Introducción
La elaboración de vino es una práctica que se remonta a varios siglos atrás, como lo evidencian restos de vinificación encontrados en una tinaja egipcia que data del año 3000 a.C. (Cavalieri et al., 2003). Sin embargo, no fue hasta el siglo XIX que se identificó a las levaduras, especialmente Saccharomyces cerevisiae, como los agentes biológicos responsables de la fermentación alcohólica, proceso mediante el cual se transforman los azúcares del mosto en etanol y dióxido de carbono. Desde la década de 1970 y la aparición de las levaduras secas activas (Pretorius, 2000), S. cerevisiae se ha consolidado como la principal especie de levadura utilizada en la industria enológica debido a su elevada eficiencia fermentativa, tolerancia al etanol y capacidad para asegurar fermentaciones completas y predecibles (Ribéreau-Gayon et al., 2006). Su uso sistemático ha permitido controlar con precisión el proceso fermentativo, mejorar la estabilidad microbiológica del vino y alcanzar una calidad organoléptica consistente cosecha tras cosecha.
Actualmente, el género Saccharomyces comprende ocho especies reconocidas, entre ellas S. cerevisiae, el miembro mejor caracterizado por su importancia en la industria vitivinícola, su uso como organismo modelo en biología y medicina (Fields y Johnston, 2005), ecología y genómica poblacional (Almeida et al., 2015; Peter et al., 2018), y su aplicación biotecnológica (Hong y Nielsen, 2012). Aunque presentan elevada similitud genética (Borneman y Pretorius, 2014), las especies del género Saccharomyces muestran una gran diversidad fenotípica (Salvadó et al., 2011), útil ante nuevos desafíos enológicos. El cambio climático ha favorecido una disminución en el consumo de vinos tintos, en favor de los vinos blancos y rosados, que son más aromáticos, refrescantes y con menor contenido de etanol, haciéndolos más adecuados para climas cálidos. Estos vinos se fermentan generalmente a baja temperatura (15-18ºC), lo que permite preservar mejor los compuestos aromáticos volátiles responsables de su frescura y perfil sensorial. Por ello, la investigación en enología se ha enfocado en explorar las especies criotolerantes S. kudriavzevii y S. uvarum, y sus híbridos con S. cerevisiae, halladas en ambientes naturales y/o fermentativos, por su adaptación al frío, mayor producción de glicerol y compuestos aromáticos, y menor generación de etanol (Querol et al., 2018).
Las presiones selectivas propias del ambiente de origen de cepas de estas especies, que sea fermentativo y/o natural, han impulsado en estas levaduras adaptaciones genéticas y metabólicas que potencian su idoneidad para distintos estilos de vinificación, abriendo nuevas posibilidades para la diversificación del perfil de los vinos y una mayor personalización de los productos finales. En este contexto, este artículo refleja como la aplicación integrada de estrategias basadas en datos ómicos y modelos computacionales ha permitido caracterizar algunas de las adaptaciones metabólicas en levaduras de interés enológico dentro del género Saccharomyces, incluyendo S. cerevisiae y S. uvarum, con el fin de optimizar la comprensión de dichos procesos y contribuir a la mejora de la calidad de los vinos.
Metabolismo fermentativo
Metabolismo central del carbono en condiciones enológicas
Las levaduras del género Saccharomyces son microorganismos anaerobios facultativos capaces de utilizar dos tipos de metabolismo: uno fermentativo, que metaboliza los azúcares en etanol y dióxido de carbono, y otro respiratorio, que emplea oxígeno como aceptor final de electrones en la cadena mitocondrial. No obstante, S. cerevisiae y otras especies del género presentan el denominado efecto Crabtree, por el cual, cuando la concentración de glucosa supera el 0,1% (p/v), inhiben la respiración en favor de la fermentación, incluso en condiciones aerobias (De Deken, 1966). Este comportamiento, típico en el entorno enológico debido al alto contenido de azúcares del mosto de uva, determina que el metabolismo dominante durante la fermentación alcohólica sea fermentativo.
Durante la fermentación, el metabolismo central del carbono (MCC) produce etanol, el principal compuesto del proceso, que no solo determina el grado alcohólico del vino, sino también su textura, calidez y equilibrio sensorial (Fig. 1).
