Biodiversity provides support for life, vital provisions, regulating services and has positive cultural impacts. It is therefore important to have accurate methods to measure biodiversity, in order to safeguard it when we discover it to be threatened. For practical reasons, biodiversity is usually measured at fine scales whereas diversity issues (e.g. conservation) interest regional or global scales. Moreover, biodiversity may change across spatial scales. It is therefore a key challenge to be able to translate local information on biodiversity into global patterns. Many databases give no information about the abundances of a species within an area, but only its occurrence in each of the surveyed plots. In this paper, we introduce an analytical framework to infer species richness and abundances at large spatial scales in biodiversity-rich ecosystems when species presence/absence information is available on various scattered samples (i.e. upscaling). This framework is based on the scale-invariance property of the negative binomial. Our approach allows to infer and link within a unique framework important and well-known biodiversity patterns of ecological theory, such as the Species Accumulation Curve (SAC) and the Relative Species Abundance (RSA) as well as a new emergent pattern, which is the Relative Species Occupancy (RSO). Our estimates are robust and accurate, as confirmed by tests performed on both in silico-generated and real forests. We demonstrate the accuracy of our predictions using data from two well-studied forest stands. Moreover, we compared our results with other popular methods proposed in the literature to infer species richness from presence-absence data and we showed that our framework gives better estimates. It has thus important applications to biodiversity research and conservation practice.

There is mounting empirical evidence that many communities of living organisms display key features which closely resemble those of physical systems at criticality. We here introduce a minimal model framework for the dynamics of a community of individuals which undergoes local birth-death, immigration and local jumps on a regular lattice. We study its properties when the system is close to its critical point. Even if this model violates detailed balance, within a physically relevant regime dominated by fluctuations, it is possible to calculate analytically the probability density function of the number of individuals living in a given volume, which captures the close-to-critical behavior of the community across spatial scales. We find that the resulting distribution satisfies an equation where spatial effects are encoded in appropriate functions of space, which we calculate explicitly. The validity of the analytical formulae is confirmed by simulations in the expected regimes. We finally discuss how this model in the critical-like regime is in agreement with several biodiversity patterns observed in tropical rain forests.

The quantification of tropical tree biodiversity worldwide remains an open and challenging problem. In fact, more than two-fifths of the global tree population can be found either in tropical or sub-tropical forests, but species identities are known only for ≈ 0.000067% of the individuals in all tropical forests. For practical reasons, biodiversity is typically measured or monitored at fine spatial scales. However, important drivers of ecological change tend to act at large scales. Conservation issues, for example, apply to diversity at global, national or regional scales. Extrapolating species richness from the local to the global scale is not straightforward. Indeed, a vast number of different biodiversity estimators have been developed under different statistical sampling frameworks, but most of them have been designed for local/regional-scale extrapolations, and they tend to be sensitive to the spatial distribution of trees, sample coverage and sampling methods. Here, we introduce an analytical framework that provides robust and accurate estimates of species richness and abundances in biodiversity-rich ecosystems, as confirmed by tests performed on various in silico-generated forests. The new framework quantifies the minimum percentage cover that should be sampled to achieve a given average confidence in the upscaled estimate of biodiversity. Our analysis of 15 empirical forest plots shows that previous methods have systematically overestimated the total number of species and leads to new estimates of hyper-rarity at the global scale, known as Fisher's paradox. We show that hyper-rarity is a signature of critical-like behavior in tropical forests, and it provides a buffer against mass extinctions. When biotic factors or environmental conditions change, some of these rare species are more able than others to maintain the ecosystem's functions, thus underscoring the importance of rare species.

Over the last few decades, ecologists have come to appreciate that key ecological patterns, which describe ecological communities at relatively large spatial scales, are not only scale dependent, but also intimately intertwined. The relative abundance of species, which informs us about the commonness and rarity of species, changes its shape from small to large spatial scales. The average number of species as a function of area has a steep initial increase, followed by decreasing slopes at large scales. Finally, if we find a species in a given location, it is more likely we find an individual of the same species close-by, rather than farther apart. Such spatial turnover depends on the geographical distribution of species, which often are spatially aggregated. This reverberates on the abundances as well as the richness of species within a region, but so far it has been difficult to quantify such relationships. Within a neutral framework, which considers all individuals competitively equivalent, we introduce a spatial stochastic model, which phenomenologically accounts for birth, death, immigration and local dispersal of individuals. We calculate the pair correlation function, which encapsulates spatial turnover, and the conditional probability to find a species with a certain population within a given circular area. Also, we calculate the macro-ecological patterns, which we have referred to above, and compare the analytical formulae with the numerical integration of the model. Finally, we contrast the model predictions with the empirical data for two lowland tropical forest inventories, showing always a good agreement.

