İkinci Beynimizin Biyoinformatiği: Bağırsak–Beyin Ekseninde Multi-Omik Analizi

Bağırsak-beyin ekseni, bağırsak bakterileri, bağırsak zarını, enterik sinir sini, vagus sinirini, bağışıklık sistemini, dolaşımdaki metabolitleri ve merkezi sinir sistemi arasındaki iki yönlü bağlantıyı ortaya koyan karmaşık bir biyolojik sistemdir. Son yıllarda, bu alandaki araştırmalar yalnızca mikrobiyal taksonomiyi belirleyen 16S rRNA dizilemesinin ötesine geçmiştir ve shotgun metagenomik, metatranskriptomik, metabolomik, proteomik, konak transkriptomik, epigenomik ve nörogörüntüleme verilerini bir araya getiren çoklu omik metodolojiler ön plana çıkmıştır. Bu teknikler, yalnızca belirli bir mikroorganizmanın varlığını göstermekle kalmayıp, mikrobiyal genlerin işlevlerinin, ekspresyon düzeylerinin, üretilen metabolitlerin ve bu moleküler değişikliklerin beyin yapısı, bağlantıları ve klinik belirtilerle olan korelasyonunun araştırılmasını mümkün kılmaktadır. Bipolar depresyon, majör depresif bozukluk, Alzheimer hastalığı, otizm spektrum bozukluğu ve serebral küçük damar hastalığına ilişkin son araştırmalar, mikrobiyom, metabolitler ve beyin görüntüleme verilerinin tek bir analitik çerçeve içinde sentezlenebileceğini göstermektedir. Bununla birlikte, sınırlı kohort büyüklükleri, beslenme alışkanlıkları ve ilaç kullanımı gibi karıştırıcı faktörler, coğrafi farklılıklar, verilerin doğası gereği sahip olduğu bileşim ve bağımsız doğrulamanın eksikliği, klinik biyobelirteçlerin geliştirilmesinin önündeki başlıca engeller olmaya devam etmektedir. Bu eleştirel inceleme, bağırsak-beyin ekseninin biyolojik süreçlerini, çeşitli çok-omik veri katmanlarını, temel biyoinformatik analiz prosedürlerini, güncel insan araştırmalarını ve gelecekteki araştırma perspektiflerini ele almaktadır.

1.Giriş

İnsan gastrointestinal sistemi, yalnızca sindirim ve besin emiliminden sorumlu organların bir araya gelmesi ile birlikte farklı işlevlere de sahip olmaktadır. Bağırsak duvarı içinde yer alan enterik sinir sistemi, milyonlarca nöron ve glial hücreden oluşan geniş bir sinir ağını oluşturmaktadır. Bu yüzden gastrointestinal sistem çağdaş bilimsel literatürde bazen “ikinci beyin” olarak adlandırılmaktadır. Bununla birlikte, bu terim, gastrointestinal sistemin merkezi sinir sisteminden bağımsız olarak bilişsel faaliyetler yürüttüğü anlamına gelmemelidir. Daha doğru bir bakış açısı, gastrointestinal sistemi besinsel, mikrobiyal, immünolojik ve metabolik ipuçlarını tespit eden ve bunları vagal, spinal, endokrin ve dolaşım yolları aracılığıyla beyne ileten merkezi olmayan bir nörobiyolojik duyusal ağ olarak göstermektedir^1,2. Bağırsak-beyin ekseninin temel unsurlarından biri, gastrointestinal sistemde bulunan bakteriler, arkeler, virüsler, mantarlar ve çeşitli mikroorganizmalardan oluşan bağırsak mikrobiyotasıdır. Bu mikroorganizmaların genomlarının toplamına mikrobiyom olarak isimlendirilmektedir ve mikrobiyal genler tarafından üretilen proteinler ve metabolitler, konağın fizyolojisini doğrudan etkileyebilmektedir. Dolayısıyla, bağırsak mikrobiyotasının etkisini yalnızca belirli bakterilerin varlığını araştırarak aydınlatmak yetersiz kalmaktadır; mikrobiyal topluluğun sahip olduğu genleri, bu genlerin aktivitesini ve ortaya çıkan metabolik ürünlerin konağın sinir ve bağışıklık sistemleriyle etkileşimini araştırmak esas olmaktadır^3-7.

Bu aşamada çoklu omik metodoloji son derece önem arz etmektedir. Metagenomik, mikrobiyal genleri nicel olarak belirlemektedir; metatranskriptomik, aktif gen ifadesini değerlendirmektedir; metaproteomik, mikrobiyal proteinleri incelemektedir; metabolomik ise hem mikrobiyal hem de konak kaynaklarından türetilen küçük kimyasalları analiz etmektedir. Konak transkriptomikleri, epigenomik, immünolojik profilleme ve manyetik rezonans görüntüleme (MRG) gibi unsurların dahil edilmesi, bağırsak lümeninden beyin ağlarına kadar uzanan biyolojik süreçlerin tek bir çerçeve içinde modellenmesine olanak tanımaktadır. Bu, yalnızca tek bir bakteri-hastalık ilişkisine odaklanmak yerine, “mikroorganizma–gen–metabolit–bağışıklık tepkisi–beyin bölgesi–klinik semptom” ağlarının araştırılmasını kolaylaştırmaktadır^10,13,14,16.