Junto con el etanol, otros metabolitos primarios relevantes son el ácido acético, el glicerol y el ácido succínico. El glicerol es el segundo metabolito más abundante y aporta cuerpo y suavidad al vino. Su concentración, que suele oscilar entre 4 y 10 g/L, depende de factores como la temperatura, el nitrógeno disponible y la cepa utilizada; especies como S. uvarum y S. kudriavzevii tienden a producir más glicerol que S. cerevisiae (Querol et al., 2018). El ácido acético, en niveles bajos, contribuye a la acidez y frescura, pero concentraciones superiores a 0,6 g/L son consideradas defectuosas por generar aromas avinagrados. El ácido succínico, generado durante la fermentación a partir del ciclo de Krebs, aporta acidez, así como notas saladas y amargas. Su concentración típica es de 0,5 a 1,5 g/L, aunque cepas de S. uvarum pueden producir cantidades mayores, lo que puede resultar útil para corregir la baja acidez de los vinos procedentes de mostos con un desequilibrio azúcar/ácidos, causado por una rápida maduración (Querol et al., 2018).
Producción de aromas de origen fermentativo
Además de los compuestos primarios, el metabolismo secundario de las levaduras durante la fermentación alcohólica produce una amplia gama de compuestos aromáticos que enriquecen el perfil sensorial del vino. Entre estos destacan los alcoholes superiores (o alcoholes de fusel) y sus ésteres de acetato, derivados principalmente del catabolismo de los aminoácidos de cadena ramificada (AAR) y aromáticos a través de la ruta de Ehrlich (Fig. 2), con un papel clave en la complejidad aromática del vino (Saerens et al., 2010; Belda et al., 2017).
Tecnologías ómicas y modelado a escala genómica para el estudio del metabolismo de levaduras
La vinificación es un proceso de tipo batch, dinámico, en el que las levaduras transforman los nutrientes del mosto en metabolitos que determinan las características sensoriales del vino. Comprender este perfil metabolómico requiere analizar cómo las levaduras responden a un entorno complejo y variable mediante la expresión génica (transcriptoma), la síntesis de proteínas (proteoma) y su actividad metabólica (metaboloma). Las herramientas ómicas —genómica, transcriptómica, proteómica y metabolómica— permiten estudiar e integrar estos niveles moleculares, facilitando una comprensión más profunda del comportamiento celular durante la fermentación. En este contexto, la siguiente sección abordará cómo la integración de datos ómicos —en particular genómicos y metabolómicos— en modelos metabólicos a escala genómica constituye una estrategia eficaz para estudiar en profundidad el metabolismo fermentativo de levaduras de interés enológico como S. cerevisiae y S. uvarum, y optimizar su aprovechamiento.
Predicción del flujo metabólico en condiciones de fermentación
La modelización matemática es una herramienta clave para entender y predecir el comportamiento de las levaduras durante la fermentación vínica (Miller y Block, 2020). Permite anticipar la evolución del crecimiento celular, el consumo de nutrientes y la producción de compuestos que afectan directamente a la calidad del vino. Existen dos enfoques complementarios: los modelos cinéticos, que describen la dinámica general del proceso (biomasa, azúcares, metabolitos), y los modelos a escala genómica, que permiten estudiar en profundidad cómo las levaduras reorganizan su metabolismo celular a medida que cambian las condiciones del medio fermentativo.
Modelos cinéticos
Los modelos cinéticos permiten describir la evolución temporal de variables clave durante la fermentación, como el crecimiento de la levadura, el consumo de azúcares y nitrógeno asimilable, y la producción de metabolitos primarios como etanol, glicerol o succinato. Se basan en ecuaciones diferenciales ordinarias (EDO) que representan cómo varían estas concentraciones con el tiempo. Este enfoque ha sido fundamental para comprender y simular el proceso fermentativo en condiciones enológicas reales.
Los primeros modelos se centraban principalmente en la producción de etanol y mostraban un buen ajuste a pesar de su simplicidad (Cramer et al., 2002). Con el tiempo, se incorporaron nuevos elementos como el papel del nitrógeno y la influencia de la temperatura (Malherbe et al., 2004; Henriques et al., 2018; Moimenta et al., 2025). Dado que el nitrógeno asimilable es limitante para el crecimiento, éste se representa utilizando una cinética de Monod.
Durante la fermentación, y a medida que se agota el nitrógeno, las células entran en fase estacionaria, reprograman su metabolismo y acumulan carbohidratos. Es por ello, que el modelo de Monod se vuelve insuficiente. Para acomodar esta reprogramación, algunos modelos incorporan estados adicionales que tienen en cuenta la composición de la biomasa (Henriques y Balsa-Canto, 2021). Además de los metabolitos primarios, se ha logrado recientemente modelizar con precisión la producción de compuestos aromáticos como ésteres y alcoholes superiores (Moimenta et al., 2023), relacionándolos con la fase fisiológica y la disponibilidad de nutrientes.