1 Abstract Physiological and pathological processes are governed by a network of genes called gene regulatory networks (GRNs). By reconstructing GRNs, we can accurately model how cells behave in their natural state and predict how genetic changes will affect them. Transcriptomic data of single cells are now available for a wide range of cellular processes in multiple species. Thus, a method building predictive GRNs from single-cell RNA sequencing (scRNA-seq) data, without any additional prior knowledge, could have a great impact on our understanding of biological processes and the genes playing a key role in them. To this aim, we developed IGNITE (Inference of Gene Networks using Inverse kinetic Theory and Experiments), an unsupervised machine learning framework designed to infer directed, weighted, and signed GRNs directly from unperturbed single-cell RNA sequencing data. IGNITE uses the GRNs to generate gene expression data upon single and multiple genetic perturbations. IGNITE is based on the inverse problem for a kinetic Ising model, a model from statistical physics that has been successfully applied to biological networks. We tested IGNITE on murine pluripotent stem cells (PSCs) transitioning from the naïve to formative states. Using as input only scRNA-seq data of unperturbed PSCs, IGNITE simulated single and triple gene knockouts. Comparison with experimental data revealed high accuracy, up to 74%, outperforming currently available methods. In sum, IGNITE identifies predictive GRNs from scRNA-seq data without additional prior knowledge and faithfully simulates single and multiple gene perturbations. Applications of IGNITE range from studying cell differentiation to identifying genes specifically active under pathological conditions.

We investigate the impact of disturbances on forest ecosystems by examining transient population dynamics in a controlled experiment carried out in a tropical rainforest. We first model the mean species abundance with a simple consumer-resource model, which is then extended into two multi-species frameworks for community dynamics: a neutral model, which emphasises the ability of any species to recover independently of the others; and a non-neutral one, where species interactions play an important role in reconstructing ecosystem’s structure and patterns. The results indicate that, while both frameworks accurately describe correlation functions and mean-variance relations, the non-neutral model more effectively captures community structure as revealed by an evenness indicator. This suggests that interspecific interactions significantly influence the ecosystem’s ability to respond to disturbances, providing deeper insights into the recovery dynamics of forest ecosystems.

Abstract Realistic fitness landscapes generally display a redundancy-fitness trade-off: highly fit trait configurations are inevitably rare, while less fit trait configurations are expected to be more redundant. The resulting sub-optimal patterns in the fitness distribution are typically described by means of effective formulations. However, the extent to which effective formulations are compatible with explicitly redundant landscapes is yet to be understood, as well as the consequences of a potential miss-match. Here we investigate the effects of such trade-off on the evolution of phenotype-structured populations, characterised by continuous quantitative traits. We consider a typical replication-mutation dynamics, and we model redundancy by means of two dimensional landscapes displaying both selective and neutral traits. We show that asymmetries of the landscapes will generate neutral contributions to the marginalised fitness-level description, that cannot be described by effective formulations, nor disentangled by the full trait distribution. Rather, they appear as effective sources, whose magnitude depends on the geometry of the landscape. Our results highlight new important aspects on the nature of sub-optimality. We discuss practical implications for rapidly mutant populations such as pathogens and cancer cells, where the qualitative knowledge of their trait and fitness distributions can drive disease management and intervention policies.

Laboratory experiments with bacterial colonies under well-controlled conditions often lead to evolutionary diversification, where at least two ecotypes emerge from an initially monomorphic population. Empirical evidence suggests that such an “evolutionary branching” occurs stochastically, even under fixed and stable conditions. This stochasticity is characterized by (i) the occurrence of branching in a significant fraction, but not all, of the experimental settings, (ii) the emergence at widely varying times, and (iii) variable relative abundances of the resulting subpopulations across experiments. Theoretical approaches to understanding evolutionary branching under these conditions have been previously developed within the (deterministic) framework of “adaptive dynamics.” Here, we advance the understanding of the stochastic nature of evolutionary outcomes by introducing the concept of “stochastic trade-offs” as opposed to “hard” ones. The key idea is that the stochasticity of mutations occurs in a high-dimensional trait space and this translates into variability that is constrained to a flexible tradeoff curve in a lower-dimensional space. By incorporating this additional source of stochasticity, we are able to account for the observed empirical variability and make predictions regarding the likelihood of evolutionary branching under different experimental conditions. This approach effectively bridges the gap between theoretical predictions and empirical observations, providing insights into when and how evolutionary branching is more likely to occur in laboratory experiments. Published by the American Physical Society 2024