Donörden Hastaya Değil, Veriyle Tasarlanmış Mikrobiyota: FMT’de Multi-omik ve Yapay Zeka Yaklaşımları

Fekal mikrobiyota transplantasyonu (FMT), bağırsak mikrobiyotasının yeniden düzenlenmesini hedefleyen etkili bir tedavi yöntemi olmakla birlikte, tedavi başarısındaki bireysel farklılıklar donör–alıcı etkileşimlerinin daha kapsamlı incelenmesini gerekli kılmaktadır. Bu derlemede, FMT’nin çoklu omik (metagenomik, metatranskriptomik, proteomik ve metabolomik) yaklaşımlar ile değerlendirilmesi, bu verilerin yapay zekâ destekli analizlerle bütünleştirilmesi ve kişiselleştirilmiş tedavi stratejilerindeki rolü ele alınmıştır. Ayrıca çok katmanlı veri entegrasyonunda karşılaşılan biyoinformatik zorluklar, dijital bağırsak ikizi (Digital Gut Twin) yaklaşımı ve “süper donör” kavramı güncel literatür doğrultusunda değerlendirilmiştir. Çoklu omik teknolojiler ile yapay zekânın birlikte kullanılması, FMT’nin ampirik bir uygulamadan öngörülebilir, güvenli ve hassas tıp odaklı bir tedavi modeline dönüşümünde önemli bir potansiyel sunmaktadır. Bununla birlikte, bu yaklaşımın rutin klinik uygulamalara aktarılabilmesi için veri standardizasyonu, geniş ölçekli klinik doğrulama çalışmaları ve disiplinler arası iş birliklerinin güçlendirilmesine ihtiyaç bulunmaktadır.

1. Giriş

Fekal Mikrobiyota Transplantasyonu, sağlıklı bir donörden elde edilen bağırsak mikrobiyotasının hastaya aktarılmasıyla bağırsak mikrobiyal dengesini yeniden oluşturmayı amaçlayan bir tedavi yöntemidir.^1,2  FMT’nin amacı, bağırsak mikrobiyotasının değişmesi ile bağlantılı hastalıkları tedavi etmek ve bağırsak mikrobiyotasının homeostazını sağlıklı hale getirmektir ³. Fekal mikrobiyota transplantasyonunun (FMT) kökeni, mikroorganizmaların ve bağırsak mikrobiyotasının bilimsel olarak tanımlanmasından çok daha eski dönemlere uzanmaktadır. Bu uygulamaya ilişkin en eski kayıtlar, dördüncü yüzyılda Çin’de şiddetli ishal ve gıda zehirlenmesi yaşayan hastaların tedavisinde “sarı çorba” olarak adlandırılan insan dışkısı süspansiyonunun kullanıldığını göstermektedir ⁴. 1950’lerde tanıtılan bu yöntemin önemi, virülan ve antibiyotik dirençli C. difficile suşlarının ortaya çıkmasıyla birlikte artmıştır ⁵. Tekrarlayan CDI olgularında FMT’nin iyileşme oranı yaklaşık %80-90 civarında olduğu bildirilmiş ⁴. Bununla birlikte, FMT’nin klinik başarısı her hastada aynı düzeyde gerçekleşmemektedir. Bazı hastalarda belirgin iyileşme sağlanırken, benzer özelliklere sahip diğer bireylerde tedaviye verilen yanıt sınırlı kalabilmektedir. Ayrıca bazı donörlerden yapılan nakillerin daha yüksek başarı oranlarıyla ilişkilendirilmesi, “süper donör” kavramını gündeme getirmiştir. Ancak günümüzde hangi biyolojik özelliklerin ideal donörü tanımladığı ve donör–alıcı uyumunu belirlediği hâlen tam olarak açıklığa kavuşturulamamıştır. Son yıllarda elde edilen bulgular, FMT başarısının yalnızca mikrobiyal çeşitliliğe değil; donör ve alıcı mikrobiyotası arasındaki fonksiyonel etkileşimlere, mikrobiyal metabolitlere ve konak yanıtına da bağlı olduğunu göstermektedir. Bu durum, FMT’nin daha doğru anlaşılabilmesi ve kişiye özgü tedavi stratejilerinin geliştirilebilmesi için mikrobiyomu çok yönlü değerlendiren multi-omik yaklaşımlarına olan gereksinimi ortaya koymaktadır ⁶.

