Inferring biodiversity from indicator species using co-occurrence network structure

Imagina intentar comprender a todo el elenco de personajes en una obra de teatro masiva y bulliciosa simplemente observando a unos pocos actores clave en el escenario. Por lo general, si conoces quiénes son las estrellas principales, puedes adivinar quién más está en la obra. Pero, ¿qué pasa con los extras, los suplentes o los personajes que solo aparecen en una escena? Los métodos tradicionales suelen pasarlos por alto, especialmente si la obra es enorme o la audiencia (los datos) es escasa.

Este artículo presenta una nueva y más inteligente forma de adivinar la lista completa del elenco observando cómo los actores interactúan entre sí, en lugar de simplemente contarlos.

Aquí está el desgido de su enfoque utilizando analogías sencillas:

1. El problema: La limitación del "foco de atención"
Los ecólogos suelen utilizar "especies indicadoras" (como las estrellas principales) para adivinar cómo es el resto del ecosistema (el elenco completo). Sin embargo, esto suele fallar para las especies raras o difíciles de encontrar (los extras) porque no tienen suficiente "tiempo en pantalla" en los datos.

2. La solución: El mapa de la "red social"
En lugar de limitarse a observar quién está presente, los autores construyeron una red de coocurrencia. Piensa en esto como un gigantesco mapa de redes sociales del bosque.

• Si la Especie A y la Especie B casi siempre se ven juntas, son "amigas" en este mapa.
• Si la Especie A es una "especie indicadora" (una estrella conocida) y es amiga de la especie desconocida y rara Especie B, el mapa nos dice: "Si ves a la estrella, el amigo desconocido también está probablemente allí, incluso si aún no lo has detectado".

3. El "detective" de aprendizaje automático
El equipo utilizó un programa informático (aprendizaje automático) para estudiar la forma y la estructura de esta red social. Aprendió a detectar patrones en la forma en que las especies pasan el tiempo juntas. Esto les permitió inferir la presencia de especies no indicadoras sin necesidad de medir explícitamente cada factor ambiental (como el pH del suelo o la temperatura). Es como deducir todo el círculo social de una persona simplemente sabiendo quién es su mejor amigo.

4. Los tres "regímenes" de predicción
Los investigadores descubrieron que su método funciona de manera diferente dependiendo de qué tan común sea una especie:

• La multitud popular (Especies abundantes): Estas son fáciles de predecir. Están en todas partes, por lo que la red las ve claramente.
• El grupo intermedio (Especies intermedias): Estos son los más difíciles de adivinar. Son lo suficientemente comunes como para ser notados, pero no lo suficientemente comunes como para tener conexiones fuertes y obvias con los indicadores.
• Las joyas ocultas (Especies raras): Sorprendentemente, el método fue muy bueno encontrando estas. ¿Por qué? Porque las especies raras suelen tener amistades muy estrechas y específicas con las especies indicadoras. Si la "estrella" está ahí, el "amigo raro" casi garantiza que también estará allí. La estructura de la red actúa como una red de seguridad que los atrapa.

5. Por qué es mejor
Los métodos antiguos eran como intentar adivinar el tamaño de la multitud simplemente contando a las personas en la primera fila. Este nuevo método es como mirar el plano de los asientos y las amistades entre las personas. Encontró de manera constante más especies y fue más preciso que simplemente elegir especies "indicadoras" al azar o simplemente contar cuántos tipos de especies estaban presentes.

La conclusión
Este enfoque es una herramienta "eficiente en datos". Esto significa que los científicos pueden obtener una imagen mucho más clara de la biodiversidad incluso cuando no cuentan con datos perfectos o completos. Demuestra que, al comprender la "estructura social" de la naturaleza —quién pasa tiempo con quién—, podemos predecir con precisión la presencia de especies que ni siquiera hemos visto todavía.