# Microbial Adaptation and the Statistics of Epistasis and Pleiotropy

> **NIH NIH R01** · HARVARD UNIVERSITY · 2024 · $365,547

## Abstract

PROJECT SUMMARY/ABSTRACT
The overall goal of my research program is to understand adaptation in microbial populations, using a 
combination of mathematical modeling and high-­throughput experimental evolution in budding yeast. At root, 
we aim to predict how evolution chooses probabilistically among different mutational trajectories, to determine 
the rate and outcomes of adaptation. In the short term, evolution depends primarily on the distribution of fitness 
effects of individual mutations. However, on longer timescales epistatic interactions between mutations can be 
crucial. Similarly, mutations often have different fitness effects in different environments (“pleiotropy for 
fitness”). This is essential to evolution in fluctuating environments. Recent work shows that epistasis and 
pleiotropy are strong and common among specific sets of mutations in many microbial systems. However, 
these studies of specific limited sets of mutations cannot fully explain how epistasis and pleiotropy constrain 
the rate, repeatability, or dynamics of adaptation. And even given a complete set of epistatic and pleiotropic 
interactions, we are still often unable to predict how evolution will act. This severely limits our ability to 
understand the evolution of complex phenotypes, such as compensated antibiotic resistance, multiple 
mutations required for immune escape, or multiple gene knockouts enabling cancer evolution.  
The central objective of this proposal is to examine the role of epistasis and pleiotropy for fitness in the 
evolution of microbial populations. Rather than characterizing specific examples, we propose to survey the 
overall statistics of epistasis and pleiotropy that are relevant for constraining microbial adaptation, and to 
analyze how this epistasis and pleiotropy alters how evolution chooses among possible mutational trajectories. 
In Aim 1, we will quantify statistical patterns of epistasis among both natural variants and mutations relevant to 
adaptation in laboratory budding yeast populations. We will use our data to test recent theoretical predictions 
describing how overall statistical patterns of epistasis emerge from individual idiosyncratic interactions. In Aim 
2, we will measure patterns of pleiotropy across hundreds of environmental conditions, and use our data as the 
basis for a novel computational method to infer lower-­dimensional statistical structure in the underlying 
phenotypic space. Finally, in Aim 3, we will track evolutionary dynamics in fluctuating conditions in both clonally 
evolving and outcrossed recombining laboratory budding yeast populations, using genetic systems we have 
developed to control mating and to continuously barcode lineages. We will interpret these results within the 
context of novel population genetic theory we will develop to predict how epistasis and pleiotropy affect 
evolutionary dynamics in fluctuating environments. In contrast to recent work probing epistasis and pleiotropy 
between r...

## Key facts

- **NIH application ID:** 10842347
- **Project number:** 5R01GM104239-12
- **Recipient organization:** HARVARD UNIVERSITY
- **Principal Investigator:** Michael M Desai
- **Activity code:** R01 (R01, R21, SBIR, etc.)
- **Funding institute:** NIH
- **Fiscal year:** 2024
- **Award amount:** $365,547
- **Award type:** 5
- **Project period:** 2013-07-01 → 2026-05-31

## Primary source

NIH RePORTER: https://reporter.nih.gov/project-details/10842347

## Citation

> US National Institutes of Health, RePORTER application 10842347, Microbial Adaptation and the Statistics of Epistasis and Pleiotropy (5R01GM104239-12). Retrieved via AI Analytics 2026-05-24 from https://api.ai-analytics.org/grant/nih/10842347. Licensed CC0.

---

*[NIH grants dataset](/datasets/nih-grants) · CC0 1.0*