Modelos a escala genómica
Los modelos a escala genómica permiten estudiar en detalle el metabolismo celular de las levaduras durante la fermentación, sin necesidad de realizar ensayos específicos para cada condición. A partir del genoma, se reconstruye una red metabólica que recoge todas las rutas bioquímicas conocidas en la célula. Este tipo de modelado permite predecir cómo se transforman los nutrientes que la levadura toma del medio en sus rutas metabólicas internas.
Para su construcción, se parte de una red de referencia como la de Saccharomyces cerevisiae S288C (por ejemplo, la reconstrucción consenso Yeast8, Lu et al., 2019), ampliada con rutas específicas asociadas a la formación de compuestos de interés enológico (Henriques et al., 2021). Esta red permite formular un sistema de ecuaciones matemáticas que describen cómo se distribuyen los flujos metabólicos entre las distintas reacciones celulares.
Combinando esta información con datos externos del proceso —como la evolución de la biomasa o el consumo de nitrógeno y azúcares — y utilizando técnicas de análisis de balance de flujo (Orth et al., 2010), es posible estimar cómo la levadura reorganiza su metabolismo durante la fermentación para adaptarse a las condiciones del medio y optimizar su funcionamiento.
En el ámbito enológico, estos modelos comenzaron aplicándose a la fase de crecimiento y a la producción de metabolitos primarios como etanol y glicerol (Quirós et al., 2013). Más recientemente, se han extendido para representar el proceso fermentativo completo, incluyendo la síntesis de compuestos aromáticos en sus distintas fases (Henriques et al., 2021; Scott & Henriques, 2023; Henriques et al., 2023).
Integración de modelos cinéticos i a escala genómica
Una de las principales fortalezas de la modelización actual es la posibilidad de combinar modelos cinéticos y modelos a escala genómica en un único esquema integrado. Esta combinación permite simular la dinámica fermentativa en condiciones realistas, donde el entorno cambia de forma continua. Por ejemplo, es posible predecir cómo la levadura modifica el uso de sus rutas metabólicas cuando se agota el nitrógeno o cómo equilibra su metabolismo durante la fase estacionaria para mantener su actividad.
Desde el punto de vista computacional, este enfoque se basa en resolver de forma iterativa dos componentes acoplados: por un lado, el modelo cinético se calibra con datos experimentales para describir la evolución del medio; por otro, se aplican técnicas de análisis de balance de flujo para estimar, en cada momento del tiempo, los flujos metabólicos intracelulares compatibles con las condiciones externas. Herramientas como AMIGO2 (Balsa-Canto et al., 2016) y COBRA (Schellenberger et al., 2011) permiten automatizar esta integración, ofreciendo una plataforma robusta para explorar distintos escenarios fermentativos y comparar el comportamiento metabólico entre cepas.
Ejemplo ilustrativo: comparación entre S. cerevisiae y S. uvarum
Para ilustrar el potencial del modelo integrado, dinámico y a escala genómica, se aplicó esta herramienta al estudio comparativo de dos cepas del género Saccharomyces: S. cerevisiae EC1118 y S. uvarum BMV58. Ambas se emplearon en fermentaciones controladas con mosto sintético, monitorizando la evolución de biomasa, nutrientes, metabolitos primarios y compuestos volátiles mediante análisis cromatográficos. Los datos experimentales se integraron en el modelo que se utilizó para estimar los flujos metabólicos intracelulares en cada fase del proceso. Las simulaciones mostraron un excelente ajuste a los datos (R² > 0,96), permitiendo una interpretación detallada de las diferencias fisiológicas entre cepas.
En ambas levaduras se observó una preferencia clara por la glucosa frente a la fructosa. No obstante, S. uvarum presentó un consumo más lento de esta última, prolongando la fermentación más de un día respecto a S. cerevisiae. A nivel metabólico, EC1118 canaliza mayoritariamente los azúcares por la glucólisis, mientras que BMV58 complementa esta vía con la ruta de las pentosas fosfato y un mayor uso de la mitocondria, lo que facilita su capacidad de adaptación en situaciones de desequilibrio redox. Estas diferencias se reflejan en la producción de metabolitos secundarios: S. uvarum genera más succinato, glicerol, junto con un mayor flujo hacia alcoholes superiores como 2-feniletanol, isobutanol o alcohol isoamílico. Las Figuras 3 y 4 ilustran estos resultados: muestran, por un lado, la comparación entre datos experimentales y predicciones del modelo y, por otro, las principales rutas metabólicas activadas en cada cepa. El grosor de las flechas representa la intensidad del flujo en cada vía. En conjunto, estos resultados demuestran cómo la modelización permite identificar estrategias metabólicas específicas que pueden orientar la selección de cepas según los objetivos enológicos.
