. 35(7): p. 1147-1156.
97. Kaur, G., A.K. Srivastava, and S. Chand, Mathematical modelling approach for concentration
and productivity enhancement of 1,3-propanediol using Clostridium diolis. Biochemical
Engineering Journal, 2012. 68: p. 34-41.
98. Metsoviti, M., S. Paramithiotis, E.H. Drosinos, M. Galiotou-Panayotou, G.J.E. Nychas, A.P.
Zeng, and S. Papanikolaou, Screening of bacterial strains capable of converting biodiesel-
derived raw glycerol into 1,3-propanediol, 2,3-butanediol and ethanol. Engineering in Life
Sciences, 2012. 12(1): p. 57-68.
99. Szymanowska P., D., P. Kubiak, and A. Lewicki, The methane fermentation medium as an
attractive source of bacteria from genus Clostridium capable of converting glycerol into 1,3-
propylene glycol. Biotechnologia, 2012. 93(1): p. 68-77.
100. Szymanowska P., D. and W. Białas, Scale-up of anaerobic 1,3-propanediol production by
Clostridium butyricum DSP1 from crude glycerol. BMC Microbiology, 2014. 14(1): p.
Article number 45.
101. Günzel, B., S. Yonsel, and W.D. Deckwer, Fermentative production of 1,3-propanediol from
glycerol by Clostridium butyricum up to a scale of 2 m³. Applied Microbiology and
Biotechnology, 1991. 36(3): p. 289-294.
102. Abbad-Andaloussi, S., C. Manginot-Durr, J. Amine, E. Petitdemange, and H. Petitdemange,
Isolation and characterization of Clostridium butyricum DSM 5431 mutants with increased
resistance to 1,3-propanediol and altered production of acids. Applied and Environmental
Microbiology, 1995. 61(12): p. 4413-4417.
Bibliografía
115
103. Reimann, A. and H. Biebl, Production of 1,3-propanediol by Clostridium butyricum DSM
5431 and product tolerant mutants in fedbatch culture: Feeding strategy for glycerol and
ammonium. Biotechnology Letters, 1996. 18(7): p. 827-832.
104. Kaur, G., A.K. Srivastava, and S. Chand, Bioconversion of glycerol to 1,3-propanediol: A
mathematical model-based nutrient feeding approach for high production using Clostridium
diolis. Bioresource Technology, 2013. 142: p. 82-87.
105. Chatzifragkou, A., S. Papanikolaou, N. Kopsahelis, V. Kachrimanidou, M.P. Dorado, and
A.A. Koutinas, Biorefinery development through utilization of biodiesel industry by-products
as sole fermentation feedstock for 1,3-propanediol production. Bioresource Technology,
2014. 159: p. 167-175.
106. Forsberg, C.W., Production of 1,3-propanediol from glycerol by Clostridium acetobutylicum
and other Clostridium species. Applied and Environmental Microbiology, 1987. 53(4): p.
639-643.
107. Heyndrickx, M., P. De Vos, M. Vancanneyt, and J. De Ley, The fermentation of glycerol by
Clostridium butyricum LMG 1212t2 and 1213t1 and C. pasteurianum LMG 3285. Applied
Microbiology and Biotechnology, 1991. 34(5): p. 637-642.
108. Solomon, B.O., A.P. Zeng, H. Biebl, H. Schlieker, C. Posten, and W.D. Deckwer,
Comparison of the energetic efficiencies of hydrogen and oxychemicals formation in
Klebsiella pneumoniae and Clostridium butyricum during anaerobic growth on glycerol.
Journal of Biotechnology, 1995. 39(2): p. 107-117.
109. González-Pajuelo, M., J.C. Andrade, and I. Vasconcelos, Production of 1,3-Propanediol by
Clostridium butyricum VPI 3266 in continuous cultures with high yield and productivity.
Journal of Industrial Microbiology and Biotechnology, 2005. 32(9): p. 391-396.
110. Gungormusler, M., C. Gonen, and N. Azbar, Continuous production of 1,3-propanediol using
raw glycerol with immobilized Clostridium beijerinckii NRRL B-593 in comparison to
suspended culture. Bioprocess and Biosystems Engineering, 2011. 34(6): p. 727-733.
111. Suratago, T. and K. Nootong, Production of 1,3-propanediol by Clostridium butyricum DSM
5431 in an anaerobic moving bed bioreactor. Macedonian Journal of Chemistry and
Chemical Engineering, 2012. 31(2): p. 245-253.
112. Gungormusler-Yilmaz, M., N. Cicek, D.B. Levin, and N. Azbar, Cell immobilization for
microbial production of 1,3-propanediol. Critical Reviews in Biotechnology, 2016. 36(3): p.
482-494.
113. Reimann, A., H. Biebl, and W.D. Deckwer, Production of 1,3-propanediol by Clostridium
butyricum in continuous culture with cell recycling. Applied Microbiology and
Biotechnology, 1998. 49(4): p. 359-363.
114. Kaur, G., A.K. Srivastava, and S. Chand, Simple strategy of repeated batch cultivation for
enhanced production of 1,3-propanediol using clostridium diolis. Applied Biochemistry and
Biotechnology, 2012. 167(5): p. 1061-1068.