2. Bağırsak ile Beyin Arasındaki Biyolojik İletişim Yolları

2.1 Nöral iletişim ve vagus siniri

Vagus siniri, gastrointestinal sistem ile beyin arasındaki iletişimin en hızlı kanallarından biri olarak işlev görmektedir. Bağırsak epitelinde bulunan belirli enteroendokrin hücreler, lümen içindeki besin maddelerini ve kimyasal sinyalleri algılayabilmektedir ve vagal duyu nöronlarıyla sinaptik bağlantılar kurabilmektedir. Deneysel kanıtlar, “nöropod hücreleri” olarak isimlendirilen bu hücrelerin, duyusal bilgileri milisaniye ile saniye arasındaki bir zaman aralığında beyin sapına iletebildiğini göstermiştir. Bu keşif, gastrointestinal sinyallerin hem kademeli hormonal yollar hem de doğrudan sinir devreleri aracılığıyla merkezi sinir sistemine ulaşabileceğini göstermektedir¹. Mikrobiyal etkilerin vagus siniri yoluyla davranışı etkileyebileceğini gösteren önemli bir kanıt, Lactobacillus rhamnosus’un kullanıldığı deneysel bir araştırmadan kaynaklanmaktadır. Bu bakterinin farelere verilmesi, belirli beyin bölgelerindeki GABA reseptör ekspresyonunu etkilemiş ve stresle ilişkili davranışlarda değişikliklere yol açmıştır; bu etkiler vagotomi sonrasında ortadan kalkmıştır. Bununla birlikte, bu bulguların bir hayvan modelinden elde edildiği göz önüne alındığında, aynı bakterinin insanlarda doğrudan antidepresan veya anksiyolitik etkiler yarattığına dair bir kanıt olarak yorumlanmamalıdır².

2.2 Mikrobiyal metabolitler

Bağırsak mikropları, sindirilemeyen karbonhidratları metabolize ederek asetat, propiyonat ve butirat gibi kısa zincirli yağ asitleri üretmektedir. Bu metabolitler, bağırsak epitel hücreleri için bir enerji substratı işlevi görmenin yanı sıra, G-proteini bağlı reseptörler aracılığıyla, histon deasetilazların baskılanması yoluyla ve bağışıklık hücrelerinin modülasyonu yoluyla sistemik süreçleri etkileyebilmektedir. Mikropsuz farelerde görülen gelişmemiş mikroglia fenotipinin, kısa zincirli yağ asitlerinin verilmesiyle kısmen iyileştirilebildiği gözlemi, mikrobiyal metabolizma ile merkezi sinir sistemi bağışıklığı arasındaki bağlantıyı vurgulayan önemli bir deneysel sonuç olmaktadır.^[4] Mikrobiyom, triptofan metabolizmasını birçok düzeyde etkileyebilmektedir. Triptofan, serotonin üretimi, kinurenin yolakları ve mikroorganizmalardan indol bileşiklerinin oluşumuna yönlendirmektedir. Bazı indol türevleri, aril hidrokarbon reseptörünün aktivasyonu yoluyla astrosit ve mikroglia aktivitesini etkileyebilmektedir. Deneysel nöroinflamasyon modellerinden elde edilen kanıtlar, mikrobiyal triptofan metabolitlerinin merkezi sinir sistemi içindeki enflamatuar yanıtları etkileyebileceğini gösterse de, bu ilişkilerin insanlarda hastalığa yol açan metabolik değişiklikleri mi, yoksa hastalığın bir sonucu olarak ortaya çıkan değişiklikleri mi ifade ettiği hala belirsizliğini korumaktadır.^[6,7] Araştırmalar, gastrointestinal sistemdeki belirli spor oluşturan bakterilerin, enteroendokrin hücrelerdeki triptofan hidroksilaz-1 işlevini düzenleyerek periferik serotonin üretimini artırabileceğini göstermektedir. Bununla birlikte, gastrointestinal sistemde üretilen serotoninin, beyindeki serotonin rezervini artırmak için kan-beyin bariyerini doğrudan geçtiği varsayımı yapılmamaktadır. Periferik serotonin esas olarak gastrointestinal motiliteyi, trombosit aktivitesini ve metabolik sinyalleşmeyi etkilerken, merkezi serotonin ise kendine özgü bir biyosentetik yol izlemektedir. Bu yüzden “bağırsak bakterileri mutluluk hormonunu üretir” gibi indirgemeci iddialar, biyolojik mekanizmanın karmaşıklığını tam olarak yansıtmamaktadır³.