2. FMT’de Multi-Omik Yaklaşımlar

İlk yıllarda FMT çalışmaları yalnızca mikrobiyal çeşitlilik üzerine odaklanmış olsa da, bu yaklaşımın sınırlılıkları nedeniyle günümüzde bu teknoloji sayesinde mikrobiyal yapı, fonksiyon ve konak yanıtı birlikte değerlendiren multi-omik teknolojiler kullanılmaktadır. Böylece FMT’nin etki mekanizmaları daha ayrıntılı olarak açıklanabilmektedir ^1,2. Çoklu omiks analizi sayesinde mikrobiyom içindeki mikro-ekolojik çapraz besleme (cross-feeding) mekanizmaları çözülebilmektedir.  Örneğin, konak tarafından diyetle alınan beta-glukan (BG) moleküllerinin bağırsaktaki metabolizması buna klasik bir örnektir ⁷. Aynı zamanda alıcının bazal (tedavi öncesi) omik profilini çıkararak hangi donörün spesifik eksiklikleri kapatabileceğini hesaplar ⁹.

2.1 Mikrobiyom Temelli Çoklu Omik Entegrasyon Yöntemleri

Çoklu omik analizi, biyolojik sistemlerin daha kapsamlı anlaşılmasını sağlayan ve yeni tedavi ile ilaç geliştirme süreçlerini dönüştürme potansiyeline sahip güçlü bir yaklaşımdır 8. Bu yaklaşımda, biyolojik sistemleri bütüncül olarak inceleyebilmek amacıyla metaproteomik (MP), metagenomik (MG), metatranskriptomik (MT), metabolomik (M) gibi farklı omik veri türleri bir araya getirilerek çoklu omik veriler oluşturulur. ^8,10 Bunların her birinin güçlü ve zayıf yönleri vardır ¹¹.

2.1.1. Proteomik

Proteomik, bir hücre, doku veya biyolojik örnekte ifade edilen tüm proteinlerin yapısını ve işlevini inceleyen omik bilim dalıdır. FMT çalışmalarında proteomik analizler, mikrobiyota ile konak arasındaki fonksiyonel etkileşimlerin ve tedaviye bağlı protein düzeyindeki değişimlerin ortaya konulmasını sağlar. Genomik, metabolomik ve diğer omik verilerle birlikte değerlendirilen proteomik veriler, yapay zeka destekli analizlerle biyobelirteçlerin belirlenmesine, FMT yanıtının öngörülmesine ve tedavi mekanizmalarının daha kapsamlı anlaşılmasına katkı sağlamaktadır ⁸.

2.1.2. Metagenomik

Metagenomik, bağırsaktaki tüm mikroorganizmaların DNA’sını analiz ederek mikrobiyal topluluğun taksonomik ve fonksiyonel özelliklerini ortaya koyar. FMT çalışmalarında metagenomik analizlerle; donör mikrobiyotasının alıcıya ne ölçüde yerleştiği (engraftment), mikrobiyal çeşitlilikte meydana gelen değişiklikler, metabolik yolaklar, antibiyotik direnç genleri incelenmektedir.

Başarılı FMT sonrasında donör kökenli bakterilerin bağırsakta kalıcı olarak kolonize olduğu ve bunun tedavi başarısıyla ilişkili olduğu gösterilmiştir. Ayrıca yalnızca bakteri türlerinin değil, fonksiyonel gen içeriklerinin de değerlendirilmesi gerektiği vurgulanmaktadır ².

2.1.3. Metatranskriptomik

Metatranskriptomik, mikrobiyal RNA’yı analiz ederek hangi genlerin aktif olarak ifade edildiğini belirler. Aynı bakteriyel tür iki farklı bireyde bulunabilir; ancak, gen ekspresyonlarının farklı olması nedeniyle metabolik aktiviteleri tamamen farklı olabilir. Bu nedenle metatranskriptomik, FMT sonrasında mikrobiyotanın fonksiyonel olarak nasıl değiştiğini göstermede önemli bir araçtır ^2,8,12. Genlerin düzenlenmesi ve ifadesinin anlaşılması için gerekli olan önemli bir çoklu omik veri türüdür ⁸. Bu durum, yakın zamanda gerçekleştirilen çoklu omik bir FMT çalışmasında deneysel olarak da gösterilmiş; aynı donörden transplantasyon yapılan bireylerde metatranskriptomik profillerin farklılık gösterdiği ve bunun tedavi yanıtındaki bireysel değişkenliği açıkladığı bildirilmiştir ¹³.

