We investigate the cooperation dynamics attributed to the interplay between the evolution of individual strategies and evolution of individual partnerships. We focus on the effect of reputation on an individual's partner-switching process. We assume that individuals can either change their strategies by imitating their partners or adjust their partnerships based on local information about reputations. We manipulate the partner switching in two ways; that is, individuals can switch from the lowest reputation partners, either to their partners' partners who have the highest reputation (i.e., ordering in partnership) or to others randomly chosen from the entire population (i.e., randomness in partnership). We show that when individuals are able to alter their behavioral strategies and their social interaction partnerships on the basis of reputation, cooperation can prevail. We find that the larger temptation to defect and the denser the partner network, the more frequently individuals need to shift their partnerships in order for cooperation to thrive. Furthermore, an increasing tendency of switching to partners' partners is more likely to lead to a higher level of cooperation. We show that when reputation is absent in such partner-switching processes, cooperation is much less favored than that of the reputation involved. Moreover, we investigate the effect of discounting an individual's reputation on the evolution of cooperation. Our results highlight the importance of the consideration of reputation (indirect reciprocity) on the promotion of cooperation when individuals can adjust their partnerships.

The problem of achieving widespread immunity to infectious diseases by voluntary vaccination is often presented as a public-goods dilemma, as an individual's vaccination contributes to herd immunity, protecting those who forgo vaccination. The temptation to free-ride brings the equilibrium vaccination level below the social optimum. Here, we present an evolutionary game-theoretic approach to this problem, exploring the roles of individual imitation behaviour and population structure in vaccination. To this end, we integrate an epidemiological process into a simple agent-based model of adaptive learning, where individuals use anecdotal evidence to estimate costs and benefits of vaccination. In our simulations, we focus on parameter values that are realistic for a flu-like infection. Paradoxically, as agents become more adept at imitating successful strategies, the equilibrium level of vaccination falls below the rational individual optimum. In structured populations, the picture is only somewhat more optimistic: vaccination is widespread over a range of low vaccination costs, but coverage plummets after cost exceeds a critical threshold. This result suggests parallels to historical scenarios in which vaccination coverage provided herd immunity for some time, but then rapidly dropped. Our work sheds light on how imitation of peers shapes individual vaccination choices in social networks.

Massive research efforts are now underway to develop a cure for HIV infection, allowing patients to discontinue lifelong combination antiretroviral therapy (ART). New latency-reversing agents (LRAs) may be able to purge the persistent reservoir of latent virus in resting memory CD4+ T cells, but the degree of reservoir reduction needed for cure remains unknown. Here we use a stochastic model of infection dynamics to estimate the efficacy of LRA needed to prevent viral rebound after ART interruption. We incorporate clinical data to estimate population-level parameter distributions and outcomes. Our findings suggest that approximately 2,000-fold reductions are required to permit a majority of patients to interrupt ART for one year without rebound and that rebound may occur suddenly after multiple years. Greater than 10,000-fold reductions may be required to prevent rebound altogether. Our results predict large variation in rebound times following LRA therapy, which will complicate clinical management. This model provides benchmarks for moving LRAs from the lab to the clinic and can aid in the design and interpretation of clinical trials. These results also apply to other interventions to reduce the latent reservoir and can explain the observed return of viremia after months of apparent cure in recent bone marrow transplant recipients and an immediately-treated neonate.

Recent empirical studies have revealed that social interactions among agents in realistic networks merely exist intermittently and occur in a particular sequential order. However, it remains unexplored how to theoretically describe evolutionary dynamics of multiple strategies on temporal networks. Herein, we develop a deterministic theory for studying evolutionary dynamics of any [Formula: see text] pairwise games in structured populations where individuals are connected and organized by temporally activated edges. In the limit of weak selection, we derive replicator-like equations with a transformed payoff matrix characterizing how the mean frequency of each strategy varies over time, and then obtain critical conditions for any strategy to be evolutionarily stable on temporal networks. Interestingly, the re-scaled payoff matrix is a linear combination of the original payoff matrix with an additional one describing local competitions between any pair of different strategies, whose weights are solely determined by network topology and selection intensity. As a particular example, we apply the deterministic theory to analysing the impacts of temporal networks in the mini-ultimatum game, and find that temporally networked population structures result in the emergence of fairness. Our work offers theoretical insights into the subtle effects of network temporality on evolutionary game dynamics.