Conclusiones
La integración de herramientas de modelización matemática con tecnologías ómicas permite comprender más en detalle el metabolismo fermentativo de levaduras del género Saccharomyces. Al combinar modelos cinéticos y a escala genómica con datos metabolómicos, somos capaces de predecir con buena precisión la evolución del proceso fermentativo. Este tipo de enfoque dinámico permite revelar cómo levaduras de interés enológico de distintas especies (S. cerevisiae y S. uvarum) favorecen rutas metabólicas distintas según las condiciones del medio, permitiendo anticipar la producción de metabolitos clave que definen el perfil sensorial del vino. S. uvarum activó con mayor intensidad rutas mitocondriales y de las pentosas fosfato, lo que incrementó la producción de glicerol, succinato y alcoholes superiores como 2-feniletanol. Estos compuestos mejoran la frescura y complejidad aromática del vino, especialmente en blancos y rosados fermentados a baja temperatura.
El uso de modelos dinámicos y datos ómicos no solo mejora la comprensión del comportamiento celular, sino que también facilita la selección racional de especies e híbridos adaptados a nuevos retos enológicos, como el cambio climático o la demanda de vinos con menor contenido alcohólico. Esta estrategia amplía el abanico de herramientas disponibles para innovar en la vinificación.
Bibliografía
Almeida, P., Barbosa, R., Zalar, P., Imanishi, Y., Shimizu, K., Turchetti, B., Legras, J.L., Serra, M., Dequin, S., Couloux, A., Guy, J., Bensasson, D., Gonçalves, P., Sampaio, J.P.: “A population genomics insight into the Mediterranean origins of wine yeast domestication”. Mol. Ecol. 2015; 24, 5412–5427. https://doi.org/10.1111/mec.13341
Balsa-Canto E, Henriques D, Gábor A, Banga JR.: “AMIGO2, a toolbox for dynamic modeling, optimization and control in systems biology”. Bioinformatics; 2016, 32:3357–3359. Doi: 10.1093/bioinformatics/btw411
Belda, I., Ruiz, J., Esteban-Fernández, A., Navascués, E., Marquina, D., Santos, A., Moreno-Arribas, M.V.: “Microbial contribution to Wine aroma and its intended use for Wine quality improvement”. Molecules; 2017, 22, 1–29. https://doi.org/10.3390/molecules22020189
Borneman, A.R., Pretorius, I.S.: “Genomic insights into the Saccharomyces sensu stricto complex”. Genetics. 2014. https://doi.org/10.1534/genetics.114.173633
Cavalieri, D., McGovern, P.E., Hartl, D.L., Mortimer, R., Polsinelli, M.: “Evidence for S. cerevisiae Fermentation in Ancient Wine”. J. Mol. Evol. 2003. https://doi.org/10.1007/s00239-003-0031-2
Cramer AC, Vlassides S, Block DE.: “Kinetic model for nitrogen-limited wine fermentations”. Biotechnol. Bioeng. 2002, 77:49–60. Doi: 10.1002/bit.10133
De Deken, R.H.: “The Crabtree effect: a regulatory system in yeast”. J. Gen. Microbiol. 1966, 44:149–156. https://doi.org/10.1099/00221287-44-2-149
Fields, S., Johnston, M.: “Whither model organism research?” Science, 2005. https://doi.org/10.1126/science.1108872
Henriques D, Balsa-Canto E.: “The Monod model is insufficient to explain biomass growth in nitrogen-limited yeast fermentation”. Appl Environ Microbiol 2021; 87: e01084-21. https://doi.org/10.1128/AEM.01084-21
Henriques D, Alonso-del Real J, Querol A, Balsa-Canto E.: “Saccharomyces cerevisiae and S. kudriavzevii synthetic wine fermentation performance dissected by predictive modeling”. Front. Microbiol. 2018, 9:88. https://doi.org/10.3389/fmicb.2018.00088
Henriques D, Minebois R, Dos Santos D, Barrio E, Querol A, Balsa-Canto E.: “A dynamic genome-scale model identifies metabolic pathways associated with cold tolerance in Saccharomyces kudriavzevii”. Microbiol Spectr 2023; 11:e0351922. https://doi.org/10.1128/spectrum.03519-22