2.3. Bağırsak Bariyeri, Bağışıklık Sistemi ve Kan–Beyin Bariyeri

Bağırsak epiteli, bakterileri konak dokularından ayıran etkili bir fiziksel ve immünolojik bariyer oluşturmaktadır. Bariyer bütünlüğündeki bir bozulma, mikrobiyal bileşiklerin, özellikle de lipopolisakkaritlerin kan dolaşımına girmesine yol açabilmektedir. Dolaşımdaki mikrobiyal bileşikler, doğuştan gelen bağışıklık reseptörlerini uyararak sitokin sentezinin artmasına neden olabilmektedir ve dolaylı olarak beynin endoteli, mikroglia ve astrositleri etkileyebilmektedir. Bununla birlikte, bağırsak geçirgenliği, sistemik inflamasyon ve psikiyatrik semptomlar arasında tespit edilen bağlantıların önemli bir kısmı gözlemsel kanıtlara dayanmaktadır; bu nedenle, tek yönlü bir nedensel etkileşim olduğu varsayılmamalıdır^4-7.

2.4. Nörodejenerasyonla İlişkili Deneysel Kanıtlar

Bağırsak mikrobiyotası ile nörodejeneratif mekanizmalar arasındaki nedensel ilişkinin araştırılması, ağırlıklı olarak Parkinson hastalığı modelleri üzerinde yoğunlaşmıştır. Raporlar, alfa-sinuklein aşırı ekspresyonu gösteren farelerde bağırsak mikrobiyotasının motor bozuklukları ve nöroinflamasyonu etkileyebileceğini ve mikrobiyomun ortadan kaldırılması veya değiştirilmesinin fenotipi hafifletebileceğini göstermektedir. Ayrıca, hayvan modelleri, hastalıklı alfa-sinukleinin gastrointestinal sistemden vagal yollar aracılığıyla beyne geçebileceğini göstermektedir. Bununla birlikte, bu araştırmalar, insanlarda görülen Parkinson hastalığının kesin olarak gastrointestinal sistemden kaynaklandığını veya tek bir mikrobiyal müdahaleyle önlenebileceğini kanıtlamamaktadır^8,9.

3. Bağırsak–Beyin Ekseni Araştırmalarında Omik Veri Katmanları

3.1. 16S rRNA Amplikon Dizilemesi

16S rRNA geninin dizilemesi, taksonomik profiller oluşturmak üzere bakteri toplulukları içindeki belirli değişken bölgelerin amplifikasyonuna dayanmaktadır. DADA2 gibi hata düzeltme teknikleri, operasyonel taksonomik birimlerin aksine, amplikon sekans varyantlarının neredeyse tek nükleotid hassasiyetinde tespit edilmesini kolaylaştırmaktadır. Buna karşılık, QIIME 2; kalite güvencesi, taksonomik sınıflandırma, çeşitlilik değerlendirmeleri ve tekrarlanabilir iş akışlarının geliştirilmesi için yaygın olarak kullanılan bir analitik çerçevedir. 16S dizileme, nispeten ekonomik ve geniş gruplar için uygun olmakla birlikte, tür veya suş düzeyinde genellikle sınırlı bir netlik sunar ve mikrobiyal işlevleri doğrudan değerlendirememektedir^18,19.

3.2. Shotgun Metagenomik

Shotgun metagenomik, dışkı örneğinden ekstrakte edilen kapsamlı DNA’nın hedefsiz sekanslanmasına dayanmaktadır. Bu yöntem, yalnızca bakterilerle ilgili değil, aynı zamanda arkealar, virüsler ve belirli ökaryotik mikroorganizmalar hakkında da bilgiler sağlayabilmektedir; ayrıca mikrobiyal gen ailelerinin, metabolik yolakların, antibiyotik direnç genlerinin ve suşa özgü varyantların araştırılmasını kolaylaştırmaktadır. MetaPhlAn 4, marker genlerin kullanımı yoluyla taksonomik profilleme yaparken, HUMAnN ve bioBakery prosedürleri ise mikrobiyal gen ailelerini ve metabolik yolları ölçmek için kullanılmaktadır. Sonuçlar, sekanslama derinliğine, DNA ekstraksiyon yöntemine, kullanılan referans veritabanına ve insan DNA’sının elimine edilme etkinliğine bağlı olmaktadır^20,21.

3.3. Metatranskriptomik ve Metaproteomik

Metagenomik analiz, bir mikrobiyal topluluğun işlevsel yeteneklerini ortaya çıkarırken, metatranskriptomik ise örnekleme süresi boyunca hangi mikrobiyal genlerin aktif olarak transkripsiyona uğradığını belirlemektedir. Dışkıda RNA’nın hızlı bozulması, örnek stabilizasyonundaki zorluklar ve genel sinyalde ribozomal RNA’nın baskınlığı, bu analizi teknik açıdan zorlu hale getirmektedir. Metaproteomik, eksprese edilen proteinleri doğrudan nicelemeyi amaçlamaktadır; ancak, tek bir numunede mikrobiyal ve konak proteinlerinin bir arada bulunması, protein tanımlamada referans veritabanlarına bağımlılık ve geniş dinamik aralık önemli zorluklar yaratmaktadır²¹.

