Determinación del rendimiento de la levadura Saccharomyces cerevisiae bajo diferentes condiciones de crecimiento

Erika Barrantes Murillo, Bryan Campos Chaves, Valeria Duránn Montero, Valeria Laurent Chaves, Alonso Segura Valverde.

Resumen

La levadura Saccharomyces cerevisiae posee grandes beneficios para la industria y la investigación; su gran capacidad fermentativa la obtiene de un medio rico en azúcares y una temperatura y un grado de acidez óptimo para su adecuado crecimiento. En el presente trabajo, se realizó un estudio sobre el rendimiento de este microorganismo bajo diferentes condiciones como el pH y temperatura. Para ello se prepararon dos sistemas de fermentación con dos tratamientos de crecimiento distintos, el primero básico y ácido en temperatura fría y el otro básico y ácido pero a temperatura ambiente. Al final del proceso de fermentación se cuantificó el porcentaje de etanol producido y glucosa consumida, y además se realizó una comparación del pH inicial y final. Como resultado, se identificó que la levadura produce mayor porcentaje de etanol a temperatura ambiente, por lo cual consume más glucosa y además se logró determinar que para que la S. cerevisiae tenga un mayor rendimiento de crecimiento necesita de un medio ligeramente ácido.
Palabras clave: Saccharomyces cerevisiae, fermentación, glucosa, etanol, pH.

Introducción

La Saccharomyces cerevisiae, es una levadura que constituye un grupo de microorganismos asociado al progreso y bienestar de la humanidad. Su nombre procede de la palabra Saccharo, la cual significa azúcar, myces es hongo y por último cerevisiae que denota cerveza (Suárez, 2017). Las ventajas que posee como su facilidad de cultivo y la velocidad a la que realiza la división celular, han permitido que este microorganismo sea de gran importancia desde el punto de vista científico e industrial. Este es usado actualmente en la industria para la fabricación de pan, vino y cerveza gracias al proceso de fermentación, en el cual se genera dióxido de carbono y etanol. Este proceso se lleva a cabo cuando la levadura se encuentra en un medio rico en azúcares, ya que esta requiere de compuestos orgánicos como fuente de energíaa. Con respecto a lo anterior, para que la levadura tenga el mejor rendimiento posible de etanol necesita de un medio óptimo para poder crecer y se deben tomar en cuenta diversos factores. Primero, se debe usar un cultivo de levadura que presente características especiales que pueda soportar diferentes condiciones como cambios en la acidez y la existencia de alcohol (Campbell, 2007). Además, se debe tomar en consideración que temperaturas muy bajas provocan un estado de latencia en la célula, deteniendo su desarrollo, por lo que la temperatura óptima de crecimiento de la célula es de 25 ºC y las temperaturas menores a 13 ºC pueden llegar a frenar el proceso de fermentación o que este se realice de forma más lenta. (Rubén, 2015). Es importante llevar un control con respecto al pH durante la fermentación, ya que la levadura sólo crece en entornos ligeramente ácidos, para poder contar con un mejor empeño de S. cerevisiae, esta debe de encontrarse en un pH óptimo el cual iría de 4 a 5 (Peña y Arango, 2008). Al soportar medios ácidos ayuda a mantener el entorno controlado de bacterias que producen ácido láctico, las cuales pueden llegar a restar la cantidad de alcohol. Por último, el alcohol es otro factor que puede llegar a afectar el proceso de fermentación si este se produce en gran cantidad, por lo que se debe diluir la mezcla de forma que no exista una alta concentración de etanol y la célula muera. A partir de lo anterior, se realizó un estudio sobre cómo diversos factores como el pH y la temperatura tienen cierta influencia en el crecimiento de la levadura Saccharomyces cerevisiae, para que de esta forma se pueda cuantificar el nivel de etanol y glucosa consumido bajo los distintos medios.