115. Biebl, H., Glycerol fermentation of 1,3-propanediol by Clostridium butyricum. Measurement
of product inhibition by use of a pH-auxostat. Applied Microbiology and Biotechnology,
1991. 35(6): p. 701-705.
116. González-Pajuelo, M., I. Meynial-Salles, F. Mendes, P. Soucaille, and I. Vasconcelos,
Microbial conversion of glycerol to 1,3-propanediol: Physiological comparison of a natural
producer, Clostridium butyricum VPI 3266, and an engineered strain, Clostridium
acetobutylicum DG1(pSPD5). Applied and Environmental Microbiology, 2006. 72(1): p. 96-
101.
117. Abbad-Andaloussi, S., J. Amine, P. Gerard, E. Petitdemange, and H. Petitdemange,
Properties of allyl alcohol-resistant mutants of Clostridium butyricum grown on glycerol.
Applied and Environmental Microbiology, 1996. 62(9): p. 3499-3501.
116 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
118. Wang, J. and W. Wan, Kinetic models for fermentative hydrogen production: A review.
International Journal of Hydrogen Energy, 2009. 34(8): p. 3313-3323.
119. Lee, J.M., Biochemical engineering: cell kinetics and fermenter design, ed. D.o.C.E.W.S.
University2001: Pullman. 56.
120. Lencastre Fernandes, R., M. Nierychlo, L. Lundin, A.E. Pedersen, P.E. Puentes Tellez, A.
Dutta, M. Carlquist, A. Bolic, D. Schäpper, A.C. Brunetti, S. Helmark, A.L. Heins, A.D.
Jensen, I. Nopens, K. Rottwitt, N. Szita, J.D. van Elsas, P.H. Nielsen, J. Martinussen, S.J.
Sørensen, A.E. Lantz, and K.V. Gernaey, Experimental methods and modeling techniques for
description of cell population heterogeneity. Biotechnology Advances, 2011. 29(6): p. 575-
599.
121. Zeng, A.P., A. Ross, H. Biebl, C. Tag, B. Gunzel, and W.D. Deckwer, Multiple product
inhibition and growth modeling of Clostridium butyricum and Klebsiella pneumoniae in
glycerol fermentation. Biotechnology and Bioengineering, 1994. 44(8): p. 902-911.
122. Papanikolaou, S. and G. Aggelis, Modelling aspects of the biotechnological valorization of
raw glycerol: Production of citric acid by Yarrowia lipolytica and 1,3-propanediol by
Clostridium butyricum. Journal of Chemical Technology and Biotechnology, 2003. 78(5): p.
542-547.
123. Silva, J.P., Y.B. Almeida, I.O. Pinheiro, A. Knoelchelmann, and J.M.F. Silva, Multiplicity of
steady states in a bioreactor during the production of 1,3-propanediol by Clostridium
butyricum. Bioprocess and Biosystems Engineering, 2014.
124. Zhu, C., B. Fang, and S. Wang, Effects of culture conditions on the kinetic behavior of 1,3-
propanediol fermentation by Clostridium butyricum with a kinetic model. Bioresource
Technology, 2016. 212: p. 130-137.
125. Reimann, A., S. Abbad-Andaloussi, H. Biebl, and H. Petitdemange, 1,3-propanediol
formation with product-tolerant mutants of Clostridium butyricum DSM 5431 in continuous
culture: Productivity, carbon and electron flow. Journal of Applied Microbiology, 1998.
84(6): p. 1125-1130.
126. Abbad-Andaloussi, S., C. Dürr, G. Raval, and H. Petitdemange, Carbon and electron flow in
Clostridium butyricum grown in chemostat culture on glycerol and on glucose. Microbiology,
1996. 142(5): p. 1149-1158.
127. Zeng, A.P., A new balance equation of reducing equivalents for data consistency check and
bioprocess calculation. Journal of Biotechnology, 1995. 43(2): p. 111-124.
128. Senger, R.S. and E.T. Papoutsakis, Genome-scale model for Clostridium acetobutylicum:
Part I. Metabolic network resolution and analysis. Biotechnology and Bioengineering, 2008.
101(5): p. 1036-1052.
129. Satish Kumar, V., M.S. Dasika, and C.D. Maranas, Optimization based automated curation of
metabolic reconstructions. BMC Bioinformatics, 2007. 8: p. 212.
130. Lee, J., H. Yun, A.M. Feist, B.Ø. Palsson, and S.Y. Lee, Genome-scale reconstruction and in
silico analysis of the Clostridium acetobutylicum ATCC 824 metabolic network. Applied
Microbiology and Biotechnology, 2008. 80(5): p. 849-862.
131. Salimi, F., K. Zhuang, and R. Mahadevan, Genome-scale metabolic modeling of a clostridial
co-culture for consolidated bioprocessing. Biotechnology Journal, 2010. 5(7): p. 726-738.
132. McAnulty, M.J., J.Y. Yen, B.G. Freedman, and R.S. Senger, Genome-scale modeling using
flux ratio constraints to enable metabolic engineering of clostridial metabolism in silico.
BMC Systems Biology, 2012. 6: p. 42.
