Dynamics of fluctuating populations in multi-state switching environments

Resumen Técnico: Dinámicas de Poblaciones Fluctuantes en Entornos de Conmutación de Múltiples Estados

Planteamiento del Problema
Las poblaciones microbianas evolucionan típicamente en entornos volátiles donde la disponibilidad de recursos fluctúa con el tiempo. Tradicionalmente, estos ciclos de "festín-hambruna" se han modelado utilizando modelos de conmutación binaria (de dos estados), donde la capacidad de carga cambia abruptamente entre condiciones de abundancia y escasez. Aunque son matemáticamente tratables, la evidencia experimental reciente sugiere que los entornos de festín-hambruna del mundo real a menudo exhiben dinámicas temporales más compleas, involucrando transiciones graduales a través de estados intermedios en lugar de saltos abruptos. Estas condiciones intermedias influyen significativamente en los cuellos de botella poblacionales, la competencia entre cepas y la evolución de estrategias ecológicas (por ejemplo, generalista frente a especialista). El artículo aborda la brecha en la comprensión teórica sobre cómo las poblaciones compiten en entornos caracterizados por un número finito de estados intermedios, cada uno con distintas capacidades de carga, y cómo estas dinámicas de múltiples estados difieren de sus contrapartes binarias.

Metodología
El autor investiga la competencia entre dos cepas: un tipo de crecimiento más rápido ($F$) con un fitness basal $f_F=1$ y un tipo de crecimiento más lento ($S$) con un fitness $f_S=1-s$ (donde $0 < s \ll 1$). El tamaño de la población $N(t)$ es fluctuante en el tiempo y está limitado por una capacidad de carga $K(t)$ que evoluciona como una cadena de Markov de tiempo continuo.

1. Formulación del Modelo: El entorno se modela como un sistema de $(2n+1)$ estados, ordenados desde el estado más hostil ($i=-n$, hambruna) hasta el más benigno ($i=n$, festín). Cada estado $i$ posee una capacidad de carga específica $K_i$, ordenada tal que $K_{-n} < \dots < K_0 < \dots < K_n$. Las transiciones ocurren entre estados vecinos más cercanos con tasas $\nu_{2n+1}^\pm$ (para estados hostiles) y $\omega_{2n+1}^\pm$ (para estados benignos), permitiendo dinámicas de conmutación asimétricas controladas por un parámetro de sesgo $\delta$ y un parámetro de asimetría de tasa $\epsilon$.
2. Simulación Estocástica: La dinámica basada en individuos se simula utilizando el algoritmo de Gillespie. El sistema se define mediante procesos de nacimiento-muerte donde las tasas de nacimiento dependen del fitness y las tasas de muerte dependen del término logístico $N/K(t)$.
3. Enfoques Analíticos:
   • Análisis de Campo Medio (Mean-Field): Utilizado para establecer la separación de escalas temporales entre la dinámica ecológica (tamaño de la población $N$) y la dinámica evolutiva (fracción de la cepa $x$).
   • Aproximación de Moran: Aplicada en entornos estáticos para derivar probabilidades de fijación y tiempos medios de fijación.
   • Proceso de Markov Determinista por Partes (N-PDMP): Una aproximación híbrida donde $N$ evoluciona de forma determinista entre los cambios ambientales. Esto se utiliza para aproximar la distribución de la población (PSD) y las probabilidades de fijación en entornos fluctuantes.
   • Regímenes Límite: Se derivan expresiones analíticas para el "cambio lento" (donde los cambios ambientales son más lentos que la selección) y el "cambio rápido" (donde las fluctuaciones ambientales se auto-promedian), utilizando aproximaciones "quenched" (congeladas) y "annealed" (recocidas) respectivamente.

Contribuciones Clave y Resultados

• Distribución del Tamaño de la Población (PSD):

  • El estudio caracteriza la PSD a través de tres regímenes: cambio lento, intermedio y rápido.
  • En el régimen de cambio lento ($\nu \ll 1$), la PSD es multimodal, exhibiendo $2n+1$ picos que corresponden a las capacidades de carga de los estados ambientales individuales. Esto contrasta con los modelos binarios, que muestran solo dos picos.
  • En el régimen de cambio rápido ($\nu \gg 1$), la PSD se vuelve unimodal, centrada alrededor de una capacidad de carga efectiva $K_{2n+1}$ (la media armónica de $K_i$ ponderada por la distribución estacionaria).
  • La PSD es generalmente de cola derecha debido a la asimetría del crecimiento y decaimiento logístico. La presencia de estados intermedios ensancha la distribución en comparación con los modelos binarios.