Objetivo General

  1. Analizar el rendimiento de la levadura Saccharomyces cerevisiae bajo diversos factores.

Objetivos Específicos

  1. Determinar el nivel de etanol producido y glucosa consumido por la levadura bajo diferentes niveles de PH (ácido y básico) y a diferentes temperaturas (ambiente y fría).
  2. Establecer las diferencias entre los tipos de cultivos y analizar su influencia sobre las variables a medir.

Materiales y métodos

A. Preparación de los sistemas de fermentación:

Para la realización de este proyecto, se tomaron 4 botellas de plástico de 600 mililitros (mL) a las cuales se les agregó 300 mL de agua destilada, 2 gramos (g) de Saccharomyces cerevisiae, y 45 g de azúcar comercial. A cada botella se le aplicó un tratamiento diferente basado en pH y temperatura, a 2 de ellas se les agregó ácido Clorhírico concentrado (HCL conc) hasta obtener un pH entre 2 y 3 y una de ellas se sometió a una temperatura ambiente y la otra a frío, a las botellas restantes se les añadió escamas de Hidróxido de Sodio (NaOH) llegando a tener un pH entre 9 y 11 y se repitió el procedimiento antes mencionado realizado con las botellas ácidas. Se replicó 6 veces cada tratamiento y se obtuvo en total 28 sistemas de fermentación, catorce en condiciones ácidas y catorce en condiciones básicas, por lo que al final se contaron con 4 tratamientos, los cuales son AA=ácido Ambiente, AF= ácido Frío, BA= Básico Ambiente, BF= Básico Frío. Por otro lado, las botellas se sellaron y se les hizo un agujero en la tapa por donde se introdujo el extremo de una manguera, el cual no tocó la disolución, el otro extremo de la manguera se dirigió hacia un recipiente con agua para fomentar la salida de dióxido de carbono (CO2). Con los sistemas de fermentación listos se midió el pH inicial de cada uno, luego 14 de ellos se colocaron en una temperatura fría en un rango de 3 a 4.4ºC en una refrigeradora en el Laboratorio de Biotecnología con Microalgas de la Escuela de Biología y los restantes se colocaron a temperatura ambiente en el laboratorio LAFIT en la Escuela de Química. En estas condiciones los 28 sistemas se dejaron fermentando por una semana.

B. Cuantificación de las variables:

Porcentaje de Etanol (v/v): Se destilaron las muestras con un sistema de destilación simple y se utilizó un refractómetro para medir el índice de refracción del etanol destilado y utilizando gráficas, se determinó el grado de alcohol de la mezcla obtenida. pH: Se utilizó una interfase y pH-metro para determinar el pH de las muestras iniciales y finales para luego ser comparadas. Glucosa (µg/mL): Se utilizó el método Fenol-Sulfúrico y un espectrofotómetro para determinar la cantidad de glucosa en las muestras.

C. Análisis Estadístico:

Se utilizó el análisis de varianza ANDEVA para probar la hipótesis de la diferencia de las medias de los 4 tratamientos, para las variables medidas de glucosa (µg/mL), porcentaje de alcohol (v/v) y pH. Se revisó la normalidad de los datos con la prueba Shapiro y la homocedasticidad con la prueba Barlett para escoger si usar un ANDEVA paramétrico o no paramétrico con la prueba de Fisher o Kruskal-Wallis respectivamente, se hicieron pruebas posteriori dependiendo de los resultados de normalidad y homocedasticidad, siendo la prueba TukeyHSD para el ANDEVA de Fisher y Wilcoxon con método de Bonferroni para el ANDEVA de Kruskal-Wallis. Además, se utilizó el método de regresión lineal y múltiple, para así poder obtener el mejor modelo de trabajo, primeramente se realizó shapiro.test para comprobar la normalidad de las variables, y de esta manera se pudo determinar el método de correlación a usar, si “Spearman” o “Pearson”, seguidamente se trabajó con cor.test para obtener el valor de correlación y se identificó cuales se relacionan mejor entre sí con respecto al tratamiento. Posterior a eso, se usó el modelo de regresión lineal entre dos variables (pH-Azúcar) para los tratamientos iniciales y con respecto a las regresiones finales se utilizó un modelo de regresión múltiple entre tres variables( pH-Azúcar-Etanol) con tratamientos finales.