133. Dash, S., T.J. Mueller, K.P. Venkataramanan, E.T. Papoutsakis, and C.D. Maranas,
Capturing the response of Clostridium acetobutylicum to chemical stressors using a regulated
genome-scale metabolic model. Biotechnology for Biofuels, 2014. 7: p. 144.
134. Milne, C.B., J.A. Eddy, R. Raju, S. Ardekani, P.J. Kim, R.S. Senger, Y.S. Jin, H.P. Blaschek,
and N.D. Price, Metabolic network reconstruction and genome-scale model of butanol-
Bibliografía
117
producing strain Clostridium beijerinckii NCIMB 8052. BMC Systems Biology, 2011. 5: p.
130.
135. Nagarajan, H., M. Sahin, J. Nogales, H. Latif, D.R. Lovley, A. Ebrahim, and K. Zengler,
Characterizing acetogenic metabolism using a genome-scale metabolic reconstruction of
Clostridium ljungdahlii. Microbial Cell Factories, 2013. 12(1).
136. Roberts, S.B., C.M. Gowen, J.P. Brooks, and S.S. Fong, Genome-scale metabolic analysis of
Clostridium thermocellum for bioethanol production. BMC Systems Biology, 2010. 4: p. 31.
137. Rafieenia, R. and S.R. Chaganti, Flux balance analysis of different carbon source
fermentation with hydrogen producing Clostridium butyricum using Cell Net Analyzer.
Bioresource Technology, 2015. 175: p. 613-618.
138. Matsuoka, Y. and K. Shimizu, Current status of 13C-metabolic flux analysis and future
perspectives. Process Biochemistry, 2010. 45(12): p. 1873-1881.
139. Wittmann, C., Fluxome analysis using GC-MS. Microbial Cell Factories, 2007. 6(6): p. 1-7.
140. Blank, L.M. and L. Kuepfer, Metabolic flux distributions: Genetic information,
computational predictions, and experimental validation. Applied Microbiology and
Biotechnology, 2010. 86(5): p. 1243-1255.
141. Tang, Y.J., X. Feng, L. Page, J. Rubens, L. Chircus, P. Colletti, and H.B. Pakrasi, Bridging
the gap between fluxomics and industrial biotechnology. Journal of Biomedicine and
Biotechnology, 2010. 2010(460717): p. 1-13.
142. Antoniewicz, M.R., 13C metabolic flux analysis: Optimal design of isotopic labeling
experiments. Current Opinion in Biotechnology, 2013. 24(6): p. 1116-1121.
143. Desvaux, M., E. Guedeon, and H. Petitdemange, Metabolic flux in cellulose batch and
cellulosefed continuous cultures of Clostridium cellulolyticum in response to acidic
environment. Microbiology, 2001. 147(6): p. 1461-1471.
144. Jiang, L., P. Song, L. Zhu, S. Li, Y. Hu, N. Fu, and H. Huang, Comparison of metabolic
pathway for hydrogen production in wild-type and mutant Clostridium tyrobutyricum strain
based on metabolic flux analysis. International Journal of Hydrogen Energy, 2013. 38(5): p.
2176-2184.
145. Cheng, H.H., L.M. Whang, C.A. Lin, I.C. Liu, and C.W. Wu, Metabolic flux network
analysis of fermentative hydrogen production: Using Clostridium tyrobutyricum as an
example. Bioresource Technology, 2013. 141: p. 233-239.
146. Cai, G., B. Jin, C. Saint, and P. Monis, Metabolic flux analysis of hydrogen production
network by Clostridium butyricum W5: Effect of pH and glucose concentrations.
International Journal of Hydrogen Energy, 2010. 35(13): p. 6681-6690.
147. Gong, Z., Y. Yu, and E. Feng, Infer objective function of glycerol metabolism in klebsiella
pneumoniae basing on bilevel programming. Journal of Systems Science and Complexity,
2010. 23(2): p. 334-342.
148. Gong, Z., C. Liu, E. Feng, and Q. Zhang, Computational method for inferring objective
function of glycerol metabolism in Klebsiella pneumoniae. Computational Biology and
Chemistry, 2009. 33(1): p. 1-6.
149. Wang, Y., H. Teng, and Z. Xiu, Effect of aeration strategy on the metabolic flux of Klebsiella
pneumoniae producing 1,3-propanediol in continuous cultures at different glycerol
concentrations. Journal of Industrial Microbiology and Biotechnology, 2011. 38(6): p. 705-
715.
150. Dong, X.Y., Z.L. Xiu, S. Li, Y.M. Hou, D.J. Zhang, and C.S. Ren, Dielectric barrier
discharge plasma as a novel approach for improving 1,3-propanediol production in Klebsiella
pneumoniae. Biotechnology Letters, 2010. 32(9): p. 1245-1250.
151. Chen, Z., H.J. Liu, J.A. Zhang, and D.H. Liu, Cell physiology and metabolic flux response of
Klebsiella pneumoniae to aerobic conditions. Process Biochemistry, 2009. 44(8): p. 862-868.
118 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
152. Chen, Z., H. Liu, and D. Liu, Metabolic pathway analysis of 1,3-propanediol production with
a genetically modified Klebsiella pneumoniae by overexpressing an endogenous NADPH-
dependent alcohol dehydrogenase. Biochemical Engineering Journal, 2011. 54(3): p. 151-
157.
