A otimização é um método utilizado para implementar a performance de sistemas e aumentar o rendimento destes sem o aumento dos custos (BAS e BOYACI, 2007). Uma aplicação completa da técnica de planejamento experimental inclui a seleção de variáveis seguida da otimização através de metodologia de superfície de resposta. Esta técnica permite a avaliação dos efeitos de uma série de variáveis sobre uma determinada resposta, ao mesmo tempo, além de permitir a observação das interações (efeito sinergético ou antagônico) entre as mesmas (COCKSHOTT e SULLIVAN, 2001; NETO et al., 2001; RODRIGUES e IEMMA, 2005).
A metodologia de superfície de resposta (Response Surface Methodology – RSM) consiste em uma técnica matemática e estatística usada no desenvolvimento, implementação e otimização de processos onde a resposta de interesse é influenciada por inúmeras variáveis e o objetivo é a otimização desta resposta. Apresenta importância na formulação de novos produtos, bem como na melhoria dos produtos já existentes e pode ser utilizada para definir a relação entre a resposta e as variáveis independentes. A RSM define o efeito independente de variáveis, sozinhas ou em combinação, sobre o processo, além de possibilitar a geração de um modelo matemático que descreve o processo. A perspectiva gráfica da técnica recebe o nome de superfície de resposta (BAS e BOYACI, 2007).
Geralmente a otimização de um processo depende de uma estratégia seqüencial de planejamentos experimentais, onde o número de planejamentos necessários depende do número de variáveis independentes a serem estudadas inicialmente. No caso de duas ou três variáveis independentes ou fatores, deve-se usar o delineamento fatorial completo e, na seqüência da otimização, o delineamento composto central rotacional (DCCR), também conhecido como metodologia de superfície de resposta. Para o estudo de quatro ou mais variáveis, deve-se utilizar planejamentos fracionários ou planejamentos tipo Plackett-Burman para uma investigação inicial em relação aos efeitos das variáveis estudadas sobre as respostas desejadas. Para se obter a otimização, será necessário outro planejamento com duas ou três variáveis, dependendo do resultado do planejamento fracionário. O uso de um planejamento composto central sem a realização
prévia de um planejamento fracionado, no caso de muitas variáveis, resultaria em um número muito grande de ensaios sem a garantia da otimização direta. O planejamento fracionário permite a exploração das variáveis previamente à otimização. Segundo RODRIGUES e IEMMA (2005), as etapas que devem ser seguidas objetivando a otimização de um processo são:
a) Definir claramente os objetivos a serem alcançados com os experimentos, verificando as restrições do processo e definindo as variáveis independentes e dependentes do estudo;
b) Elaborar procedimento experimental levando em consideração todas as variáveis independentes. Em caso da existência de muitas variáveis, analisar os efeitos principais destas através de um planejamento fracionário ou Plackett Burman. Nesta etapa, o nível de significância fixa poderá ser de 10%. Realizar outro planejamento, seqüencialmente, reduzindo o número de variáveis e alterando as faixas de estudo em função do impacto que elas tiveram sobre as respostas. Ao fim, realizar um planejamento do tipo composto central para elaborar o modelo preditivo;
c) Realizar a ANOVA para verificar a qualidade e ajuste do modelo. Calcular as respostas através do modelo ajustado e os desvios entre a resposta experimental e a estimada pelo modelo;
d) Gerar as superfícies de resposta e curvas de contorno para análise e definir as faixas ótimas operacionais de cada variável do processo;
e) Validação experimental dos resultados realizando ensaios nas condições otimizadas antes de colocar o processo em escala industrial.
O uso de planejamentos experimentais estatísticos na otimização de processos fermentativos e meios de cultivo tem sido bem documentado. Há uma abundância de aplicações e estudos de caso na literatura. Kalil et al. (2000) estudaram a otimização do rendimento e produtividade de uma fermentação alcoólica contínua. Primeiramente, um Plackett-Burman de 20 ensaios foi utilizado para a seleção de variáveis significativas no processo, tendo sido avaliadas 10 variáveis. Destas, cinco apresentaram significância estatística sobre o processo e foram estudadas, em uma segunda etapa, a partir de um Delineamento Composto Central Rotacional (DCCR), sendo 32 ensaios referentes ao planejamento fatorial completo (25), 10 ensaios referentes à adição dos pontos axiais e 1
ensaio no ponto central (somente um ponto central foi adicionado visto ser um trabalho de simulação).
Souza et al. (2006) realizaram a otimização da composição de um meio de cultivo para a produção de transglutaminase de Bacillus circulans BL32. Sete componentes do meio de cultivo foram testados em duas concentrações através um Plackett-Burman de 12 ensaios. Dos sete componentes estudados, apenas dois apresentaram-se como significativos (p≤0,05) sobre a produção de transglutaminase. Em uma segunda etapa, a concentração destes componentes foi estudada através de um DCCR de duas variáveis, num total de 12 ensaios.
Dutta et al. (2004) utilizaram a metodologia de superfície de resposta associada à técnica de redes neurais para a otimização da produção de proteases extracelulares por
Pseudomonas sp., sendo estudados os fatores pH, temperatura e volume inicial de
inóculo. Utilizando a metodologia de superfície de resposta, a relação entre as variáveis é expressa matematicamente na forma de um polinômio de segunda ordem da resposta em função dos fatores experimentais. A técnica de redes neurais foi aplicada para fornecer um mapeamento não linear entre os dados de entrada (fatores) e a resposta (protease), sendo aplicada aos mesmos dados usados na RSM. As redes neurais são técnicas de modelagem superiores à metodologia de superfície de resposta, pois representa a não linearidade de forma melhor. Todavia, os gráficos de superfície de resposta proporcionam um bom caminho na visualização da interação dos parâmetros sobre a resposta.
Li et al. (2008) aplicaram as técnicas de planejamento experimental para otimizar a produção de fitase por uma levedura isolada de ambiente marinho. Através de um Plackett-Burman de 12 ensaios foram selecionadas três variáveis importantes em relação a composição do meio e condições de cultivo, as quais foram submetidas a otimização através de um DCCR.
O uso de estratégias seqüências de planejamento experimental visando a otimização da produção de trealose não tem sido reportado na literatura científica. Considerando que o uso desta ferramenta tem se apresentado como eficaz e indispensável para o desenvolvimento de processos e produtos, e que as técnicas de tentativa e erro tem sido consideradas ultrapassadas, justifica-se a natureza do presente estudo. A otimização de processos de fermentação em meios de cultivo de custo reduzido surge, portanto, como uma importante alternativa para a redução dos custos de produção da trealose.
• 221 cepas isoladas de materiais coletados em biomas brasileiros
• Determinação do gênero e espécie por sequenciamento da região ITS (internal transcribed spacer) do rDNA
• Variáveis estudadas no planejamento fracionário (5): Concentrações de melaço, água de maceração de milho e extrato de levedura Prodex Lac® , pH e Temperatura.
• Variáveis estudadas no DCCR (2):
Concentração de melaço e concentração de água de maceração de milho
• Variáveis estudadas no DCCR (2): temperatura e tempo de exposição ao estresse térmico
• 2 DCCR (s) consecutivos
• Variáveis estudadas no planejamento fracionário (5): Concentrações de melaço, água de maceração de Milho e extrato de levedura Prodex Lac® , pH e Temperatura.
• Variáveis estudadas no DCCR (2):
Concentração de melaço e concentração de água de maceração de milho
• Variáveis estudadas no DCCR (2): temperatura e tempo de exposição ao estresse térmico