Resultados

  • ANDEVA

Se desarrollaron pruebas de ANDEVA al inicio para corroborar que todas las medias de los datos iniciales fueran homogéneas y posteriormente se volvió a realizar ANDEVA pero a las mediciones finales de cada tratamiento para observar los cambios. Cabe destacar que se desarrolló la prueba ANOVA en los tratamientos iniciales de etanol para corroborar que este último no estuviera presente y se obtuvo que todos los valores de etanol resultaron ser cero como se esperaba. (Figura 5.) Por otro lado, tanto en las ANDEVAS paramétricas como no paramétricas, todas las muestras resultaron balanceadas con un “n” igual a 7 en todos los tratamientos y se obtuvo resultados normales al aplicar la prueba de Shapiro a los residuos de las pruebas y la homocedasticidad se realizó con la prueba Barlett, la mayoría de estas variables son homocedásticos, la única que resulta ser heterocedástica es la variable del pH, tanto inicial como final, por lo que a este ensayo se le aplicó la ANDEVA no paramétrica, la cual consiste en aplicar la prueba Kruskal-Wallis para seguidamente aplicar la prueba posteriori que consta de Wilcoxon con método de Bonferroni. Con las variables que resultaron ser homocedásticas se usó la prueba de Fisher con su prueba posteriori que sería TukeyHSD. Al aplicar las pruebas posteriori se muestran cuáles datos son significativos o no significativos entre ellos como se observa en el siguiente cuadro.

Cuadro 1. Comparación entre tratamientos según la cantidad inicial de glucosa. (AA=Ácido Ambiente, AF= Ácido Frío, BA= Básico Ambiente, BF= Básico Frío).

Por otro lado, para obtener una comparación más visual, se realizaron gráficas tipo diagramas de cajas y bigotes, tanto en las variables iniciales como finales para asegurarse de que todas cumplían con lo establecido, para luego poder compararlas entre sí y observar el cambio que tuvo el proceso de fermentación después de una semana. Los diagramas mencionados se observan a continuación.


library(readxl)
Glucosa <- read_excel("C:/Users/Lenovo/Desktop/Glucosa.xls", 
    col_types = c("text", "numeric", "numeric"))
View(Glucosa)

Anova inicial

boxplot(Azucar$Glucosa_inicial~Azucar$Categorica, main = " Glucosa Inicial", xlab = "Tratamiento", ylab = "Cantidad Inicial µg/ml", col = "pink")

annovainicial<- aov(Azucar$Glucosa_inicial~Azucar$Categorica)
summary(annovainicial) 
shapiro.test(annovainicial$residuals) 

bartlett.test(Azucar$Glucosa_inicial~Azucar$Categorica) 

anova<- aov(Azucar$Glucosa_inicial~Azucar$Categorica)
anova
summary(anova)

TukeyHSD(anova)

Anova final

boxplot(Azucar$Glucosa_final~Azucar$Categorica, main= "Glucosa Finales", xlab = "Tratamiento", ylab = "Cantidad Final µg/ml", col =" purple")

annovafinal<- aov(Azucar$Glucosa_final~Azucar$Categorica)
summary(annovafinal)
shapiro.test(annovafinal$residuals) 

bartlett.test(Azucar$Glucosa_final~Azucar$Categorica)

anova<- aov(Azucar$Glucosa_final~Azucar$Categorica)
anova
summary(anova)

TukeyHSD(anova)

Figura 1. Comparación entre tratamientos según la cantidad inicial de glucosa. (AA=Ácido Ambiente, AF= Ácido Frío, BA= Básico Ambiente, BF= Básico Frío)