153. Zhang, Q., H. Teng, Y. Sun, Z. Xiu, and A. Zeng, Metabolic flux and robustness analysis of
glycerol metabolism in Klebsiella pneumoniae. Bioprocess and Biosystems Engineering,
2008. 31(2): p. 127-135.
154. Luo, R.Y., S. Liao, G.Y. Tao, Y.Y. Li, S. Zeng, Y.X. Li, and Q. Luo, Dynamic analysis of
optimality in myocardial energy metabolism under normal and ischemic conditions.
Molecular Systems Biology, 2006. 2.
155. Luo, R., H. Wei, L. Ye, K. Wang, F. Chen, L. Luo, L. Liu, Y. Li, M.J.C. Crabbe, L. Jin, and
Y. Zhong, Photosynthetic metabolism of C3 plants shows highly cooperative regulation
under changing environments: A systems biological analysis. Proceedings of the National
Academy of Sciences of the United States of America, 2009. 106(3): p. 847-852.
156. Laiglecia, J., V. Estrada, R.V. Vidal, F.J. Florencio, M.G. Guerrero, and M. Soledad Diaz,
Dynamic flux balance analysis of a genetic engineered cyanobacterium for ethanol
production. Parameter estimation. Chemical Engineering Transactions, 2013. 32: p. 955-960.
157. Kleessen, S. and Z. Nikoloski, Dynamic regulatory on/off minimization for biological
systems under internal temporal perturbations. BMC Systems Biology, 2012. 6.
158. Hjersted, J.L. and M.A. Henson, Optimization of fed-batch Saccharomyces cerevisiae
fermentation using dynamic flux balance models. Biotechnology Progress, 2006. 22(5): p.
1239-1248.
159. Varma, A. and B.O. Palsson, Stoichiometric flux balance models quantitatively predict
growth and metabolic by-product secretion in wild-type Escherichia coli W3110. Applied
and Environmental Microbiology, 1994. 60(10): p. 3724-3731.
160. Zanghellini, J., K. Natter, C. Jungreuthmayer, A. Thalhammer, C.F. Kurat, G. Gogg-
Fassolter, S.D. Kohlwein, and H.H. Von Grünberg, Quantitative modeling of triacylglycerol
homeostasis in yeast - Metabolic requirement for lipolysis to promote membrane lipid
synthesis and cellular growth. FEBS Journal, 2008. 275(22): p. 5552-5563.
161. Song, H.S., J.A. Morgan, and D. Ramkrishna, Systematic development of hybrid cybernetic
models: Application to recombinant yeast co-consuming glucose and xylose. Biotechnology
and Bioengineering, 2009. 103(5): p. 984-1002.
162. Ghosh, A., H. Zhao, and N.D. Price, Genome-scale consequences of cofactor balancing in
engineered pentose utilization pathways in Saccharomyces cerevisiae. PLoS ONE, 2011.
6(11).
163. Pizarro, F., C. Varela, C. Martabit, C. Bruno, J.R. Pérez-Correa, and E. Agosin, Coupling
kinetic expressions and metabolic networks for predicting wine fermentations. Biotechnology
and Bioengineering, 2007. 98(5): p. 986-998.
164. Vargas, F.A., F. Pizarro, J.R. Pérez-Correa, and E. Agosin, Expanding a dynamic flux
balance model of yeast fermentation to genome-scale. BMC Systems Biology, 2011. 5.
165. Hjersted, J.L. and M.A. Henson, Steady-state and dynamic flux balance analysis of ethanol
production by Saccharomyces cerevisiae. IET Systems Biology, 2009. 3(3): p. 167-179.
166. Sánchez, B.J., J.R. Pérez-Correa, and E. Agosin, Construction of robust dynamic genome-
scale metabolic model structures of Saccharomyces cerevisiae through iterative re-
parameterization. Metabolic Engineering, 2014. 25: p. 159-173.
167. Lee, S.G., K.S. Hwang, and C.M. Kim, Dynamic behavior of regulatory elements in the
hierarchical regulatory network of various carbon sources-grown Escherichia coli. Journal of
Microbiology and Biotechnology, 2005. 15(3): p. 551-559.
168. Tepeli, A. and A. Hortaçsu, A fuzzy logic approach for regulation in flux balance analysis.
Biochemical Engineering Journal, 2008. 39(1): p. 137-148.
Bibliografía
119
169. Zhuang, K., L. Yang, W.R. Cluett, and R. Mahadevan, Dynamic strain scanning
optimization: An efficient strain design strategy for balanced yield, titer, and productivity.
DySScO strategy for strain design. BMC Biotechnology, 2013. 13.
170. Anesiadis, N., W.R. Cluett, and R. Mahadevan, Dynamic metabolic engineering for
increasing bioprocess productivity. Metabolic Engineering, 2008. 10(5): p. 255-266.
171. Lequeux, G., J. Beauprez, J. Maertens, E. Van Horen, W. Soetaert, E. Vandamme, and P.A.
Vanrolleghem, Dynamic metabolic flux analysis demonstrated on cultures where the limiting
substrate is changed from carbon to nitrogen and vice versa. Journal of Biomedicine and
Biotechnology, 2010. 2010.