3.4. Metabolomik ve Lipidomik

Metabolomik değerlendirme, dışkı, serum, plazma, idrar veya beyin omurilik sıvısındaki düşük molekül ağırlıklı metabolitlerin nükleer manyetik rezonans veya kütle spektrometrisi teknikleriyle nicelendirilmesine dayanmaktadır. Hedefsiz metabolomik çok çeşitli molekülleri incelerken, hedefe yönelik metabolomik belirli kısa zincirli yağ asitleri, safra asitleri, triptofan metabolitleri veya nörotransmiterlerle ilişkili bileşiklerin daha doğru kantitatif değerlendirmelerini kolaylaştırmaktadır. GNPS, moleküler ağların ve kütle spektrumlarının karşılaştırılması için temel bir araç görevi görür; HMDB, metabolitlerin biyolojik yorumlanmasını kolaylaştırmaktadır; MetaboAnalyst ise istatistiksel analiz ve yolak aydınlatma yetenekleri sunmaktadır^22-24.

3.5. Konak Transkriptomiği, Epigenomik ve İmmün Profilleme

Periferik kan mononükleer hücrelerinden, bağırsak biyopsilerinden veya izole edilmiş bağışıklık hücrelerinden elde edilen RNA dizileme verileri, mikrobiyal değişikliklerle bağlantılı konakçı gen ekspresyonunun araştırılmasını kolaylaştırmaktadır. Sitokin profilleri, akış sitometrisi, tek hücreli RNA dizileme ve epigenetik değerlendirmeleri bir araya getirerek, bağırsak mikrobiyotasıyla bağlantılı bağışıklık hücresi alt grupları ve sinyal yolları incelenebilmektedir. Bu katman, mikrobiyal değişiklikler ile hastalık arasındaki ilişkiyi belirlemenin yanı sıra, bunun konakta tetiklediği olası biyolojik tepkiyi tanımak açısından da hayati önem taşımaktadır^4,6,7.

3.6. Nörogörüntüleme ve Dijital Fenotipleme

MRG, kortikal kalınlık, gri madde hacmi ve subkortikal yapıların değerlendirilmesine olanak tanımaktadır; difüzyon görüntüleme, beyaz maddenin bütünlüğünü değerlendirmektedir; fonksiyonel manyetik rezonans görüntüleme (fMRG) ise beyin bölgeleri arasındaki fonksiyonel bağlantıları analiz etmektedir. Mikrobiyom ve metabolom bilgilerini nörogörüntülemeyle bütünleştirmek, belirli mikropların davranışı doğrudan etkilediği iddiasına dayanmak yerine, metabolitler ve sinir ağları aracılığıyla mikrobiyal özellikler ile klinik fenotipler arasındaki bağlantıyı aydınlatmamızı sağlamaktadır. Bipolar depresyon, majör depresif bozukluk ve Alzheimer hastalığına ilişkin son araştırmalar, bu metodolojinin uygulanabilirliğini ortaya koymuştur^10,14,16.

4. Ham Veriden Biyolojik Bilgiye: Biyoinformatik İş Akışı

4.1. Çalışma Tasarımı ve Metadata Standardizasyonu

Başarılı bir bağırsak–beyin ekseni çalışması biyoinformatik analizden önce uygun deney tasarımıyla başlamaktadır. Yaş, biyolojik cinsiyet, vücut kitle indeksi, beslenme, coğrafi bölge, dışkılama biçimi, antibiyotik ve probiyotik kullanımı, psikiyatrik ilaçlar, proton pompası inhibitörleri, metformin, uyku, sigara ve fiziksel aktivite gibi değişkenler hem bağırsak mikrobiyotasını hem de nöropsikiyatrik fenotipleri etkileyebilmektedir. Bu değişkenlerin ölçülmemesi veya gruplar arasında dengesiz dağılması, hastalıkla ilişkili olduğu düşünülen mikrobiyal sinyallerin gerçekte yaşam tarzı veya ilaç kullanımından kaynaklanmasına neden olabilmektedir. İnsan mikrobiyomuna ilişkin araştırmalar, konak faktörlerinin önemli karıştırıcı faktörler olarak işlev görebileceğini ve vaka-kontrol eşleştirmesinin yetersiz olduğu durumlarda hastalıklarla ilgili hatalı bağlantılara yol açabileceğini göstermektedir. STORMS kılavuzları, numune toplama, muhafaza, laboratuvar prosedürleri, biyoinformatik işleme ve istatistiksel değerlendirme ile ilgili ayrıntıların kapsamlı bir şekilde belgelenmesini savunmaktadır. Bağırsak-beyin araştırmalarında, bu kriterleri nörogörüntüleme araçları, görüntüleme metodolojileri, klinik değerlendirmeler ve ilaç kullanım öyküsü gibi nörolojik faktörleri de kapsayacak şekilde genişletmek hayati önem taşımaktadır^29-31.