Figura 2. Comparación entre tratamientos según la cantidad final de glucosa. (AA=Ácido Ambiente, AF= Ácido Frío, BA= Básico Ambiente, BF= Básico Frío)


library(readxl)
Tabla_pH <- read_excel("C:/Users/Lenovo/Desktop/Tabla pH.xls", 
    col_types = c("text", "numeric", "numeric"))

View(Tabla_pH)
pH inicial
boxplot(Tabla_pH$pH_inicial~Tabla_pH$Categorica, main = "pH Inicial", xlab = "Tratamiento", ylab = "Cantidad Inicial PH", col = "red"))

annovainicialpH<- aov(Tabla_pH$pH_inicial~Tabla_pH$Categorica)
summary(annovainicialpH) 
shapiro.test(annovainicialpH$residuals) 

bartlett.test(Tabla_pH$pH_inicial~Tabla_pH$Categorica)

anova<-kruskal.test(Tabla_pH$pH_inicial~Tabla_pH$Categorica) 
anova

pairwise.wilcox.test(Tabla_pH$pH_inicial,Tabla_pH$Categorica, p.adjust.method = "b", exact= F) 


pH final

boxplot(Tabla_pH$pH_final~Tabla_pH$Categorica, main = "pH Final", xlab = " Tratamiento", ylab = "Cantidad Final pH", col = "blue")

annovafinalpH<- aov(Tabla_pH$pH_final~Tabla_pH$Categorica)
summary(annovafinalpH) 
shapiro.test(annovafinalpH$residuals) 

bartlett.test(Tabla_pH$pH_final~Tabla_pH$Categorica)  

anova<-kruskal.test(Tabla_pH$pH_final~Tabla_pH$Categorica) 
anova

pairwise.wilcox.test(Tabla_pH$pH_final,Tabla_pH$Categorica, p.adjust.method = "b", exact= )


Figura 3. Comparación entre tratamientos según la cantidad inicial de pH. (AA=Ácido Ambiente, AF= Ácido Frío, BA= Básico Ambiente, BF= Básico Frío)


Figura 4. Comparación entre tratamientos según la cantidad final de pH. (AA=Ácido Ambiente, AF= Ácido Frío, BA= Básico Ambiente, BF= Básico Frío)


Etanol

library(readxl)
Etanol <- read_excel("C:/Users/Lenovo/Desktop/Etanol.xls", 
    col_types = c("text", "numeric"))
View(Etanol)

Boxplot inicial
boxplot(etanol$etanol_final~etanol$Categorica, main ="Porcentaje inicial de etanol (v/v)",xlab = "Tratamiento", ylab = "Cantidad Final % (v/v)", col = "yellow")

Boxplot final
boxplot(Etanol$Etanol~Etanol$Categorica, main ="Porcentaje inicial de etanol (v/v)", xlab = "Tratamiento", ylab = "Cantidad Inicial % (v/v)", col = "green"))


annovaetanol<- aov(Etanol$Etanol~Etanol$Categorica)
summary(annovaetanol) 
shapiro.test(annovaetanol$residuals) #p-value = 0.5499

bartlett.test(Etanol$Etanol~Etanol$Categorica) #p-value = 0.2585

anova<- aov(Etanol$Etanol~Etanol$Categorica)
anova
summary(anova)

TukeyHSD(anova)


Figura 5. Comparación entre tratamientos según la cantidad inicial de etanol. (AA=Ácido Ambiente, AF= Ácido Frío, BA= Básico Ambiente, BF= Básico Frío)


Figura 6. Comparación entre tratamientos según la cantidad final de etanol. (AA=Ácido Ambiente, AF= Ácido Frío, BA= Básico Ambiente, BF= Básico Frío)



Regresiones Lineales

Se trabajó con el método de regresiones lineales después de haber aplicado las correlaciones, en este se pudo obtener los grados de libertad, valores de p-value del pH y de la glucosa, así mismo el p-value total, todo esto dependiendo del tratamiento aplicado inicialmente, ya que con los finales se añade la variable de etanol y se realizan regresiones múltiples. Se pudo rescatar que el mejor modelo fue el tratamiento inicial ácido frío en el que las dos variables fueron significativas y con un p-value total de 0.004615.