172. Setoodeh, P., A. Jahanmiri, and R. Eslamloueyan, Hybrid neural modeling framework for
simulation and optimization of diauxie-involved fed-batch fermentative succinate production.
Chemical Engineering Science, 2012. 81: p. 57-76.
173. Hanly, T.J., M. Urello, and M.A. Henson, Dynamic flux balance modeling of S. cerevisiae
and E. coli co-cultures for efficient consumption of glucose/xylose mixtures. Applied
Microbiology and Biotechnology, 2012. 93(6): p. 2529-2541.
174. Lisha, K.P. and D. Sarkar, In silico analysis of bioethanol production from glucose/xylose
mixtures during fed-batch fermentation of co-culture and mono-culture systems.
Biotechnology and Bioprocess Engineering, 2014. 19(5): p. 879-891.
175. Nolan, R.P. and K. Lee, Dynamic model of CHO cell metabolism. Metabolic Engineering,
2011. 13(1): p. 108-124.
176. Song, H.S., D. Ramkrishna, G.E. Pinchuk, A.S. Beliaev, A.E. Konopka, and J.K.
Fredrickson, Dynamic modeling of aerobic growth of Shewanella oneidensis. Predicting
triauxic growth, flux distributions, and energy requirement for growth. Metabolic
Engineering, 2013. 15(1): p. 25-33.
177. Muthuraj, M., B. Palabhanvi, S. Misra, V. Kumar, K. Sivalingavasu, and D. Das, Flux
balance analysis of Chlorella sp. FC2 IITG under photoautotrophic and heterotrophic growth
conditions. Photosynthesis Research, 2013. 118(1-2): p. 167-179.
178. Degenring, D., C. Froemel, G. Dikta, and R. Takors, Sensitivity analysis for the reduction of
complex metabolism models. Journal of Process Control, 2004. 14(7): p. 729-745.
179. Sumner, T., Sensitivity analysis in systems biology modelling and its application to a multi-
scale model of blood glucose homeostasis, 2010, University College London.
180. Marino, S., I.B. Hogue, C.J. Ray, and D.E. Kirschner, A methodology for performing global
uncertainty and sensitivity analysis in systems biology. Journal of Theoretical Biology, 2008.
254(1): p. 178-196.
181. Cho, K.H., S.Y. Shin, W. Kolch, and O. Wolkenhauer, Experimental Design in Systems
Biology, Based on Parameter Sensitivity Analysis Using a Monte Carlo Method: A Case
Study for the TNFα-Mediated NF-κB Signal Transduction Pathway. Simulation, 2003.
79(12): p. 726-739.
182. Ramirez-Vargas, R., A. Ordaz, M. Carrión, I.Y. Hernández-Paniagua, and F. Thalasso,
Comparison of static and dynamic respirometry for the determination of stoichiometric and
kinetic parameters of a nitrifying process. Biodegradation, 2013. 24(5): p. 675-684.
183. Zhang, Y. and A. Rundell, Comparative study of parameter sensitivity analyses of the TCR-
activated Erk-MAPK signalling pathway. IEE Proceedings: Systems Biology, 2006. 153(4):
p. 201-211.
184. Yue, H., M. Brown, F. He, J. Jia, and D.B. Kell, Sensitivity analysis and robust experimental
design of a signal transduction pathway system. International Journal of Chemical Kinetics,
2008. 40(11): p. 730-741.
185. Sumner, T., E. Shephard, and I.D.L. Bogle, A methodology for global-sensitivity analysis of
time-dependent outputs in systems biology modelling. Journal of the Royal Society Interface,
2012. 9(74): p. 2156-2166.
120 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
186. Zhang, X.Y., M.N. Trame, L.J. Lesko, and S. Schmidt, Sobol sensitivity analysis: A tool to
guide the development and evaluation of systems pharmacology models. CPT:
Pharmacometrics and Systems Pharmacology, 2015. 4(2): p. 69-79.
187. Zi, Z., K.H. Cho, M.H. Sung, X. Xia, J. Zheng, and Z. Sun, In silico identification of the key
components and steps in IFN-γ induced JAK-STAT signaling pathway. FEBS Letters, 2005.
579(5): p. 1101-1108.
188. Charzyńska, A., A. Nalȩcz, M. Rybiński, and A. Gambin, Sensitivity analysis of
mathematical models of signaling pathways. Biotechnologia, 2012. 93(3): p. 291-308.
189. Montoya, D., C. Arévalo, S. Gonzales, F. Aristizabal, and W.H. Schwarz, New solvent-
producing Clostridium sp. strains, hydrolyzing a wide range of polysaccharides, are closely
related to Clostridium butyricum. Journal of Industrial Microbiology and Biotechnology,
2001. 27(5): p. 329-335.
190. Montoya, D., L. Perdomo, C. Arévalo, F. Aristizábal, and W.H. Schwarz, Caracterización de
cepas nativas de Clostridium spp por secuenciación parcial del gen ribosomal 16s rARN.
Revista Colombiana de Biotecnología, 1999. 2(1): p. 35-39.