4.2. Kalite Kontrol ve Normalizasyon

16S veri analizinde, primer dizilerini ortadan kaldırmak, düşük kaliteli okumaları filtrelemek, hataları düzeltmek, kimeraları ayıklamak ve kontaminasyonu yönetmek zorunlu olmaktadır. Shotgun metagenomik veri kümeleri için ise adaptörleri ortadan kaldırmak, düşük kaliteli dizileri elemek, insan genomuna karşılık gelen okumaları ayıklamak ve laboratuvar kontaminasyonunu değerlendirmek hayati önem taşımaktadır. Metabolomik veri setlerinde ise piklerin tanımlanması, tutma sürelerinin hizalanması, sinyallerin düzeltilmesi, kalite kontrol örnekleri ve eksik değerlerin yönetimi, analitik sonuçları önemli ölçüde etkilemektedir^18-24. Çeşitli omik katmanlar aynı ölçeklere sahip olmamaktadır. Mikrobiyal bolluklar genellikle bileşimsel niteliktedir ve çok az dalgalanma göstermektedir; ancak metabolit sinyalleri geniş bir dinamik aralıkta sürekli olabilmektedir; buna karşılık, nörogörüntüleme verileri bölgelere veya vokselere bağlı olarak binlerce özelliği kapsayabilmektedir. Sonuç olarak, herhangi bir ayarlama yapılmadan tüm veri matrislerinin birleştirilmesi, analizin yüksek varyanslı veri katmanları tarafından gölgelenmesine yol açabilmektedir. Entegrasyondan önce her katmana uygun dönüşümler, ölçeklendirme, özellik filtreleme ve gerekirse toplu etki düzeltmesi için bir strateji belirlenmelidir^25-28.

4.3. Diferansiyel Bolluk ve İlişkilendirme Analizleri

Mikrobiyom verilerinde her bir taksonun yaygınlığı, genel mikrobiyal sayıya bağlıdır ve bu da verilerde bileşimsel özelliklerin ortaya çıkmasına neden olmaktadır. Bir bakterinin göreceli yaygınlığındaki artış, doğası gereği toplam hücre sayısının arttığı anlamına gelmemektedir; başka bir popülasyondaki azalma da aynı göreceli değişime yol açabilmektedir. Geleneksel t-testleri veya yalnızca göreceli bolluğa dayanan değerlendirmeler yerine, bileşimsel yapıyı ve sıfır şişmesini dikkate alan metodolojiler kullanılmalmaktadır. MaAsLin2 gibi çok değişkenli araçlar, yaş, cinsiyet, vücut kitle indeksi, ilaç kullanımı ve beslenme alışkanlıkları gibi ortak değişkenlerin modele dahil edilmesini kolaylaştırmaktadır²⁵. Çok sayıda takson, gen ve metaboliti aynı anda değerlendirmek, hatalı pozitif sonuçların ortaya çıkma olasılığını artırmaktadır. Çoklu test düzeltmesi uygulamak, etki büyüklüklerini güven aralıklarıyla birlikte sunmak ve sonuçlar için yalnızca p-değerlerine güvenmekten kaçınmak zorunlu kılınmaktadır. Keşif kohortunda gözlemlenen mikroorganizmaların veya metabolitlerin tanımlanmasının, bağımsız bir doğrulama kohortunda ideal olarak ayrı bir tesiste ve farklı bir coğrafi popülasyonda tekrarlanabilmesi, klinik geçerlilik açısından hayati önem taşımaktadır^17,29,30.

4.4. Multi-omik Entegrasyon Stratejileri

İlk entegrasyon metodolojisinde, kapsamlı bir özellik matrisi oluşturmak için çeşitli omik veri kümeleri normalize edilmektedir. Bu yaklaşımın uygulanması basittir; ancak bağırsak-beyin araştırmalarında örneklem büyüklüğü özellik sayısından önemli ölçüde daha küçük olduğunda, aşırı uyum olasılığı arttmaktadır. Dahası, metagenomik, metabolomik ve nörogörüntüleme katmanlarının birbirinden farklı varyans kalıpları, tek bir veri türünün model üzerinde aşırı bir etkiye sahip olmasına yol açabilmektedir. Orta düzey entegrasyon, her bir veri katmanında ortak varyasyonu karakterize etmek için gizil faktörleri veya düşük boyutlu bileşenleri kullanmaktadır. MOFA+, çeşitli veri perspektifleri genelinde hem ortak hem de katmana özgü varyans nedenlerini açıklayan denetimsiz gizil değişkenler üretmektedir. Buna karşılık DIABLO, klinik grupları birbirinden ayıran çeşitli omik katmanlar arasında ilişkili özellik kümelerini belirlemeyi amaçlayan denetimli bir tekniktir. Benzerlik Ağı Füzyonu, her omik katman için benzerlik ağları oluşturmaktadır ve bunları tek bir hasta ağına entegre etmektedir. Geç entegrasyonda ise her omik katman için ayrı bir tahmin modeli geliştirilmektedir ve bu modellerin çıktıları bir ensemble içinde birleştirilmektedir. Bu metodoloji, belirli bir katmandan yoksun örnekler için gelişmiş uyarlanabilirlik sağlayabilmektedir ve her veri türünün bireysel etkisinin değerlendirilmesine yardımcı olabilmektedir. Buna karşılık, katmanlar arasındaki doğrudan moleküler bağlantıları aydınlatma konusunda orta düzey tekniklere kıyasla daha az kapsamlı olmaktadır. Yöntem seçimi, araştırma amacına uygun olmalıdır: faktör ve ağ odaklı modeller biyolojik mekanizmaları ortaya çıkarmak için daha uygun olabilirken, titizlikle test edilmiş denetimli modeller klinik sınıflandırma için daha elverişli olabilmektedir^17,26-28.

