Predicting Catastrophic Collapse It is very difficult to predict the behavior of complex systems near tipping points, where a small change in conditions can lead to a large shift in the state of the system. Theory predicts that some generic statistical indicators can signal the approach of such tipping points, such as slower recoveries from perturbations of the system—a phenomenon called critical slowing down. Working with laboratory yeast populations, Dai et al. (p. 1175 ) provide an experimental measure for critical slowing down before catastrophic population collapse. This type of approach should help when trying to predict catastrophic thresholds in other complex systems, ranging from ecosystem transition to climate change, and even to crashes of financial markets.

Cancer progression is driven by the accumulation of a small number of genetic alterations. However, these few driver alterations reside in a cancer genome alongside tens of thousands of additional mutations termed passengers . Passengers are widely believed to have no role in cancer, yet many passengers fall within protein-coding genes and other functional elements that can have potentially deleterious effects on cancer cells. Here we investigate the potential of moderately deleterious passengers to accumulate and alter the course of neoplastic progression. Our approach combines evolutionary simulations of cancer progression with an analysis of cancer sequencing data. From simulations, we find that passengers accumulate and largely evade natural selection during progression. Although individually weak, the collective burden of passengers alters the course of progression, leading to several oncological phenomena that are hard to explain with a traditional driver-centric view. We then tested the predictions of our model using cancer genomics data and confirmed that many passengers are likely damaging and have largely evaded negative selection. Finally, we use our model to explore cancer treatments that exploit the load of passengers by either ( i ) increasing the mutation rate or ( ii ) exacerbating their deleterious effects. Though both approaches lead to cancer regression, the latter is a more effective therapy. Our results suggest a unique framework for understanding cancer progression as a balance of driver and passenger mutations.

Abstract Microbes tend to organize into communities consisting of hundreds of species involved in complex interactions with each other. 16S ribosomal RNA (16S rRNA) amplicon profiling provides snapshots that reveal the phylogenies and abundance profiles of these microbial communities. These snapshots, when collected from multiple samples, have the potential to reveal which microbes co-occur, providing a glimpse into the network of associations in these communities. The inference of networks from 16S data is prone to statistical artifacts. There are many tools for performing each step of the 16S analysis workflow, but the extent to which these steps affect the final network is still unclear. In this study, we perform a meticulous analysis of each step of a pipeline that can convert 16S sequencing data into a network of microbial associations. Through this process, we map how different choices of algorithms and parameters affect the co-occurrence network and estimate steps that contribute most significantly to the variance. We further determine the tools and parameters that generate the most accurate and robust co-occurrence networks based on comparison with mock and synthetic datasets. Ultimately, we develop a standardized pipeline (available at https://github.com/segrelab/MiCoNE ) that follows these default tools and parameters, but that can also help explore the outcome of any other combination of choices. We envisage that this pipeline could be used for integrating multiple data-sets, and for generating comparative analyses and consensus networks that can help understand and control microbial community assembly in different biomes. Importance To understand and control the mechanisms that determine the structure and function of microbial communities, it is important to map the interrelationships between its constituent microbial species. The surge in the high-throughput sequencing of microbial communities has led to the creation of thousands of datasets containing information about microbial abundances. These abundances can be transformed into networks of co-occurrences across multiple samples, providing a glimpse into the structure of microbiomes. However, processing these datasets to obtain co-occurrence information relies on several complex steps, each of which involves multiple choices of tools and corresponding parameters. These multiple options pose questions about the accuracy and uniqueness of the inferred networks. In this study, we address this workflow and provide a systematic analysis of how these choices of tools and parameters affect the final network, and on how to select those that are most appropriate for a particular dataset.

Abstract Predicting evolution of expanding populations is critical to control biological threats such as invasive species and cancer metastasis. Expansion is primarily driven by reproduction and dispersal, but nature abounds with examples of evolution where organisms pay a reproductive cost to disperse faster. When does selection favor this ‘survival of the fastest?’ We searched for a simple rule, motivated by evolution experiments where swarming bacteria evolved into an hy-perswarmer mutant which disperses ∼ 100% faster but pays a growth cost of ∼ 10% to make many copies of its flagellum. We analyzed a two-species model based on the Fisher equation to explain this observation: the population expansion rate ( v ) results from an interplay of growth ( r ) and dispersal ( D ) and is independent of the carrying capacity: . A mutant can take over the edge only if its expansion rate ( v 2 ) exceeds the expansion rate of the established species’ ( v 1 ); this simple condition ( v 2 > v 1 ) determines the maximum cost in slower growth that a faster mutant can pay and still be able to take over. Numerical simulations and time-course experiments where we tracked evolution by imaging bacteria suggest that our findings are general: less favorable conditions delay but do not entirely prevent the success of the fastest. Thus, the expansion rate defines a traveling wave fitness, which could be combined with trade-offs to predict evolution of expanding populations.