191. Ayure, D.M.Q., Z.R.S. Moreno, F.A.A. Gutierrez, J.M.B. Morales, and D.M. Castaño,
Genome analysis of thirteen Colombian clostridial strains by pulsed field gel electrophoresis.
Electronic Journal of Biotechnology, 2006. 9(5): p. 541-550.
192. Jaimes, C.P., A.A.G. Fabio, M. Bernal M, Z.R. Suárez, and D. Montoya, AFLP
fingerprinting of Colombian Clostridium spp strains, multivariate data analysis and its
taxonomical implications. Journal of Microbiological Methods, 2006. 67(1): p. 64-69.
193. Barragán, C.E., A.J. Gutiérrez-Escobar, and D.M. Castaño, Computational analysis of 1,3-
propanediol operon transcriptional regulators: Insights into Clostridium sp. Glycerol
metabolism regulation. Universitas Scientiarum, 2015. 20(1): p. 129-140.
194. Cárdenas, D.P., C. Pulido, O.L. Aragón, F.A. Aristizábal, Z.R. Suárez, and D. Montoya,
Evaluación de la producción de 1,3-propanodiol por cepas nativas de Clostridium sp.
mediante fermentación a partir de glicerol USP y glicerol industrial subproducto de la
producción de biodiésel. Revista Colombiana De Ciencias Químico Farmacéuticas, 2006.
35(1): p. 120-137.
195. Schellenberger, J., N.E. Lewis, and B.Ø. Palsson, Elimination of thermodynamically
infeasible loops in steady-state metabolic models. Biophysical Journal, 2011. 100(3): p. 544-
553.
196. Mahadevan, R. and C.H. Schilling, The effects of alternate optimal solutions in constraint-
based genome-scale metabolic models. Metabolic Engineering, 2003. 5(4): p. 264-276.
197. GAMS. GAMS Solvers. 2016 May 19, 2016]; Available from:
http://www.gams.com/solvers/index.htm.
198. Burgard, A.P., E.V. Nikolaev, C.H. Schilling, and C.D. Maranas, Flux Coupling Analysis of
Genome-Scale Metabolic Network Reconstructions. Genome Research, 2004. 14(2): p. 301-
312.
199. Junghare, M., S. Subudhi, and B. Lal, Improvement of hydrogen production under decreased
partial pressure by newly isolated alkaline tolerant anaerobe, Clostridium butyricum TM-9A:
Optimization of process parameters. International Journal of Hydrogen Energy, 2012. 37(4):
p. 3160-3168.
200. Calusinska, M., C. Hamilton, P. Monsieurs, G. Mathy, N. Leys, F. Franck, B. Joris, P.
Thonart, S. Hiligsmann, and A. Wilmotte, Genome-wide transcriptional analysis suggests
hydrogenase- and nitrogenase-mediated hydrogen production in Clostridium butyricum
CWBI 1009. Biotechnology for Biofuels, 2015. 8: p. 27.
201. Shlomi, T., O. Berkman, and E. Ruppin, Regulatory on/off minimization of metabolic flux
changes after genetic perturbations. Proceedings of the National Academy of Sciences of the
United States of America, 2005. 102(21): p. 7695-7700.
Bibliografía
121
202. Dabrock, B., H. Bahl, and G. Gottschalk, Parameters affecting solvent production by
Clostridium pasteurianum. Applied and Environmental Microbiology, 1992. 58(4): p. 1233-
1239.
203. Serrano, L.M., Estudio de cuatro cepas nativas de microalgas para evaluar su potencial uso
en la producción de biodiesel, in Maestría en Ingeniería - Ingeniería Química2012,
Universidad Nacional de Colombia, sede Bogotá.
204. Malaoui, H. and R. Marczak, Influence of glucose on glycerol metabolism by wild-type and
mutant strains of Clostridium butyricum E5 grown in chemostat culture. Applied
Microbiology and Biotechnology, 2001. 55(2): p. 226-233.
205. Modupe Kajotoni, M., A comparative study of collocation methods for the numerical solution
of differential equations, 2008, University of KwaZulu-Natal.
206. Cai, G., B. Jin, C. Saint, and P. Monis, Genetic manipulation of butyrate formation pathways
in Clostridium butyricum. Journal of Biotechnology, 2011. 155(3): p. 269-274.
207. BioCyc. Summary of Clostridium butyricum, Strain 60E.3, version 20.0. 2016 May 19,
2016]; Available from: http://biocyc.org/organism-summary?object=GCF_000371625.
208. Dash, S., C.Y. Ng, and C.D. Maranas, Metabolic modeling of clostridia: Current
developments and applications. FEMS Microbiology Letters, 2016. 363(4).
209. KEGG. KEGG PATHWAY Database. 2016 May 19, 2016]; Available from:
http://www.genome.jp/kegg/pathway.html.
210. Ladygina, N., E.G. Dedyukhina, and M.B. Vainshtein, A review on microbial synthesis of
hydrocarbons. Process Biochemistry, 2006. 41(5): p. 1001-1014.
211. Weinmaier, T., A. Platzer, J. Frank, H.-J. Hellinger, P. Tischler, and T. Rattei, ConsPred: a
rule-based (re-)annotation framework for prokaryotic genomes. Bioinformatics, 2016.