4.5. Ağ Analizi, Aracılık ve Nedensellik

Çoklu-omik ağlarda mikroplar, mikrobiyal genler, metabolitler, immünolojik belirteçler ve beyin bölgeleri düğümler olarak sınıflandırılırken, bunlar arasındaki istatistiksel korelasyonlar kenarlar olarak tanımlanmaktadır. Bu ağda, belirli bir bakteri türünün belirli bir triptofan metabolitiyle korelasyon gösterdiği, bunun da beyin bağlantısının bir ölçütüyle bağlantılı olduğu ve bu ölçütün ise depresyonun şiddetiyle ilişkili olduğu görülebilmektedir. Bununla birlikte, bir korelasyon ağı içindeki sıralı ilişkiler, doğası gereği biyolojik nedenselliğin kanıtını sağlamayabilmektedir; ortak bir beslenme faktörü veya ilaç kullanımı tüm düğümleri aynı anda etkileyebilmektedir. Aracılık analizi, “mikrobiyota → metabolit → beyin özelliği → klinik belirtiler” şeklinde yapılandırılmış teorileri ampirik olarak değerlendirmek için bir araç sağlayabilmektedir. Bununla birlikte, kesitsel verilerde zaman dizisi bulunmaması nedeniyle bu modeller yalnızca olası yolları göstermektedir. Nedensel sonuçları güçlendirmek için, uzunlamasına örnekleme, tedavi öncesi-sonrası çerçeveleri, beslenme müdahaleleri, Mendel rastgeleleştirme, kültürel deneyler, organoid sistemler, gnotobiyotik organizmalar ve odaklanmış metabolit iletimi gibi tamamlayıcı metodolojilerin kullanılması esas olmaktadır^10,13,14,16.

4.6. Makine öğrenmesi ve doğrulama

Makine öğrenimi, yüksek boyutlu çoklu omik verilerden hastalık sınıflandırması veya klinik sonuçların tahmin edilmesi amacıyla uygulanabilmektedir. Ancak, aynı bireye ait verilerin hem eğitim hem de test setine dahil edilmesi, özellik seçiminin veri ayrımından önce gerçekleştirilmesi ve hiperparametrelerin test setine göre optimize edilmesi, gerçekte olduğundan daha yüksek performans sonuçları ortaya çıkarmaktadır. Tüm ön işleme ve özellik seçimi aşamaları çapraz doğrulama döngüsü içerisinde gerçekleştirilmektedir; tercihen iç içe geçmiş çapraz doğrulama ve tamamen bağımsız bir dış doğrulama kohortu tercih edilmektedir. GutMIND araştırması, çeşitli ülkelerden 31 shotgun metagenomik çalışmayı ve 3.492 örneği bir araya getirerek bağırsak mikrobiyomu temelli nöropsikiyatrik sınıflayıcıların kohortlar arası genellenebilirliğini değerlendirilmiştir. Araştırma, tek bir veri setinde etkileyici görünen mikrobiyal göstergelerin diğer kohortlara her zaman aktarılmadığını; coğrafi konum, teknik yöntemler ve hastalık çeşitliliğinin modelin etkinliğini önemli ölçüde etkilediğini ortaya koymaktadır. Bu sebeple, klinik uygulama için uygun modellerin “aynı merkezde rastgele veri ayrıştırılması” yerine merkezler arası ve uluslararası düzeyde doğrulanması gerekmektedir¹⁷.

5. Güncel Multi-Omik Bağırsak–Beyin Çalışmaları

5.1. Bipolar Depresyon

Li ve arkadaşları, ilaç almayan 109 bipolar depresyon hastası ile 40 sağlıklı kontrolde dışkı metagenomiği, serum metabolomiği ve nörogörüntüleme verilerini değerlendirmişlerdir. Çalışma, mikrobiyal türler, metabolik özellikler ve beyin işlevleri arasındaki ilişkiyi gösteren örüntüler bulunmuştur; özellikle, nöroaktif metabolitlerle ilişkili mikrobiyal fonksiyonlar üzerinde dikkat edilmiştir. İlaç kullanmayan bireylerin seçilmesi önemli bir tasarım avantajı olsa da çalışmanın kesitsel yapısı, mikrobiyal ve metabolik değişikliklerin bipolar depresyonun nedeni mi yoksa sonucu mu olduğunu belirlemeyi zorlaştırmaktadır¹⁰.