Abstract Range expansions accelerate evolution through multiple mechanisms including gene surfing and genetic drift. The inference and control of these evolutionary processes ultimately relies on the information contained in genealogical trees. Currently, there are two opposing views on how range expansions shape genealogies. In invasion biology, expansions are typically approximated by a series of population bottlenecks producing genealogies with only pairwise mergers between lineages—a process known as the Kingman coalescent. Conversely, traveling-wave models predict a coalescent with multiple mergers, known as the Bolthausen–Sznitman coalescent. Here, we unify these two approaches and show that expansions can generate an entire spectrum of coalescent topologies. Specifically, we show that tree topology is controlled by growth dynamics at the front and exhibits large differences between pulled and pushed expansions. These differences are explained by the fluctuations in the total number of descendants left by the early founders. High growth cooperativity leads to a narrow distribution of reproductive values and the Kingman coalescent. Conversely, low growth cooperativity results in a broad distribution, whose exponent controls the merger sizes in the genealogies. These broad distribution and non-Kingman tree topologies emerge due to the fluctuations in the front shape and position and do not occur in quasi-deterministic simulations. Overall, our results show that range expansions provide a robust mechanism for generating different types of multiple mergers, which could be similar those observed in populations with strong selection or high fecundity. Thus, caution should be exercised in making inferences about the origin of non-Kingman genealogies. Significance statement Spatial dynamics are important for understanding genetic diversity in many contexts, such as cancer and infectious diseases. Coalescent theory offers a powerful framework for interpreting and predicting patters of genetic diversity in populations, but incorporating spatial structure into the theory has proven difficult. Here, we address this long-standing problem by studying the coalescent in a spatially expanding population. We find the topology of the coalescent changes depending on the growth dynamics at the front. Using analytical arguments, we show that the transition between coalescent topologies is universal and is controlled by a parameter related to the expansion velocity. Our theory makes precise predictions about the effects of population dynamics on genetic diversity at the expansion front, which we confirm in simulations.

Abstract Naturally occurring microbial communities often comprise thousands of taxa involved in complex networks of interactions. These interactions can be mediated by several mechanisms, including the competition for resources, the exchange of signals and nutrients, cell-cell contact and antibiotic warfare. In addition to direct measurements and computational predictions of interactions, abundant data on microbial co-occurrence associations can be inferred from correlations of taxa across samples, which can be estimated from metagenomic, and amplicon datasets. The analysis and interpretation of interaction and correlation networks are limited by the challenge of comparing across different datasets, due to heterogeneity of the data itself and to the lack of a platform to facilitate such comparisons. Here, we introduce the Microbial Interaction Network Database (MIND) - a web-based platform for the integrative analysis of different types of microbial networks, freely available at http://microbialnet.org/ . In addition to containing a growing body of curated data, including amplicon-based co-occurrence networks, genome-scale model-derived networks, metabolic influence networks and horizontal gene transfer networks, MIND allows users to upload and analyze newly generated networks using a JSON format and standard NCBI taxonomy. The platform provides convenient functions to compare and query multiple networks simultaneously, and to visualize and export networks and datasets. Through some illustrative examples, we demonstrate how the platform might facilitate discoveries and help generate new hypotheses on host-associated and environmentally important microbial ecosystems through the power of knowledge integration.

Abstract Most organisms grow in space, whether they are viruses spreading within a host tissue or invasive species colonizing a new continent. Evolution typically selects for higher expansion rates during spatial growth, but it has been suggested that slower expanders can take over under certain conditions. Here, we report an experimental observation of such population dynamics. We demonstrate that the slower mutants win not only when the two types are intermixed at the front but also when they are spatially segregated into sectors. The latter was thought to be impossible because previous studies focused exclusively on the global competitions mediated by expansion velocities but overlooked the local competitions at sector boundaries. We developed a theory of sector geometry that accounts for both local and global competitions and describes all possible sector shapes. In particular, the theory predicted that a slower, but more competitive, mutant forms a dented V-shaped sector as it takes over the expansion front. Such sectors were indeed observed experimentally and their shapes matched up quantitatively with the theory. In simulations, we further explored several mechanism that could provide slow expanders with a local competitive advantage and showed that they are all well-described by our theory. Taken together, our results shed light on previously unexplored outcomes of spatial competition and establish a universal framework to understand evolutionary and ecological dynamics in expanding populations. Significance Living organisms never cease to evolve, so there is a significant interest in predicting and controlling evolution in all branches of life sciences from medicine to agriculture. The most basic question is whether a trait should increase or decrease in a given environment. The answer seems to be trivial for traits such as the growth rate in a bioreactor or the expansion rate of a tumor. Yet, it has been suggested that such traits can decrease rather than increase during evolution. Here, we report a mutant that outcompeted the ancestor despite having a slower expansion velocity. To explain this observation, we developed and validated a theory that describes spatial competition between organisms with different expansion rates and arbitrary competitive interactions.