  • Inicial ácido frío

En este primer tratamiento inicial si se pudo realizar una regresión con las variables de pH y Glucosa. Se hizo realizó una regresión lineal en la cual se notó que fue positiva, pero no significativa, como queda evidenciada en la figura 7, con una cantidad de grados de libertad de 5.

IacidoF

library(readxl)
IacidoF <- read_excel("C:/Users/Lenovo/Desktop/IacidoF.xls", 
                      col_types = c("text", "numeric", "numeric"))
View(IacidoF)


shapiro.test(IacidoF$pH) 

shapiro.test(IacidoF$Glucosa)  

cor.test(IacidoF$pH,IacidoF$Glucosa, method = "spearman")

reg<-lm(IacidoF$pH~IacidoF$Glucosa)
summary(reg)

library(ggplot2)
ggplot(IacidoF, aes(x=pH, y=Glucosa)) +
    ggtitle ("Tratamiento Inicial Acido Ambiente") +
    theme (plot.title = element_text(family="Comic Sans MS",
                                     size=rel(1), #Tamaño relativo de la letra del título 
                                     vjust=2, #Justificación vertical, para separarlo del gráfico
                                     face="bold", #Letra negrilla. Otras posibilidades "plain", "italic", "bold" y "bold.italic"
                                     color="black", #Color del texto
                                     lineheight=1.5)) + #Separación entre líneas
    geom_point(shape=1) +   
    geom_smooth(method=lm)


Figura 7. Regresión lineal del tratamiento inicial ácido frío, del % pH con respecto a la cantidad de glucosa.



+ Inicial básico frío

Lo sucedido en este caso fue que los valores de todas las variables fue mayor a 0.05 por ende no se pudo aplicar regresiones del tratamiento final básico frío.Fue hecha una regresión lineal la cual dio negativa y no significativa y con una cantidad de grados de libertad de 5 como se evidencia en la figura 8.

IbasicoF

library(readxl)
IbasicoF <- read_excel("C:/Users/Lenovo/Desktop/IbasicoF.xls", 
                       col_types = c("text", "numeric", "numeric"))
View(IbasicoF)


shapiro.test(IbasicoF$pH) 

shapiro.test(IbasicoF$Glucosa)  

cor.test(IbasicoF$pH,IbasicoF$Glucosa, method = "pearson")

reg<-lm(IbasicoF$pH~IbasicoF$Glucosa)
summary(reg)


library(ggplot2)
ggplot(IbasicoF, aes(x=pH, y=Glucosa)) +
    ggtitle ("Tratamiento Inicial Basico Frio") +
    theme (plot.title = element_text(family="Comic Sans MS",
                                     size=rel(1), #Tamaño relativo de la letra del título 
                                     vjust=2, #Justificación vertical, para separarlo del gráfico
                                     face="bold", #Letra negrilla. Otras posibilidades "plain", "italic", "bold" y "bold.italic"
                                     color="black", #Color del texto
                                     lineheight=1.5)) + #Separación entre líneas
    geom_point(shape=1) +   
    geom_smooth(method=lm)


Figura 8. Regresión lineal del tratamiento inicial básico frío, del % pH con respecto a la cantidad de azúcar glucosa.



+ Inicial ácido ambiente

En esta regresión se pudo notar que las variables de glucosa y de pH no es un valor menor a 0.05.Se realizo una regrecion lineal en la que los resultados dieron no significativos con una pendiente positiva, de igual forma con 5 grados de libertad como se ve en la figura 9.