2.1.4. Metabolomik

Biyolojik sıvılarda, dokularda ve hücrelerde bulunan metabolitlerin veya küçük moleküllerin incelenmesine metabolomik denir. Metabolit seviyelerindeki değişiklikler, bir hastalığın teşhisi veya gelişiminin izlenmesinde kullanılabilir ⁸. Metabolomik, kütle spektrometrisi (MS) ve nükleer manyetik rezonans (NMR) spektroskopisi gibi yöntemlerle bağırsak mikrobiyotası tarafından üretilen metabolitlerin analizini sağlayan omik yaklaşımdır. FMT çalışmalarında metabolomik, mikrobiyal toplulukların fonksiyonel çıktılarının değerlendirilmesine, konak-mikrobiyota etkileşimlerinin anlaşılmasına ve tedaviye bağlı metabolik değişikliklerin belirlenmesine olanak tanır. Elde edilen metabolik profiller, FMT etkinliğinin değerlendirilmesi ve tedavi yanıtını öngörebilecek biyobelirteçlerin tanımlanmasında önemli bir rol oynamaktadır¹³.

Her ne kadar multi-omik yaklaşımlar FMT’nin biyolojik mekanizmalarını ayrıntılı biçimde ortaya koysa da, farklı veri katmanlarının birlikte analiz edilmesi önemli biyoinformatik ve hesaplamalı zorlukları da beraberinde getirmektedir^12,14.

3. Mikrobiyom Çoklu Omik Entegrasyonundaki Temel Zorluklar Ve Teknik Engeller

Mikrobiyom çalışmalarında metagenomik, metatranskriptomik, metaproteomik ve metabolomik verilerinin entegrasyonu; veri setlerinin aşırı seyrek (sıfır ağırlıklı) ve kompozisyonel yapısı nedeniyle sahte istatistiksel korelasyonlar üretmeye oldukça meyillidir¹².

Farklı omik katmanlarının (örneğin kütle spektrometrisi ile shotgun dizileme) ölçüm ölçekleri ile veri dağılımlarındaki heterojenlik, biyolojik değişken sayısının örnek sayısını fersah fersah aşmasından kaynaklanan “boyutluluk laneti” ve kamu veri tabanlarındaki referans genom/metabolit eksiklikleri fonksiyonel eşleştirmeyi teknik olarak engellemektedir ¹⁴.

Beslenme düzeni, coğrafya, ilaç kullanımı gibi güçlü dışsal karıştırıcı faktörlerin yanında mikrobiyomun zamansal dalgalanmaları da bu karmaşıklığı artırırken; günümüzde bu analitik darboğazları aşmak adına, hastalıkla ilişkili çok katmanlı özellikleri ortaklaşa kümeleyen MintTea gibi ara entegrasyon algoritmaları ve sistem biyolojisi modellemeleri geliştirilmektedir ^15,16.

4. Kişiselleştirilmiş FMT ve Veri Entegrasyonu

Donörden elde edilen rastgele fekal mikrobiyota transplantasyonu (FMT), donörler arasındaki mikrobiyota bileşimindeki farklılıklar, tedavi sonuçlarının öngörülemezliği ve güvenlik açısından taşıdığı riskler nedeniyle kişiselleştirilmiş tedavi yaklaşımlarına olan ihtiyacı artırmaktadır. Bu doğrultuda, yapay zeka destekli programlanabilir mikrobiyom yaklaşımı, alıcının bağırsak ekosistemindeki spesifik defektlerin önceden belirlenmesiyle başlar ve geleneksel FMT uygulamalarına alternatif olarak geliştirilen yenilikçi bir strateji olarak öne çıkmaktadır^17,18.

Bu kapsamda amaç, rastgele seçilmiş bir donörden elde edilen mikrobiyotanın doğrudan transfer edilmesi yerine, hastanın biyolojik özelliklerine en uygun mikrobiyal kompozisyonun bilgisayar ortamında (in silico) tasarlanmasıdır ¹⁰.

Yapay zeka modelleri, farklı bakteri türlerinin birbirleriyle olan ekolojik etkileşimlerini, metabolik ağlarını ve konak metabolizması üzerindeki etkilerini simüle ederek çeşitli mikrobiyal kombinasyonların olası terapötik sonuçlarını tedavi öncesinde değerlendirebilmektedir ¹⁸. Örneğin, sistem biyolojisi tabanlı hesaplamalı modeller; mikrobiyal topluluk dinamiklerini, metabolit akışlarını ve konak-mikrobiyota etkileşimlerini çok katmanlı olarak analiz ederek hangi bakterilerin birlikte kullanılmasının en yüksek terapötik etkiyi oluşturacağını tahmin edilmesine katkı sağlayacaktır¹⁰.