Cancer immunotherapies rely on how interactions between cancer and immune system cells are constituted. The more essential to the emergence of the dynamical behavior of cancer growth these are, the more effectively they may be used as mechanisms for interventions. Mathematical modeling can help unearth such connections, and help explain how they shape the dynamics of cancer growth. Here, we explored whether there exist simple, consistent properties of cancer-immune system interaction (CISI) models that might be harnessed to devise effective immunotherapy approaches. We did this for a family of three related models of increasing complexity. To this end, we developed a base model of CISI, which captures some essential features of the more complex models built on it. We find that the base model and its derivates can plausibly reproduce biological behavior that is consistent with the notion of an immunological barrier . This behavior is also in accord with situations in which the suppressive effects exerted by cancer cells on immune cells dominate their proliferative effects. Under these circumstances, the model family may display a pattern of bistability , where two distinct, stable states (a cancer-free, and a full-grown cancer state) are possible. Increasing the effectiveness of immune-caused cancer cell killing may remove the basis for bistability, and abruptly tip the dynamics of the system into a cancer-free state. Additionally, in combination with the administration of immune effector cells, modifications in cancer cell killing may be harnessed for immunotherapy without the need for resolving the bistability. We use these ideas to test immunotherapeutic interventions in silico in a stochastic version of the base model. This bistability-reliant approach to cancer interventions might offer advantages over those that comprise gradual declines in cancer cell numbers.

Abstract Evolutionary game dynamics on networks typically consider the competition among simple strategies such as cooperation and defection in the Prisoner’s Dilemma and summarize the effect of population structure as network reciprocity. However, it remains largely unknown regarding the evolutionary dynamics involving multiple powerful strategies typically considered in repeated games, such as the zero-determinant (ZD) strategies that are able to enforce a linear payoff relationship between them and their co-players. Here, we consider the evolutionary dynamics of always cooperate (AllC), extortionate ZD (extortioners), and unbending players in lattice populations based on the commonly used death-birth updating. Out of the class of unbending strategies that can foster reciprocal cooperation and fairness among extortionate players, we consider a particular candidate, pre-optimized through the machine-learning method of particle swarm optimization (PSO), called PSO Gambler. We derive analytical results under weak selection and rare mutations, including pairwise fixation probabilities and long-term frequencies of strategies. In the absence of the third unbending type, extortioners can achieve a half-half split in equilibrium with unconditional cooperators for sufficiently large extortion factors. However, the presence of unbending players fundamentally changes the dynamics and tilts the system to favor unbending cooperation. Most surprisingly, extortioners cannot dominate at all regardless of how large their extortion factor is, and the long-term frequency of unbending players is maintained almost as a constant. Our analytical method is applicable to studying the evolutionary dynamics of multiple strategies in structured populations. Our work provides insights into the interplay between network reciprocity and direct reciprocity, revealing the role of unbending strategies in enforcing fairness and suppressing extortion.

In fighting infectious diseases posing a global health threat, ranging from influenza to Zika, nonpharmaceutical interventions (NPI), such as social distancing and face covering, remain mitigation measures public health can resort to. However, the success of NPI lies in sufficiently high levels of collective compliance, otherwise giving rise to recurrent infections that are not only driven by pathogen evolution but also changing vigilance in the population. Here, we show that compliance with each NPI measure can be highly dynamic and context-dependent during an ongoing epidemic, where individuals may prefer one to another or even do nothing, leading to intricate temporal switching behavior of NPI adoptions. By characterizing dynamic regimes through the perceived costs of NPI measures and their effectiveness in particular regarding face covering and social distancing, our work offers insights into overcoming barriers in NPI adoptions.

Abstract Recent developments of eco-evolutionary models have shown that evolving feedbacks between behavioral strategies and the environment of game interactions, leading to changes in the underlying payoff matrix, can impact the underlying population dynamics in various manners. We propose and analyze an eco-evolutionary game dynamics model on a network with two communities such that players interact with other players in the same community and those in the opposite community at different rates. In our model, we consider two-person matrix games with pairwise interactions occurring on individual edges and assume that the environmental state depends on edges rather than on nodes or being globally shared in the population. We analytically determine the equilibria and their stability under a symmetric population structure assumption, and we also numerically study the replicator dynamics of the general model. The model shows rich dynamical behavior, such as multiple transcritical bifurcations, multistability, and anti-synchronous oscillations. Our work offers insights into understanding how the presence of community structure impacts the eco-evolutionary dynamics within and between niches.

How cooperation evolves and persists widely remains an open problem for improving humanity across domains ranging from climate change to pandemic response. To shed light on how behavioural norms can resolve social dilemmas around cooperation, we present a formal mathematical model of individuals’ decision making under general social norms, encompassing a variety of concerns and motivations an individual may have beyond simply maximizing their own payoff. Using the canonical Prisoner’s dilemma, we compare four norms: compassion, universalizability, reciprocity and equity, to determine which, if any, social forces can facilitate the evolution of cooperation. We analyse our model through a variety of limiting cases, including weak selection, low mutation and large population sizes. This is complemented by computer simulations of population dynamics via a Fisher process, which confirm our theoretical results. We find that the first two norms lead to the emergence of cooperation in a wide range of games, but the latter two cannot. Owing to our framework’s generality, it can be used to investigate many other norms, and how norms themselves evolve. Our work complements recent work on fair-minded learning dynamics and provides a useful bottom-up perspective into understanding the impact of top-down social norms on collective cooperative intelligence.