Abstract Bipartite network analysis is a powerful tool to study the processes structuring interactions in antagonistic ecological communities. In applying the method, we assume that the sampled interactions provide an accurate representation of the actual community. However, acquiring a representative sample may be difficult as not all species are equally abundant or easily identifiable. Two potential sampling issues can compromise the conclusions of bipartite network analyses: failure to capture the full range of interactions of species (sampling completeness) and failure to identify species correctly (taxonomic resolution). These sampling issues are likely to co-occur in community ecology studies. We asked how commonly used descriptors (modularity, nestedness, connectance and specialisation (H 2 ′)) of bipartite communities are affected by reduced host sampling completeness, parasite taxonomic resolution and their crossed effect. We used a quantitative niche model to generate replicates of simulated weighted bipartite networks that resembled natural host-parasite communities. The combination of both sampling issues had an additive effect on modularity and nestedness. The descriptors were more sensitive to uncertainty in parasite taxonomic resolution than to host sampling completeness. All descriptors in communities capturing less than 70% of correct taxonomic resolution strongly differed from correctly identified communities. When only 10% of parasite taxonomic resolution was retained, modularity and specialisation decreased ∼0.3 and ∼0.1-fold respectively, and nestedness and connectance changed ∼0.7 and ∼3.2-fold respectively. The loss of taxonomic resolution made the confidence intervals of estimates wider. Reduced taxonomic resolution led to smaller size of the communities, which emphasised the larger relative effect of taxonomic resolution on smaller communities. With regards to host sampling completeness, connectance and specialisation were robust, nestedness was reasonably robust (∼0.2-fold overestimation), and modularity was sensitive (∼0.5-fold underestimation). Nonetheless, most of the communities with low resolution for both sampling issues were structurally equivalent to correctly sampled communities (i.e., more modular and less nested than random assemblages). Therefore, modularity and nestedness were useful as categorical rather than quantitative descriptors of communities affected by sampling issues. We recommend evaluating both sampling completeness and taxonomic certainty when conducting bipartite network analyses. We also advise to apply the most robust descriptors in circumstances of unavoidable sampling issues. Open Research statement we provide permanent and open access links to data sources and replication code in Appendix S1.

Symbiosis is a key driver of evolutionary novelty and ecological diversity, but our understanding of how macroevolutionary processes originate extant symbiotic associations is still very incomplete. Cophylogenetic tools are used to assess the congruence between the phylogenies of two groups of organisms related by extant associations. If phylogenetic congruence is higher than expected by chance, we conclude that there is cophylogenetic signal in the system under study. However, how to quantify cophylogenetic signal is still an open issue. We present a novel approach, Random Tanglegram Partitions (Random TaPas) that applies a given global-fit method to random partial tanglegrams of a fixed size to identify the associations, terminals and nodes that maximize phylogenetic congruence. By means of simulations, we show that the output value produced is inversely proportional to the number and proportion of cospeciation events employed to build simulated tanglegrams. In addition, with time-calibrated trees, Random TaPas is also efficient at distinguishing cospeciation from pseudocospeciation. Random TaPas can handle large tanglegrams in affordable computational time and incorporates phylogenetic uncertainty in the analyses. We demonstrate its application with two real examples: Passerine birds and their feather mites, and orchids and bee pollinators. In both systems, Random TaPas revealed low cophylogenetic signal, but mapping its variation onto the tanglegram pointed to two different coevolutionary processes. We suggest that the recursive partitioning of the tanglegram buffers the effect of phylogenetic nonindependence occurring in current global-fit methods and therefore Random TaPas is more reliable than regular global-fit methods to identify host-symbiont associations that contribute most to cophylogenetic signal. Random TaPas can be implemented in the public-domain statistical software R with scripts provided herein. A User’s Guide is also available at GitHub.

Abstract 1. Most species in ecological communities are rare whereas only a few are common. This distributional paradox has intrigued ecologists for decades but the interpretation of species abundance distributions remains elusive. 2. We present Fuzzy Quantification of Common and Rare Species in Ecological Communities (FuzzyQ) as an R package. FuzzyQ shifts the focus from the prevailing species-categorization approach to develop a quantitative framework that seeks to place each species along a rare-commonness gradient. Given a community surveyed over a number of sites, quadrats, or any other convenient sampling unit, FuzzyQ uses a fuzzy clustering algorithm that estimates a probability for each species to be common or rare based on abundance-occupancy information. Such as probability can be interpreted as a commonness index ranging from 0 to 1. FuzzyQ also provides community-level metrics about the coherence of the allocation of species into the common and rare clusters that are informative of the nature of the community under study. 3. The functionality of FuzzyQ is shown with two real datasets. We demonstrate how FuzzyQ can effectively be used to monitor and model spatio-temporal changes in species commonness, and assess the impact of species introductions on ecological communities. We also show that the approach works satisfactorily with a wide range of communities varying in species richness, dispersion and abundance currencies. 4. FuzzyQ produces ecological indicators easy to measure and interpret that can give both clear, actionable insights into the nature of ecological communities and provides a powerful way to monitor environmental change on ecosystems. Comparison among communities is greatly facilitated by the fact that the method is relatively independent of the number of sites or sampling units considered. Thus, we consider FuzzyQ as a potentially valuable analytical tool in community ecology and conservation biology.