212. Raynaud, C., P. Sarçabal, I. Meynial-Salles, C. Croux, and P. Soucaille, Molecular
characterization of the 1,3-propanediol (1,3-PD) operon of Clostridium butyricum.
Proceedings of the National Academy of Sciences of the United States of America, 2003.
100(9): p. 5010-5015.
213. Quilaguy-Ayure, D.M., J.D. Montoya-Solano, Z.R. Suárez-Moreno, J.M. Bernal-Morales,
and D. Montoya-Castaño, Analysing the dhaT gene in Colombian Clostridium sp.
(Clostridia) 1,3-propanediol-producing strains. Universitas. SCIENTIARUM, 2010. 15(1): p.
17-26.
214. Von Stockar, U., T. Maskow, J. Liu, I.W. Marison, and R. Patiño, Thermodynamics of
microbial growth and metabolism: An analysis of the current situation. Journal of
Biotechnology, 2006. 121(4): p. 517-533.
215. Nielsen, J., J. Villadsen, and L. G., Bioreaction Engineering Principles2003, New York:
Kluwer Academic / Plenum Publishers. 554.
216. Németh, Á. and B. Sevella, Development of a new bioprocess for production of 1,3-
propanediol I.: Modeling of glycerol bioconversion to 1,3-propanediol with Klebsiella
pneumoniae enzymes. Applied Biochemistry and Biotechnology, 2008. 144(1): p. 47-58.
217. Reid, S.J., M.S. Rafudeen, and N.G. Leat, The genes controlling sucrose utilization in
Clostridium beijerinckii NCIMB 8052 constitute an operon. Microbiology, 1999. 145(6): p.
1461-1472.
218. Feng, X.-M., L.-J. Cao, R.D. Adam, X.-C. Zhang, and S.-Q. Lu, The catalyzing role of PPDK
in Giardia lamblia. Biochemical and Biophysical Research Communications, 2008. 367(2): p.
394-398.
219. Wood, H.G., W.E. O'Brien, and G. Michaels, Properties of carboxytransphosphorylase;
pyruvate, phosphate dikinase; pyrophosphate-phosphofructikinase and pyrophosphate-acetate
kinase and their roles in the metabolism of inorganic pyrophosphate. Advances in enzymology
and related areas of molecular biology, 1977. 45: p. 85-155.
122 Análisis de balance de flujo dinámico de la producción de 1,3-propanodiol a partir de
Clostridium sp
220. Vinitsky, A. and C. Grubmeyer, A new paradigm for biochemical energy coupling.
Salmonella typhimurium nicotinate phosphoribosyltransferase. Journal of Biological
Chemistry, 1993. 268(34): p. 26004-26010.
221. Al-Hinai, M.A., S.W. Jones, and E.T. Papoutsakis, The Clostridium sporulation programs:
Diversity and preservation of endospore differentiation. Microbiology and Molecular Biology
Reviews, 2015. 79(1): p. 19-37.
222. Brzywczy, J., R. Natorff, M. Sieńko, and A. Paszewski, Multiple fungal enzymes possess
cysteine synthase activity in vitro. Research in Microbiology, 2007. 158(5): p. 428-436.
223. Covert, M.W., C.H. Schilling, and B. Palsson, Regulation of Gene Expression in Flux
Balance Models of Metabolism. Journal of Theoretical Biology, 2001. 213(1): p. 73-88.
224. Watson, E., L.S. Yilmaz, and A.J.M. Walhout, Understanding Metabolic Regulation at a
Systems Level: Metabolite Sensing, Mathematical Predictions, and Model Organisms, in
Annual Review of Genetics2015. p. 553-575.
225. Jurgenson, C.T., T.P. Begley, and S.E. Ealick, The structural and biochemical foundations of
thiamin biosynthesis, in Annual Review of Biochemistry2009. p. 569-603.
226. Jenkins, A.H., G. Schyns, S. Potot, G. Sun, and T.P. Begley, A new thiamin salvage pathway.
Nature Chemical Biology, 2007. 3(8): p. 492-497.
227. Mootz, H.D., R. Finking, and M.A. Marahiel, 4′-Phosphopantetheine Transfer in Primary and
Secondary Metabolism of Bacillus subtilis. Journal of Biological Chemistry, 2001. 276(40):
p. 37289-37298.
228. Solsvik, J. and H.A. Jakobsen, Effects of Jacobi polynomials on the numerical solution of the
pellet equation using the orthogonal collocation, Galerkin, tau and least squares methods.
Computers and Chemical Engineering, 2012. 39: p. 1-21.
229. Solsvik, J. and H. Jakobsen, Solution of the pellet equation by use of the orthogonal
collocation and least squares methods: Effects of different orthogonal Jacobi polynomials.
International Journal of Chemical Reactor Engineering, 2012. 10(1).
230. Kleessen, S., W.L. Araújo, A.R. Fernie, and Z. Nikoloski, Model-based confirmation of
alternative substrates of mitochondrial electron transport chain. Journal of Biological
Chemistry, 2012. 287(14): p. 11122-11131.
231. Sharifian, M. and M.A. Fanaei, Dynamic Simulation and Control of a Continuous Bioreactor
Based on Cell Population Balance Model. Iranian Journal of Chemistry and Chemical
Engineering, 2009. 28(2): p. 15-27.