5.2. Majör Depresif Bozukluk

Majör depresif bozuklukla ilgili araştırmalar, tek bir “depresyon bakterisi” yerine mikrobiyal topluluklar, metabolik yolaklar ve beyin özellikleri arasındaki bağlantıyı incelemektedir. Güncel bir araştırmada, bağırsak mikrobiyomu, dışkı metabolikleri ve multimodal beyin görüntüleme ile 111 majör depresif bozukluk hastası ve 102 sağlıklı kontrol incelenmiştir. Alistipes ile ilgili mikrobiyal ve metabolik örüntülerin bazı beyin görüntüleme özellikleriyle bağlantılı olduğunu gösteren çalışmalar var olmaktadır. Alistipes geniş bir cins olduğundan, tür ve suş düzeyi dikkate alınmadan her üyenin zararlı olarak kabul edilmesi uygun değildir. Başka bir multiomik araştırmada, majör depresif bozukluk hastalarının metagenomik, metabolomik, inflamatuvar belirteçleri ve manyetik rezonans görüntüleme verileri incelenmiştir. Bu tür araştırmalar, mikrobiyota-metabolit-inflamasyon-beyin ekseninde olası yolları ortaya koysa da, küçük örneklem büyüklüğü ve çok sayıda test yapılması nedeniyle tekrarlanabilirlik riski artmaktadır. Gelecekte, ilaç-naif olguların, ilk atak hastalarının ve tedavi sonrası takip örneklerinin ayrı bir analizi, depresyonun durumsal ve kalıcı mikrobiyal özelliklerini ayırt edebilmektedir^12,16.

5.3. Alzheimer Hastalığı Sürekliliği

2025 yılında yayınlanan bir çalışmada 30 Alzheimer hastası, 75 hafif bilişsel bozukluğu olan birey ve 61 sağlıklı kontrol incelenmiştir. 16S rRNA dizilemesi, hedeflenmemiş dışkı metabolomiği, MR görüntüleme ve bilişsel değerlendirmeler kullanılmıştır. Araştırmacılar, mikrobiyal özellikler, dışkı metabolitleri, biliş ve beyin görüntüleme sonuçları arasında olası bağlantı yollarını bulmuştur. Kesitsel tasarım, sağlıklı yaşlanmadan hafif bilişsel bozukluğa ve Alzheimer hastalığına kadar uzanan bir sürekliliğin incelenmesi güçlü bir özellik olmakla birlikte, hastalığın ilerlemesi hakkında bireysel zaman sıralaması sağlamamaktadır. Bu alandaki önemli bir sorun, Alzheimer hastalarının sağlıklı kontrollerden farklı beslenme, fiziksel aktivite, bağımsız yaşam becerileri ve ilaç kullanımı şekliyle karşılaşmasıdır. Bu nedenle, hastalık döneminde yaşam tarzı değişiklikleri bağırsak mikrobiyotasını etkileyerek ters nedensellik oluşturabilmektedir. Uzun vadeli araştırmalar, hastalığın bir sonucu olarak meydana gelen değişiklikleri tanımlamak için aynı bireylerden dışkı, kan, bilişsel testler ve beyin görüntüleme verileri toplamalıdır^14,29-31.

5.4. Otizm Spektrum Bozukluğu

Beslenme seçiciliği, gastrointestinal yakınmalar, yaş ve ilaç kullanımı otizm spektrum bozukluğunda bağırsak mikrobiyotası araştırmalarını etkilemektedir. 2025 yılında yayınlanan bir multi-omik çalışmada, hafif otizm spektrum bozukluğu olan çocuklarda mikrobiyal GABA metabolizması incelenmiştir. Ayrıca, GABA dengesizliği, bazı Escherichia üyelerinin fazla temsiliyle ilişkilendirilmiştir. Bununla birlikte, dışkıda veya dolaşımda ölçülen GABA seviyeleri doğrudan beyindeki GABA seviyelerini göstermez ve bu ilişkinin otizmin tek biyolojik mekanizması olarak değerlendirilemeyeceği açıktır. Otizmde mikrobiyota araştırmaları gelişimsel dönemlere göre de sınıflandırılmalıdır. Erken çocuklukta mikrobiyota hızla değişirken, ergenlik ve yetişkinlik döneminde farklı çevresel etkiler ön plana çıkabilmektedir. Bu nedenle ortalama mikrobiyal farklılıklar, yaş aralığı geniş bir grup insanda yalnızca belirli bir gelişim dönemine ait sinyalleri gizleyebilmektedir. Mikrobiyal sonuçların yorumlanması için duyusal beslenme özellikleri, gastrointestinal semptomlar ve diyet günlükleri standartlaştırılmış ölçümler gerektirmektedir^15,29.

5.5. Serebral Küçük Damar Hastalığı

Arteriyosklerotik serebral küçük damar hastalığı üzerine yapılan metagenomik ve metabolomik çalışmada mikrobiyal işlev, nörotransmitter ile bağlantılı metabolik yollar ve klinik özellikler incelenmiştir. Çalışma, lipopolisakkarit biyosentezi ile fenilalanin ve tirozin metabolizması gibi yolların hastalıkla bağlantılı olabileceğini göstermiştir. Bununla birlikte, kullanılan ilaçlar, hipertansiyon, diyabet ve kardiyometabolik hastalıklar, bağırsak mikrobiyotasını ve serebral damar yapılarını etkileyebileceğinden, sonuçların bu faktörlerden bağımsız olarak doğrulanması gerektirmektedir¹³.

