Identificação de contaminações em culturas de cupriavidus necator para produção de phb utilizando análise de imagem

• Processo: 25/00427-1
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2025
• Situação: Interrompido
• Área de conhecimento: Ciências Biológicas - Microbiologia - Microbiologia Aplicada
• Pesquisador responsável: Daniel Sá Freire Lamarca
• Beneficiário: Mattias Botto Alvarenga Tavares
• Instituição Sede: Faculdade de Ciências Agronômicas (FCA). Universidade Estadual Paulista (UNESP). Campus de Botucatu. Botucatu , SP, Brasil
• Bolsa(s) vinculada(s): 25/21615-0 - Espectroscopia raman assistida por aprendizado de máquina para o monitoramento da síntese biocatalítica de nucleosídeos em solventes sustentáveis, BE.EP.IC
• Assunto(s): Bacillus cereus Biopolímeros Infecções bacterianas Cupriavidus necator Microscopia óptica
• Palavra(s)-Chave do Pesquisador: Bacillus cereus | Biopolímeros | Contaminação bacteriana | Cupriavidus necator | microscopia óptica | Poli-hidroxibutirato (PHB) | Biotecnologia Microbiana

Resumo

As mudanças climáticas demandam soluções sustentáveis que otimizem processos industriais, como a produção de bioplásticos. Cupriavidus necator, uma bactéria Gram-negativa, destaca-se como um microrganismo eficiente para a síntese de poli-hidroxibutirato (PHB), um biopolímero biodegradável. No entanto, a contaminação por Bacillus cereus compromete a eficiência do processo, elevando custos e reduzindo a qualidade do produto. O objetivo principal deste trabalho é identificar contaminações em cepas bacterianas de Cupriavidus necator voltadas a produção de biopolímeros biodegradáveis, a partir de análise de imagens de lâminas bacterianas coradas pela técnica de Coloração de Gram. As imagens serão obtidas por microscopia óptica acoplada a dispositivos móveis. Serão testados dois métodos para distinção das bactérias: método tradicional de análise de imagem e método com inteligência artificial (IA). No método com IA, será utilizado um banco de imagens para treinar o modelo para diferenciar bactérias Gram-negativas e Gram-positivas, permitindo a identificação automatizada de áreas contaminadas. Após a construção do modelo em cada método, ambos serão submetidos por um processo de validação. Espera-se que o algoritmo otimize a produção industrial de PHB, reduzindo perdas e custos operacionais, com potencial de aplicação em outros processos microbiológicos. O projeto contribui para a sustentabilidade industrial e a mitigação de impactos ambientais.