Abstract Assembling optimal microbial communities is key for various applications in biofuel production, agriculture, and human health. Finding the optimal community is challenging because the number of possible communities grows exponentially with the number of species, and so an exhaustive search cannot be performed even for a dozen species. A heuristic search that improves community function by adding or removing one species at a time is more practical, but it is unknown whether this strategy can discover an optimal or nearly optimal community. Using consumer-resource models with and without cross-feeding, we investigate how the efficacy of search depends on the distribution of resources, niche overlap, cross-feeding, and other aspects of community ecology. We show that search efficacy is determined by the ruggedness of the appropriately-defined ecological landscape. We identify specific ruggedness measures that are both predictive of search performance and robust to noise and low sampling density. The feasibility of our approach is demonstrated using experimental data from a soil microbial community. Overall, our results establish the conditions necessary for the success of the heuristic search and provide concrete design principles for building high-performing microbial consortia. Author summary Research shows that microbial communities comprised of specific species combinations can cure disease, improve agricultural output, or synthesize valuable chemicals. But finding the species combinations that generate high-performing communities is challenging because there are too many species combinations to test exhaustively. So, scientists use heuristic strategies that test only a few species combinations to search for high-performing communities. However, these heuristic strategies often fail to find the best species combinations, and we still do not understand when they fail. Here, we develop a framework to analyze these heuristic strategies, building on the concept of fitness landscapes studied in evolution and computer science. We apply this framework to data from simulated microbial community models to identify biological properties that affect the success of heuristic search strategies, such as the extent to which microbes compete for the same metabolites. Further, we establish statistical measures of the landscape structure that can help estimate search success from preliminary data. We validate our findings using experimental data from communities of soil microbes. Together, our results develop a conceptual framework to analyze and develop heuristic search strategies and identify guiding principles to help scientists choose species and environmental conditions that make finding high-performing microbial communities easier.

The evolution and potentially even the survival of a spatially expanding population depends on its genetic diversity, which can decrease rapidly due to a serial founder effect. The strength of the founder effect is predicted to depend strongly on the details of the growth dynamics. Here, we probe this dependence experimentally using a single microbial species, Saccharomyces cerevisiae, expanding in multiple environments that induce varying levels of cooperativity during growth. We observe a drastic reduction in diversity during expansions when yeast grows non-cooperatively on simple sugars, but almost no loss of diversity when cooperation is required to digest complex metabolites. These results are consistent with theoretical expectations. When cells grow independently from each other, the expansion proceeds as a pulled wave driven by the growth at the low-density tip of the expansion front. Such populations lose diversity rapidly because of the strong genetic drift at the expansion edge. In contrast, diversity loss is substantially reduced in pushed waves that arise due to cooperative growth. In such expansions, the low-density tip of the front grows much more slowly and is often reseeded from the genetically diverse population core. Additionally, in both pulled and pushed expansions, we observe a few instances of abrupt changes in allele fractions due to rare fluctuations of the expansion front and show how to distinguish such rapid genetic drift from selective sweeps.

Microbiota contribute to many dimensions of host phenotype, including disease. To link specific microbes to specific phenotypes, microbiome-wide association studies compare microbial abundances between two groups of samples. Abundance differences, however, reflect not only direct associations with the phenotype, but also indirect effects due to microbial interactions. We found that microbial interactions could easily generate a large number of spurious associations that provide no mechanistic insight. Using techniques from statistical physics, we developed a method to remove indirect associations and applied it to the largest dataset on pediatric inflammatory bowel disease. Our method corrected the inflation of p-values in standard association tests and showed that only a small subset of associations is directly linked to the disease. Direct associations had a much higher accuracy in separating cases from controls and pointed to immunomodulation, butyrate production, and the brain-gut axis as important factors in the inflammatory bowel disease.