Henriques D, Minebois R, Mendoza SN, Macías LG, Pérez-Torrado R, Barrio E, Teusink B, Querol A, Balsa-Canto E.: “A multiphase multiobjective dynamic genome-scale model shows different redox balancing among yeast species of the Saccharomyces genus in fermentation”. mSystems, 2021; 6:e00260-21. Doi: 10.1128/mSystems.00260-21
Lu H, Li F, Sánchez BJ, Zhu Z, Li G, Domenzain I, Marcišauskas S, Anton PM, Lappa D, Lieven C, Beber ME, Sonnenschein N, Kerkhoven EJ, Nielsen J.: “A consensus S. cerevisiae metabolic model Yeast8 and its ecosystem for comprehensively probing cellular metabolism”. Nat Commun, 2019; 10:3586. https://www.nature.com/articles/s41467-019-11581-3
Malherbe S, Fromion V, Hilgert N, Sablayrolles JM.: “Modeling the effects of assimilable nitrogen and temperature on fermentation kinetics in enological conditions”. Biotechnol. Bioeng. 2004; 86:261–272. DOI: 10.1002/bit.20075
Miller KV, Block DE.. “A review of wine fermentation process modeling”. J. Food Eng. 2020; 273:109783. https://doi.org/10.1016/j.jfoodeng.2019.10978
Moimenta AR, Henriques D, Minebois R, Querol A, Balsa-Canto E.: “Modelling the physiological status of yeast during wine fermentation enables the prediction of secondary metabolism”. Microb Biotechnol. 2023; 16:847–861. Doi: 10.1111/1751-7915.14211
Moimenta AR, Minebois R, Henriques D, Querol A, Balsa-Canto E.: “Temperature-Dependent Kinetic Modeling of Nitrogen-Limited Batch Fermentation by Yeast Species”. Mathematics; 2025, 13(9):1373. https://doi.org/10.3390/math13091373
Orth JD, Thiele I, Palsson BØ.: “What is flux balance analysis?” Nat Biotechnol. 2010; 28:245–248. DOI: 10.1038/nbt.1614
Peter, J., De Chiara, M., Friedrich, A., Yue, J.X., Pflieger, D., Bergström, A., Sigwalt, A., et al.: “Genome evolution across 1,011 Saccharomyces cerevisiae isolates”. Nature. 2018, 556:339–344. https://www.nature.com/articles/s41586-018-0030-5
Pretorius, I.S.: “Tailoring wine yeast for the new millennium: Novel approaches to the ancient art of winemaking”. Yeast. 2000. https://doi.org/10.1002/1097-0061(20000615)16:8<675::AID-YEA585>3.0.CO;2-B
Querol, A., Pérez-Torrado, R., Alonso-del-Real, J., Minebois, R., Stribny, J., Oliveira, B.M., Barrio, E.: “New Trends in the Uses of Yeasts in Oenology”. In: Adv. Food Nutr. Res. 2018, pp. 177–210. https://doi.org/10.1016/bs.afnr.2018.03.002
Quirós M, Martínez-Moreno R, Albiol J, Morales P, Vázquez-Lima F, et al.: “Metabolic flux analysis during the exponential growth phase of Saccharomyces cerevisiae in wine fermentations”. PLOS ONE. 2013, 8(8): e71909. https://doi.org/10.1371/journal.pone.0071909
Ribéreau-Gayon, P., Dubourdieu, D., Donèche, B., Lonvaud, A.: Handbook of Enology: Volume 1, The Microbiology of Wine and Vinifications, 2006. https://doi.org/10.1002/0470010398
Saerens, S.M.G., Delvaux, F.R., Verstrepen, K.J., Thevelein, J.M.: “Production and biological function of volatile esters in Saccharomyces cerevisiae”. Microb. Biotechnol. 2010. https://doi.org/10.1111/j.1751-7915.2009.00106.x
Salvadó, Z., Arroyo-López, F.N., Guillamón, J.M., Salazar, G., Querol, A., Barrio, E.: “Temperature adaptation markedly determines evolution within the genus Saccharomyces”. Appl. Environ. Microbiol. 2011, 77:2292–2302. https://doi.org/10.1128/AEM.01861-10
Schellenberger J, Que R, Fleming RMT, Thiele I, Orth JD, Feist AM, Zielinski DC, et al.: “Quantitative prediction of cellular metabolism with constraint-based models: the COBRA Toolbox v2.0”. Nat Protoc 2011, 6:1290–1307. https://www.nature.com/articles/nprot.2011.308
Scott WT, Henriques D, Smid EJ, Notebaart RA, Balsa-Canto E.: “Dynamic genome-scale modeling of Saccharomyces cerevisiae unravels mechanisms for ester formation during alcoholic fermentation”. Biotechnol Bioeng, 2023; 120:1998–2012. DOI: 10.1002/bit.28421