4.1. Dijital Bağırsak İkizleri ve FMT’nin Sanal Modellemesi

Multi-omik teknolojiler ve yapay zeka destekli analizlerin gelişmesiyle birlikte, fekal mikrobiyota transplantasyonunda (FMT) yalnızca mevcut mikrobiyota profilinin değerlendirilmesi değil, aynı zamanda tedavi öncesinde olası biyolojik yanıtların bilgisayar ortamında öngörülmesi de mümkün hâle gelmeye başlamıştır. Bu doğrultuda geliştirilen dijital bağırsak ikizi (Digital Gut Twin) yaklaşımı, bireyin bağırsak mikrobiyotasını temsil eden ve metagenomik, metatranskriptomik, metabolomik ile klinik verilerin sürekli entegrasyonu sayesinde güncellenebilen dinamik bir hesaplamalı model olarak tanımlanmaktadır ^19-21. Böylece dijital bağırsak ikizleri, en uygun donör–alıcı eşleşmesini belirlemenin ötesine geçerek farklı FMT senaryolarını klinik uygulama öncesinde simüle edebilen karar destek platformlarına dönüşmektedir. Bu yönüyle dijital ikiz teknolojisinin, gelecekte FMT’nin daha öngörülebilir, güvenli ve kişiselleştirilmiş bir tedavi yaklaşımı hâline gelmesine önemli katkılar sağlayacağı düşünülmektedir ^10,18,22.

4.2.2. Süper Donör Kavramı ve Bütünleştirici Yapay Zeka

Son yıllarda yapılan klinik çalışmalar, bazı donörlerden yapılan nakillerin diğerlerine kıyasla belirgin şekilde yüksek iyileşme oranları sağladığını göstermektedir. Literatürde “Süper Donör” olarak adlandırılan bu fenotipin keşfi, donör seçim süreçlerinde geleneksel yaklaşımların ötesine geçen çok boyutlu bir analiz dönemini başlatmıştır.  Multi-omik çağında donör seçiminde sadece mikrobiyal türlerin varlığına değil, bu türlerin metabolomik profillerine ve fonksiyonel gen ailelerine de bakılmaktadır. Bu çok boyutlu verilerin entegrasyonu, alıcının hasar görmüş bağırsak ekosistemini kalıcı ve başarılı bir şekilde restore etme kapasitesine sahip olan ideal süper donör profilinin net bir şekilde tanımlanmasına olanak tanır ²³.

Çok boyutlu omik katmanlarından elde edilen bu veri yoğunluğunu insan analizi sınırlarını aşan hesaplamalı modelleri zorunlu kılmaktadır. Tam bu noktada devreye giren bütünleştirici yapay zeka (integrative AI) algoritmaları, donörün mikrobiyal fonksiyonel kapasitesini hassas bir şekilde modelleyebilmektedir. Algoritmalar, donörün biyokimyasal çıktılarının hastadaki spesifik metabolik veya inflamatuar yolaklar üzerindeki net etkilerini önceden tahmin ederek, kişiselleştirilmiş donör-alıcı eşleştirmelerinin önünü açmaktadır ¹⁸.

Örneğin, derin öğrenme çerçevesi olan MOZAIC basit ekolojik çeşitlilik indekslerini aşarak hem donör hem de alıcıya ait taksonomik ve fonksiyonel omik verilerin tamamını bütüncül bir yaklaşımla analiz etmektedir. Ayrıca bu derin öğrenme modeli, mikroorganizmaların metabolik yolaklarını, fonksiyonel gen gruplarını ve ekolojik niş uyumluluğu ile türler arası ağ ilişkilerini modelleyerek yakınsama tahmini yapar ⁷.

Şekil 1. FMT’de hassas tıp yaklaşımına yönelik çoklu omik ve yapay zekâ tabanlı iş akışı. Şemada beslenme, konak ve bağırsak mikrobiyomu kaynaklı verilerin metagenomik, metatranskriptomik, metaproteomik ve metabolomik analizlerle elde edilmesi; veri ön işleme, makine öğrenmesi modellerinin geliştirilmesi ve donör–alıcı eşleştirmesi, hastalık öngörüsü ile kişiselleştirilmiş tedavi kararlarının desteklenmesi gösterilmektedir. MS: Mass Spectrometry; NMR: Nuclear Magnetic Resonance; NGS: Next-Generation Sequencing. Kaynak: Barrera-Suarez ve ark.¹³’ten uyarlanmıştır. 