• Probabilidad de Fijación de la Cepa Lenta ($\phi$):

  • El artículo cuantifica cómo la probabilidad de que la cepa más lenta ($S$) se fije (tome el control de la población) depende del número de estados ($n$), la tasa de cambio y la distribución de las capacidades de carga.
  • Cambio Lento: La probabilidad de fijación se aproxima como un promedio ponderado de las probabilidades de fijación de Moran sobre la distribución estacionaria de los estados. Los entornos de múltiples estados pueden tanto aumentar como suprimir $\phi$ en relación con los modelos binarios, dependiendo de la posición de la capacidad de carga mediana ($K_0$) y el sesgo ambiental ($\delta$). Específicamente, si el entorno pasa un tiempo significativo en estados hostiles (bajo $K$), la probabilidad de fijación de la cepa lenta puede ser mayor que en los modelos binarios.
  • Cambio Rápido: La probabilidad de fijación está determinada por la capacidad de carga efectiva $K_{2n+1}$. El artículo deriva condiciones bajo las cuales $K_{2n+1}$ en modelos de múltiples estados es menor que la capacidad efectiva en modelos binarios, aumentando así la probabilidad de fijación de la cepa lenta.
  • Cambio Intermedio: Se propone una aproximación basada en N-PDMP (Ec. 19), que reescala la tasa de cambio para tener en cuenta el número de cambios que ocurren en la escala temporal evolutiva. Esta aproximación captura con precisión el comportamiento no monótono de la probabilidad de fijación en el régimen intermedio, incluyendo los picos débiles observados en las simulaciones.

• Comparación con Modelos Binarios:

  • El estudio demuestra que los modelos de múltiples estados capturan características dinámicas ausentes en los modelos binarios, tales como la existencia de cuellos de botella poblacionales intermedios y escenarios complejos de fijación donde el resultado depende de manera no trivial de la frecuencia y la amplitud de la conmutación.
  • El sesgo ambiental ($\delta$) influye significativamente en las probabilidades de fijación; por ejemplo, un sesgo hacia estados benignos ($\delta > 0$) generalmente reduce la probabilidad de fijación de la cepa lenta. Además, aumentar el número de estados ambientales generalmente reduce la probabilidad de fijación de la cepa lenta, un efecto que se amplifica fuertemente cuando el sesgo ambiental favorece las condiciones benignas.

Significancia y Reivindicaciones
El artículo sostiene que los modelos de conmutación estocástica de múltiples estados proporcionan un marco de grano grueso necesario para comprender los ciclos de festín-hambruna que no pueden ser capturados por aproximaciones binarias. Al modelar explícitamente los estados ambientales intermedios, el autor muestra que la frecuencia y la amplitud de las fluctuaciones ambientales moldean la dinámica eco-evolutiva de maneras complejas.

Específicamente, el trabajo destaca que:

1. Los estados intermedios importan: La presencia de transiciones graduales entre el festín y la hambruna altera las estadísticas del tamaño de la población y las probabilidades de fijación, llevando a escenarios donde la cepa más lenta tiene más o menos probabilidades de fijarse en comparación con los escenarios de conmutación abrupta.
2. Tractabilidad Analítica: A pesar de la complejidad, la dinámica puede caracterizarse efectivamente utilizando aproximaciones N-PDMP y regímenes límite, proporcionando un puente entre los procesos estocásticos microscópicos y las estadísticas poblacionales macroscópicas.
3. Relevancia Experimental: Los modelos se alinean con hallazgos experimentales recientes que sugieren que las estadísticas temporales de las fluctuaciones ambientales (frecuencia y amplitud) son determinantes críticos de la adaptación microbiana y los resultados de la competencia.

El autor concluye que este marco ofrece una herramienta versátil para investigar cómo las propiedades estadísticas de la variabilidad ambiental influyen en los resultados evolutivos, sin pretender ser una descripción mecánica de procesos específicos de absorción de nutrientes. El trabajo se presenta como un paso hacia la comprensión del problema más difícil de la dinámica eco-evolutiva bajo ruido ambiental continuo.