IacidoA

library(readxl)
IacidoA <- read_excel("C:/Users/Lenovo/Desktop/IacidoA.xls", 
                      col_types = c("text", "numeric", "numeric"))
View(IacidoA)


shapiro.test(IacidoA$pH) 

shapiro.test(IacidoA$Glucosa)  

cor.test(IacidoA$pH,IacidoA$Glucosa, method = "spearman")


reg<-lm(IacidoA$pH~IacidoA$Glucosa)
summary(reg)

library(ggplot2)
ggplot(IacidoA, aes(x=pH, y=Glucosa)) +
    ggtitle ("Tratamiento Inicial Acido Ambiente") +
    theme (plot.title = element_text(family="Comic Sans MS",
                                     size=rel(1), #Tamaño relativo de la letra del título 
                                     vjust=2, #Justificación vertical, para separarlo del gráfico
                                     face="bold", #Letra negrilla. Otras posibilidades "plain", "italic", "bold" y "bold.italic"
                                     color="black", #Color del texto
                                     lineheight=1.5)) + #Separación entre líneas
    geom_point(shape=1) +   
    geom_smooth(method=lm)


Figura 9. Regresión lineal del tratamiento inicial ácido ambiente, de % pH con respecto a la cantidad de azúcar Glucosa.



  • Inicial básico ambiente

En este último tratamiento se pudo resaltar que las dos variables obtuvieron resultados mayores a 0.05. En este caso también realizamos una regresión lineal para evidenciar este resultado como se ve en la figura 10 donde la pendiente fue positiva y tuvo datos no significativos, con 5 grados de libertad.

lbasicoA

library(readxl)
IbasicoA <- read_excel("C:/Users/Lenovo/Desktop/IbasicoA.xls", 
                       col_types = c("text", "numeric", "numeric"))
View(IbasicoA)
shapiro.test(IbasicoA$pH) 


cor.test(IbasicoA$pH,IbasicoA$Glucosa, method = "spearman")


reg<-lm(IbasicoA$pH~IbasicoA$Glucosa)
summary(reg)

library(ggplot2)
ggplot(IbasicoA, aes(x=pH, y=Glucosa)) +
    ggtitle ("Tratamiento Inicial Basico Ambiente") +
    theme (plot.title = element_text(family="Comic Sans MS",
                                     size=rel(1), #Tamaño relativo de la letra del título 
                                     vjust=2, #Justificación vertical, para separarlo del gráfico
                                     face="bold", #Letra negrilla. Otras posibilidades "plain", "italic", "bold" y "bold.italic"
                                     color="black", #Color del texto
                                     lineheight=1.5)) + #Separación entre líneas
    geom_point(shape=1) +   
    geom_smooth(method=lm)


Figura 10. Regresión lineal del tratamiento inicial básico ambiente, de % pH con respecto a la cantidad de Glucosa.



Regresiones Múltiples


+ Final ácido frío

En este primer tratamiento final si se pudo realizar una regresión en la que pudimos demostrar que hubo un regresión positiva y significativa , con una cantidad de grados de libertada de 5, con las variables de pH y Etanol, no obstante fue la única regresión que se pudo hacer ya que el valor de la variable de Glucosa dio mayor a 0.05, esto claro hablando del tratamiento final ácido frío.

FacidoF

library(readxl)
IacidoF <- read_excel("C:/Users/Lenovo/Desktop/IacidoF.xls", 
                      col_types = c("text", "numeric", "numeric"))
View(IacidoF)

attach(FacidoF)
reg2 <- lm(pH~Azucar+Etanol)
summary(reg2)

library(ggplot2)
ggplot(FacidoF, aes(x=pH, y=Azucar)) +
    ggtitle ("Tratamiento Inicial Basico Ambiente") +
    theme (plot.title = element_text(family="Comic Sans MS",
                                     size=rel(1), #Tamaño relativo de la letra del titulo 
                                     vjust=2, 
                                     face="bold", #Letra negrilla. Otras posibilidades "plain", "italic", "bold" y "bold.italic"
                                     color="black", #Color del texto
                                     lineheight=1.5)) + 
    geom_point(shape=1) +   
    geom_smooth(method=lm)


Figura 11. Regresión múltiple del tratamiento final ácido frío, del % pH con respecto al % de etanol.