232. Oshiro, M., H. Shinto, Y. Tashiro, N. Miwa, T. Sekiguchi, M. Okamoto, A. Ishizaki, and K.
Sonomoto, Kinetic modeling and sensitivity analysis of xylose metabolism in Lactococcus
lactis IO-1. Journal of Bioscience and Bioengineering, 2009. 108(5): p. 376-384.
233. Delvigne, F., J. Baert, S. Gofflot, A. Lejeune, S. Telek, T. Johanson, and A.E. Lantz,
Dynamic single-cell analysis of Saccharomyces cerevisiae under process perturbation:
Comparison of different methods for monitoring the intensity of population heterogeneity.
Journal of Chemical Technology and Biotechnology, 2015. 90(2): p. 314-323.
234. Danø, S., F. Hynne, S. De Monte, F. D'Ovidio, P.G. Sørensen, and H. Westerhoff,
Synchronization of glycolytic oscillations in a yeast cell population. Faraday Discussions,
2001. 120: p. 261-276.
235. Folsom, J.P. and R.P. Carlson, Physiological, biomass elemental composition and proteomic
analyses of Escherichia coli ammoniumlimited chemostat growth, and comparison with iron-
and glucose-limited chemostat growth. Microbiology (United Kingdom), 2015. 161(8): p.
1659-1670.
236. Mönier, L., A. Bock, and U. Reichl, Segregated mathematical model for growth of
anchorage-dependent MDCK cells in microcarrier culture. Biotechnology Progress, 2008.
24(1): p. 110-119.
Bibliografía
123
237. Chatzifragkou, A., G. Aggelis, C. Gardeli, M. Galiotou-Panayotou, M. Komaitis, and S.
Papanikolaou, Adaptation dynamics of Clostridium butyricum in high 1,3-propanediol
content media. Applied Microbiology and Biotechnology, 2012. 95(6): p. 1541-1552.
238. Burgard, A.P., P. Pharkya, and C.D. Maranas, OptKnock: A Bilevel Programming
Framework for Identifying Gene Knockout Strategies for Microbial Strain Optimization.
Biotechnology and Bioengineering, 2003. 84(6): p. 647-657.
239. Heap, J.T., O.J. Pennington, S.T. Cartman, G.P. Carter, and N.P. Minton, The ClosTron: A
universal gene knock-out system for the genus Clostridium. Journal of Microbiological
Methods, 2007. 70(3): p. 452-464.
240. Marín Torres, D., Evaluación del efecto de la sobreexpresión de los genes groES y groEL en
la tolerancia de Clostridium sp. IBUN 158B a 1,3-propanodiol 2016, Universidad Nacional
de Colombia.
241. Colin, T., A. Bories, and G. Moulin, Inhibition of Clostridium butyricum by 1,3-propanediol
and diols during glycerol fermentation. Applied Microbiology and Biotechnology, 2000.
54(2): p. 201-205.
242. Nakamura, C.E. and G.M. Whited, Metabolic engineering for the microbial production of
1,3-propanediol. Current Opinion in Biotechnology, 2003. 14(5): p. 454-459.
243. Tang, W.L. and H. Zhao, Industrial biotechnology: Tools and applications. Biotechnology
Journal, 2009. 4(12): p. 1725-1739.
244. Celińska, E., Fully glycerol-independent microbial production of 1, 3-propanediol via non-
natural pathway: Paving the way to success with synthetic tiles. Biotechnology Journal,
2015. 10(2): p. 242-243.
245. Yu, Y., M. Tangney, H.C. Aass, and W.J. Mitchell, Analysis of the mechanism and
regulation of lactose transport and metabolism in Clostridium acetobutylicum ATCC 824.
Applied and Environmental Microbiology, 2007. 73(6): p. 1842-1850.
246. Grimmler, C., C. Held, W. Liebl, and A. Ehrenreich, Transcriptional analysis of catabolite
repression in Clostridium acetobutylicum growing on mixtures of d-glucose and d-xylose.
Journal of Biotechnology, 2010. 150(3): p. 315-323.
247. Zhang, J., W. Zhu, H. Xu, Y. Li, D. Hua, F. Jin, M. Gao, and X. Zhang, Simultaneous
glucose and xylose uptake by an acetone/butanol/ethanol producing laboratory Clostridium
beijerinckii strain SE-2. Biotechnology Letters, 2016. 38(4): p. 611-617.
248. Zhuang, K.H. and M.J. Herrgård, Multi-scale exploration of the technical, economic, and
environmental dimensions of bio-based chemical production. Metabolic Engineering, 2015.
31: p. 1-12.
249. Wang, L., E. Feng, and Z. Xiu, Modeling nonlinear stochastic kinetic system and stochastic
optimal control of microbial bioconversion process in batch culture. Nonlinear Analysis:
Modelling and Control, 2013. 18(1): p. 99-111.
250. Ye, J., E. Feng, H. Yin, and Z. Xiu, Modelling and well-posedness of a nonlinear hybrid
system in fed-batch production of 1,3-propanediol with open loop glycerol input and pH
logic control. Nonlinear Analysis: Real World Applications, 2011. 12(1): p. 364-376.