Skip to main content

OPTIMIZACION DE FERMENTACIONES VINICAS SOSTENIBLES A TRAVES DE APROXIMACIONES INNOVADORAS: BIODIVERSIDAD DE LEVADURAS.

PID2021-126380OB-C31

•
Funding agency name Agencia Estatal de Investigación
Funding agency acronym AEI
Program Programa Estatal para Impulsar la Investigación Científico-Técnica y su Transferencia
Subprogram Subprograma Estatal de Generación de Conocimiento
Call Proyectos de I+D+i (Generación de Conocimiento y Retos Investigación)
Call year 2021
State Plan 2021-2023 Plan Estatal de Investigación Científica y Técnica y de Innovación
Beneficiary centre AGENCIA ESTATAL CONSEJO SUPERIOR DE INVESTIGACIONES CIENTIFICAS (CSIC)

Resultados relacionados

Resultados totales (Incluyendo duplicados): 2
Encontrada(s) 1 página(s)

DIGITAL.CSIC. Repositorio Institucional del CSIC
Publication Otros (Other)

Optimización multiobjetivo en el desarrollo de un gemelo digital para la fermentación vínica, Multi-Objective Optimization in Implementing a Digital Twin for Wine Fermentation, Model-Based Optimization in Fermentation: A Digital Twin for the Winemaking Industry

  • Moimenta, Artai R.
  • Minebois, Romain
  • Ramírez-Aroca, Lainy
  • Querol, Amparo
  • Balsa-Canto, Eva
5 pages, 2 figures.-- III CEA symposium of the Groups: Control Engineering – Modelling, Simulation and Optimization. 10-12 April, 2024, Vigo, Spain, [EN] The integration of digital twins (DTs) in fermentation processes brings significant potential benefits to the biotechnological industry. In this context, a digital twin is a virtual representation of a fermenter, allowing real-time monitoring, analysis, prediction, and optimization of its performance. In this work, we present the initial steps toward developing a digital twin for the wine fermentation sector. Our approach combines a kinetic model that addresses the production of relevant compounds (alcohols, acids, aromas) and the role of temperature with a multi-objective optimization strategy to select the best industrial starter and optimal operating conditions for a specific grape must. We illustrate its use in the specific case of wine fermentation using a relevant industrial yeast species. The results highlight the potential of digital twins in the wine industry to enhance efficiency, elevate product quality, and reduce environmental impact, [ES] La integración de gemelos digitales (DT) en los procesos de fermentación aporta importantes beneficios potenciales a la industria biotecnológica. En este ámbito, un gemelo digital es una representación virtual de un fermentador, que permite monitorizar, analizar, predecir y optimizar su comportamiento en tiempo real. En este trabajo presentamos los primeros pasos hacia el desarrollo de un gemelo digital para el sector vitivinícola. Nuestro enfoque combina un modelo cinético que aborda la producción de computestos relevantes (alcoholes, ácidos, aromas) y el papel de la temperatura con una estrategia de optimización multiobjetivo para seleccionar el mejor iniciador industrial y las mejores condiciones de operación para un mosto de uva determinado. Ilustramos su uso en el caso concreto de la fermentación vínica con una especie de levadura industrialmente relevante. Los resultados resaltan el potencial de los gemelos digitales en la industria vitivinícola para mejorar la eficiencia, elevar la calidad del producto y disminuir el impacto ambiental, Este trabajo ha sido realizado gracias al apoyo de del MCIN/AEI/10.13039/501100011033 y de la EU Next-GenerationEU/PRTR grant PLEC2021-007827, CIU/AEI/FEDER: PID2021-126380OB-C31, PID2021-126380OB-C32; y la Xunta de Galicia (IN607B 2023/04), No
DIGITAL.CSIC. Repositorio Institucional del CSIC
Publication Otros (Other)

Reducción de Modelos a Escala Genómica usando la Red Metabólica y Transcriptómica, Reducing Genome-Scale Models using Metabolic Network and Transcriptomics

  • Troitiño, Diego
  • Mansouri, Anis
  • Minebois, Romain
  • Querol, Amparo
  • Remondini, Daniel
  • Balsa-Canto, Eva
4 pages, 2 figures.-- III CEA symposium of the Groups: Control Engineering – Modelling, Simulation and Optimization. 10-12 April, 2024, Vigo, Spain, [EN] A Genomic Scale Model (GEM) is a mathematical representation of the metabolism of a given organism based on biochemical, genomic and physiological information. GEMs aim to include all reactions encoded by genes in addition to transport reactions between the medium and the cell or between compartments. Thus, they are based on a metabolic reconstruction and the associated stoichiometric matrix, making it possible to define a set of linear equations on metabolic fluxes. However, the number of equations is lower than the number of fluxes to be estimated, leaving us with an underdetermined system. It is, therefore, convenient to find formulas that allow us to reduce the solution space. In this work, we propose a new method to reduce the model by integrating metabolic network topology information and transcriptomic data (gene activation). The method consists of a heuristic that combines influence coefficients of the network nodes and transcriptomic data to define which reactions are active in a specific environmental context. To illustrate the potential of the method, the case of yeast fermentation is considered and the results of this method are compared with those obtained by standard alternatives based solely on the use of transcriptomics. The proposed method has several advantages over the alternatives: it has better predictive capabilities, and its use can be generalised to dynamic processes, [ES] Un Modelo a Escala Genómica (GEM) es una representación matemática del metabolismo de un organismo basada en información bioquímica, genómica y fisiológica. Estos modelos tienen por objetivo incluir todas las reacciones codificadas por genes además de las reacciones de transporte entre el medio y la célula o entre compartimentos. Se basan pues en una reconstrucción metabólica y la matriz estequiométrica asociada, lo que permite definir un conjunto de ecuaciones lineales sobre los flujos metabólicos. Sin embargo, el número de ecuaciones es inferior al número de flujos a estimar lo que nos deja con un sistema indeterminado. Resulta, pues, conveniente encontrar fórmulas que nos permitan restringir el espacio de soluciones. En este trabajo se propone un nuevo método que permite reducir el modelo integrando información de topología de la red metabólica y datos transcriptómicos (activación génica). El método consiste en una heurística que combinando coeficientes de influencia de los nodos de la red y datos de transcriptómica permite definir qu´e reacciones están activas en un contexto ambiental específico. Para ilustrar la potencialidad del método, se considera el caso de fermentación de levaduras y se comparan los resultados de este método con los obtenidos por alternativas estándar basadas únicamente en el uso de transcriptómica. El método propuesto resulta en varias ventajas sobre las alternativas: tiene mejores capacidades predictivas, y su uso puede generalizarse a procesos dinámicos, Este trabajo ha sido realizado gracias al apoyo de e-MUSE MSCA-ITN-2020 European Training Network under the MarieSklodowska-Curie Grant Agreement No. 956126; MCIU/AEI/-FEDER, UE grants: PID2021-126380OB-C31 & PID2021-126380OB-C32, y al GAIN–Xunta de Galicia Grant IN607B 2023/04. D.T-J. esá financiado mediante una Axuda de Apoio á Etapa Predoutoral GAIN–Xunta de Galicia IN606A-2021/037), No