+ Final básico frío

Lo acontecido en este caso fue que los valores de todas las variables fue mayor a 0.05 por ende no se pudo aplicar regresiones del tratamiento final básico frío. No obstante si se realizó la regresión múltiple pero como no hubo resultados significativos no la pusimos.

FbasicoF

library(readxl)
IbasicoF <- read_excel("C:/Users/Lenovo/Desktop/IbasicoF.xls", 
                       col_types = c("text", "numeric", "numeric"))
attach(FbsicoF)
reg3 <- lm(pH~Azucar+Etanol)
summary(reg3)



+ Final ácido ambiente

En esta situación podemos notar que las variables de glucosa y etanol dieron un valor mayor a 0.05 y aunque el pH si diera un valor menor no se pudieron realizar regresiones con el tratamiento final acido ambiente. Se realizó la regresión múltiple pero como no hubo resultados significativos no la agregamos el trabajo.

FacidoA

library(readxl)
IacidoA <- read_excel("C:/Users/Lenovo/Desktop/IacidoA.xls", 
                      col_types = c("text", "numeric", "numeric"))

attach(FacidoA)
reg1 <- lm(pH~Azucar+Etanol)
summary(reg1)



+ Final basico ambiente

En este último tratamiento se pudo resaltar que todos los valores de las variables fueron mayor a 0.05 por lo que no se pudo realizar ninguna regresión en el tratamiento final basico ambiente. Al realizar la regresión múltiple no obtuvimos resultados significativos por ende no la agregamos el trabajo.

FbasicoA

library(readxl)
IbasicoA <- read_excel("C:/Users/Lenovo/Desktop/IbasicoA.xls", 
                       col_types = c("text", "numeric", "numeric"))

attach(FbsicoA)
reg4 <- lm(pH~Azucar+Etanol)
summary(reg4)