FMT, yalnızca mikrobiyal çeşitliliğin yeniden kazandırılmasını hedefleyen geleneksel bir yaklaşım olmaktan çıkarak, multi-omik teknolojiler ve yapay zeka destekli analizlerle hassas tıp uygulamalarının önemli bir bileşeni hâline gelmektedir. Metagenomik, metatranskriptomik, metaproteomik ve metabolomik verilerin bütüncül olarak değerlendirilmesi, mikrobiyomun yapısal özelliklerinin yanı sıra fonksiyonel dinamiklerinin de anlaşılmasını sağlayarak donör–alıcı uyumunun daha doğru öngörülmesine ve kişiselleştirilmiş FMT stratejilerinin geliştirilmesine katkı sunmaktadır²⁴.

Bununla birlikte, bu teknolojilerin rutin klinik uygulamalara aktarılabilmesi için çoklu omik yöntemlerin standardizasyonu, büyük ölçekli klinik doğrulama çalışmaları ve biyoinformatik altyapının güçlendirilmesi gerekmektedir. Ayrıca biyologlar, klinisyenler, veri bilimciler ve istatistikçilerin disiplinler arası iş birliği ile geliştirilecek yapay zekâ tabanlı analiz modelleri, biyolojik verilerin daha doğru yorumlanmasına ve klinik karar süreçlerinin desteklenmesine önemli katkılar sağlayabilir⁸. Bu doğrultuda, FMT’nin geleceğinin yalnızca mikrobiyota transferine değil, çok katmanlı biyolojik verilerin bütünleşik analizine dayanan öngörücü ve kişiselleştirilmiş tedavi yaklaşımlarına doğru evrilmesi beklenmektedir^8,24.

Yazar: Rojin Son

Editör: Beray Kalelioğlu

Kaynakça:

1. Wu, J., Wang, L., Wei, Y., Yang, J., Chen, Z., Hao, P., Lv, Y., Wang, M., Liao, F., Chang, L., Liu, Y., & Chen, Z. (2022). Editorial: Multi-Omics Study on Gut Microbiota Related to Faecal Microbiota Transplantation. Frontiers in microbiology, 13, 944879. https://doi.org/10.3389/fmicb.2022.944879
2. Yadegar, A., Bar-Yoseph, H., Monaghan, T. M., Pakpour, S., Severino, A., Kuijper, E. J., Smits, W. K., Terveer, E. M., Neupane, S., Nabavi-Rad, A., Sadeghi, J., Cammarota, G., Ianiro, G., Nap-Hill, E., Leung, D., Wong, K., & Kao, D. (2024). Fecal microbiota transplantation: current challenges and future landscapes. Clinical microbiology reviews, 37(2), e0006022. https://doi.org/10.1128/cmr.00060-22
3. Keskin, E. (2025). Bağırsak Mikrobiyotası ve Fekal Mikrobiyota Transplantasyonu: Klinik Uygulamalar ve Gelecek Perspektifleri. Arşiv Kaynak Tarama Dergisi, 34(1). https://doi.org/10.17827/aktd.1589820
4. Barron, M. (2025, June 10). Fecal microbiota transplants (FMT): Past, present and future. American Society for Microbiology. https://asm.org/articles/2024/february/fecal-microbiota-transplants-past-present-future
5. Baydoun, H., Hussain, N., Wu, K. O., Kelly, C. R., & Fischer, M. (2025). What’s New and What’s Next in Fecal Microbiota Transplantation?. Biologics : targets & therapy, 19, 481–496. https://doi.org/10.2147/BTT.S486372
6. Quiroga-Centeno, A. C., Atanasova, K., Ebert, M. P., et al. (2025). Emerging microbiome-directed therapies in inflammatory bowel disease: Beyond diet modification and FMT. Seminars in Immunopathology, 47, 42. https://doi.org/10.1007/s00281-025-01066-5
7. Su, Q., Chen, S., Lau, L., et al. (2026). Artificial intelligence-driven donor-recipient gut microbiome matching for optimized fecal microbiota transplantation. Cell Reports, 45(5),117301  https://doi.org/10.1016/j.celrep.2026.117301
8. Yetgin, A. (2025). Revolutionizing multi-omics analysis with artificial intelligence and data processing. Quantitative Biology, 13(3), e70002. https://doi.org/10.1002/qub2.70002
9. Kashyap, P. C., Chia, N., Nelson, H., Segal, E., & Elinav, E. (2017). Microbiome at the Frontier of Personalized Medicine. Mayo Clinic Proceedings, 92(12), 1855–1864. https://doi.org/10.1016/j.mayocp.2017.10.004
10. Dewan, A., & Mascellino, M. T. (2026). Computational and multi-omics systems biology for precision microbiome therapeutics. Frontiers in Microbiomes, 5, 1842701. https://doi.org/10.3389/frmbi.2026.1842701
11. Franzosa, E., Hsu, T., Sirota-Madi, A. et al. (2015). Sequencing and beyond: Integrating molecular ‘omics’ for microbial community profiling. Nature Reviews Microbiology, 13, 360–372. https://doi.org/10.1038/nrmicro3451
12.  Chetty, A., & Blekhman, R. (2024). Multi-omic approaches for host-microbiome data integration. Gut Microbes, 16(1), 2297860. https://doi.org/10.1080/19490976.2023.2297860
13. Barrera-Suarez, M. A., Zhao, C. Y., Karnatovskaia, L. V., & Sung, J. (2026). Precision nutrition through diet-gut microbiome interactions: Emerging insights driven by artificial intelligence, microbiome health metrics, and mechanistic modeling. Gut Microbes Reports, 3(1), 2650247. https://doi.org/10.1080/29933935.2026.2650247
14. Arıkan, M., & Muth, T. (2023). Integrated multi-omics analyses of microbial communities: A review of the current state and future directions. Molecular Omics, 19(8), 607–623. https://doi.org/10.1039/D3MO00089C
15. Muller, E., Shiryan, I., & Borenstein, E. (2024). Multi-omics integration of microbiome data identifies disease-associated modules. Nature Communications, 15, 2621. https://doi.org/10.1038/s41467-024-46888-3
16. Lin, H., Zhang, Y., Thomas, J. P., Korcsmáros, T., & Gul, L. (2024). Integrating multi-omics to unravel host-microbiome interactions in inflammatory bowel disease. Cell Reports Medicine, 5(9), 101738. https://doi.org/10.1016/j.xcrm.2024.101738
17. Suez, J., Zmora, N., Segal, E., & Elinav, E. (2021). The pros, cons, and future of clinical FMT features in precision medicine. Gut Microbes, 13(1), 1944563. https://doi.org/10.1080/19490976.2021.1944563
18. Konwar, B., & Kim, K.-s. (2026). The Programmable Microbiome: Integrative AI and Multi-Omics Frameworks for Precision T2DM Management. Biology, 15(12), 974. https://doi.org/10.3390/biology15120974
19.  Barazzone, E. C., Diard, M., Hug, I., et al. (2024). Diagnosing and engineering gut microbiomes. EMBO Molecular Medicine, 16, e19047. https://doi.org/10.1038/s44321-024-00149-4
20. Zhou, X., Wang, Y., Li, Y., et al. (2024). Multi-omics approaches to studying gastrointestinal microbiome in the context of precision medicine and machine learning. Frontiers in Molecular Biosciences, 11, 1337373. https://doi.org/10.3389/fmolb.2023.1337373
21. Zhu, Y., Tang, Y., Qi, X., & Zhu, X. (2026). Transformer models, graph neural networks, and generative artificial intelligence in gut microbiome research: A narrative review. Bioengineering, 13(2), 144. https://doi.org/10.3390/bioengineering13020144
22. Leggieri, P. A., Liu, Y., Hayes, M., Connors, B., Seppälä, S., O’Malley, M. A., & Venturelli, O. S. (2021). Integrating systems and synthetic biology to understand and engineer microbiomes. Annual Review of Biomedical Engineering, 23, 169–201. https://doi.org/10.1146/annurev-bioeng-082120-022836
23. Vindigni, S. M., & Surawicz, C. M. (2023). Fecal microbiota transplantation: How to select the perfect donor in the multi-omics era. BMC Medicine, 21(1), 45. https://doi.org/10.1186/s12916-023-02750-w
24. Yang, S. Y., Han, S. M., Lee, J. Y., Kim, K. S., Lee, J. E., & Lee, D. W. (2025). Advancing Gut Microbiome Research: The Shift from Metagenomics to Multi-Omics and Future Perspectives. Journal of Microbiology and Biotechnology, 35, e2412001. https://doi.org/10.4014/jmb.2412.12001

Bioinforange