### Discusión y conclusiones

La Saccharomyces cerevisiae es una levadura con grandes capacidades fermentativas que se obtienen a partir de la glucosa y de la temperatura apropiada en un medio anaeróbico (Suárez-Machín et al. 2016). La S. cerevisiae adquiere energía por medio de la fermentación alcohólica. Según Gay Lussac de 1 gramo (g) de glucosa se producen 0.511g de etanol y 0.489g de dióxido de carbono, entre más etanol se haya producido, más glucosa habrá consumido la levadura, su relación es directamente proporcional.
Las muestras de S. cerevisiae en condiciones de temperatura ambiental tuvieron un porcentaje de etanol mayor y una concentración de glucosa menor que las muestras en condiciones frías, debido a que la levadura crece de una manera óptima en un intervalo de temperatura de 24 OC a 26 OC (figura 2 & figura 6). Además de necesitar una temperatura adecuada la levadura necesita ciertos nutrientes para su apropiado crecimiento y reproducción, los principales nutrientes que requiere son carbono, hidrógeno y oxígeno (Ospina & Palacios. 1994).
Cabe destacar que la célula al estar en una temperatura fría detiene su desarrollo, creando un estado de latencia, y esta disminuye su metabolismo de una manera drástica, por lo que su consumo de glucosa, que afectará su crecimiento y reproducción, disminuirá significativamente (Tomasso. 2004).
El crecimiento de la Saccharomyces cerevisiae varió más en términos de temperatura que de pH, sin embargo, este factor sigue siendo determinante para el desarrollo de la misma, debido a que se requiere un pH ligeramente ácido para el correcto desempeño de la levadura. El pH de las muestras que se encontraban en un medio ácido aumentó y el pH en las muestras básicas disminuyó (independientemente de la temperatura a la que se encontraban), esto se debe a que el etanol es una molécula anfótera, por ende, cuando el etanol empezó a aumentar su concentración acidifica el medio básico y viceversa (figura 3 & figura 4). El pH de los medios básicos descendió más de lo que el pH de los medios ácidos aumentó, esto se explica por el etanol, ya que al poseer una cadena carbonatada con solo dos carbonos y tener un pKa de 15.9, es considerado un alcohol relativamente ácido, por lo que va a afecta de una manera más notable los medios básicos. (Fernández. s.f).
Con respecto a la producción de etanol, las muestras que se encontraban en una temperatura fría presentaron una menor cantidad de etanol producido y de glucosa consumida. Como se mencionó anteriormente la Saccharomyces cerevisiae en una temperatura fría va a disminuir su metabolismo, al pasar esto y generar una concentración pequeña de etanol va a afectar de una manera más directa al medio básico ya que disminuirá su pH, entonces la levadura se pudo desarrollar en una temperatura no tan óptima, pero si en un pH adecuado. En cambio, en el medio ácido el mecanismo es similar pero la acidez disminuye solo un poco, por lo que la S. cerevisiae va a crecer en un medio no óptimo de temperatura ni de pH, recalcando que el tratamiento ácido en temperatura fría fue el que obtuvo menor porcentaje de etanol volumen/volumen(v/v). Por otra parte, las muestras en condición de temperatura ambiente no tuvieron una diferencia significativa a nivel de variación de pH, ya que ambas generaron un promedio de etanol de 40%(v/v) por motivo de que fueron las condiciones de crecimiento más cercanas a las ideales (Suárez-Machín et al. 2016).
En conclusión, se puede afirmar que la disminución de la temperatura posee una influencia negativa que a la hora del proceso de fermentación de la levadura Saccharomyces cerevisiae, ya que va a inhibir su proceso de crecimiento y por ende va a detener su producción de etanol y el consumo de glucosa. Con relación a lo dicho, se pudo demostrar la relación que existe entre estos dos procesos; donde el etanol aumenta y la glucosa disminuye al ser consumida por la levadura. Además, se logró evidenciar el efecto que produce el medio en el que se desarrolla la levadura, tanto a temperatura ambiente como a temperaturas más frías, siendo así la temperatura ambiente y un medio ácido las mejores condiciones para el desarrollo de la misma. Sin embargo, se espera que se realicen más estudios acerca del rendimiento de la Saccharomyces cerevisiae en medios fríos.

Referencias Bibliográficas

Arango, R., & Peña, C. (2008). Evaluación de la producción de etanol utilizando cepas recombinantes de Saccharomyces cerevisiae a partir de melaza de caña de azúcar. Medellín, Colombia: Corporación para Investigaciones Biológicas-CIB. Campbell, N. & Reece, J. (2007). “Biología” Séptima Edición. Madrid, España: Editorial Médica Panamericana.

Consejo Superior de Investigaciones Científicas (CSIC). (s.f).La levadura de la cerveza y… del laboratorio. Recuperado de http://seresmodelicos.csic.es/llevat.html [ Consultado el 14 de octubre del 2019].

Fernández, G. (s. f). Acidez y basicidad de alcoholes. Recuperado de https://www.quimicaorganica.org/alcoholes/409-acidez-y-basicidad-de-alcoholes.html [Consultado el 14 de octubre del 2019]. Ospina, A & Palacios, M. (1994). Efectos del cultivo de levaduras sobre la carga orgánica de los efluentes de SUCROMILES S.A. Tesis pregrado Microbiología. Facultad de Ingeniería. Universidad del Valle. Cali, Colombia. 23-29p.

Rubín, A. (2015). Saccharomyces cerevisiae: características, morfología, ciclo vital. Recuperado de https://www.lifeder.com/saccharomyces-cerevisiae/ [Consultado el 14 de octubre del 2019].

Suárez, C., Garrido, N., Guevara, C. (2016). Levadura Saccharomyces cerevisiae y la producción de alcohol. La Habana, Cuba: Instituto Cubano de Investigaciones de los Derivados de la Caña de Azúcar, 50, 20-28.(1)

Tomasso, M. (2004). Tolerancia de las levaduras al etanol. Montevideo, Uruguay: Universidad de la República Uruguay. Facultad de Química.