6. Başlıca Biyoinformatik ve Metodolojik Sorunlar

Bağırsak mikrobiyomu çok farklı olabilmektedir. Mikrobiyota yapısı, konak genetiğinden daha güçlü bir şekilde çevre, birlikte yaşayan bireyler, beslenme, yaşam tarzı ve yerleşim yeri tarafından etkilenebilmektedir. Netice itibari ile bir hastalığın bir ülkede tanımlanan imzasının başka bir ülkede aynı yönde bulunacağı varsayılamamaktadır. Asya, Afrika ve diğer az temsil edilen bölgelerde bulunan mikroorganizmaların sınıflandırılması, özellikle Avrupa ve Kuzey Amerika ağırlıklı referans veritabanlarından kaynaklanabilmektedir^17,31,32. Mikrobiyom araştırmalarında “sağlıklı mikrobiyota” teriminin tek bir takson listesiyle tanımlanmaya çalışılması, bir diğer problemi teşkil etmektedir. Fonksiyonel yedeklilik, farklı mikrobiyal topluluklar tarafından benzer metabolik görevleri yerine getirilmesinin bir sonucu olmaktadır. Bir bakterinin azalması, ilgili metabolik fonksiyonun tamamen ortadan kalktığı anlamına gelmemektedir. Klinik yorum için taksonomik profillerin mikrobiyal gen, yolak, transkript ve metabolitlerle birlikte incelenmesi daha önem ihtiva etmektedir^20,21.

Çoklu-omik çalışmaların çoğu, yüzlerce veya binlerce özellik içermesine rağmen sınırlı sayıda katılımcıyla yürütülmektedir. Örneklerin çok sayıda özellik içermesi durumunda, çok farklı özellik kombinasyonlarının grupları tesadüfen ayırabilmesi mümkün olabilmektedir. Aşırı öğrenme riski, özellik seçimi, model optimizasyonu ve performans değerlendirmesinin aynı veri setinde yapılması nedeniyle daha da artmaktadır. Ön kayıt, güç analizi, körlenmiş dış doğrulama ve açık analiz kodları bu riski azaltmaktadır. Biyolojik gruplar, teknik partilerin etkilerinden etkilenebilmektedir. Örneğin, hasta örneklerinin farklı bir tarihte toplanması, farklı bir DNA ekstraksiyon kitiyle hazırlanması veya farklı bir dizileme cihazında çalışılması, hastalıkla ilgili gibi görünen sistematik farklılıklar oluşturabilmektedir. Deney grupları arasındaki örneklerin rastgele dağıtılması, ortak kalite kontrol materyallerinin kullanılması ve parti verilerinin istatistiksel modellere dahil edilmesi gerekmektedir. Parti etkisi düzeltme teknikleri, biyolojik sinyali de ortadan kaldırabileceğinden körlemesine uygulanmamalıdır^{17,18,20,25-29}.

7. Gelecek Perspektifi: Korelasyondan Klinik Uygulamaya

Bağırsak-beyin ekseni araştırmalarının bir sonraki aşaması, sürekli olgu-kontrol tasarımlarından müdahaleli uzun vadeli araştırmalara geçiş olacaktır. Beslenme, dışkı, kan, bağışıklık, nörogörüntüleme ve klinik verilerin aynı kişilerden farklı zamanlarda toplanması, mikrobiyal değişikliklerin hastalık belirtilerinden önce mi sonra mı meydana geldiğini gösterebilmektedir. Kişi içi biyolojik değişimlerin değerlendirilmesi, tedavi başlangıcı, hastalık alevlenmesi ve remisyon ve relaps dönemlerinin örneklenmesi yoluyla kişiler arası farklılıkların etkisini azaltacaktır. Gelecekte, multi-omik analizler kullanılarak kişiselleştirilmiş müdahaleler geliştirilebilmektedir. Ancak bir hastalık grubunda azalan bakteriyi probiyotik olarak vermek veya artan bakteriyi doğrudan ortadan kaldırmak çoğu zaman yeterli olmamaktadır. Mikroorganizmanın suş düzeyindeki özellikleri, ekolojik topluluk içindeki yeri, tükettiği yiyecekler, ürettiği metabolitler ve konak bağışıklık sistemiyle nasıl ilişkili olduğunu değerlendirmek gerektirmektedir. Rasyonel müdahale tasarımının takson temeli yerine metabolit ve fonksiyon temeli olmaktadır. Yapay zeka modelleri çok sayıda klinik ve omik özelliği değerlendirme yeteneğine sahip olsa da, genellenebilirlik ve açıklanabilirlik önemli sorunlardır. Klinik karar vermede kullanılacak bir model, yalnızca yüksek doğrulukla sınırlı olmamalı; tahminin hangi mikrobiyal veya metabolik özelliklere dayandığını, bu özelliklerin teknik partilerden etkilenip etkilenmediğini ve farklı popülasyonlarda nasıl korunduğunu göstermelidir. Gelecekteki modeller için kohortlar arası harmonizasyon, büyük ve çok merkezli GutMIND yaklaşımına göre çok önem ihtiva etmektedir. Gelecekte bağırsak mikrobiyomlarının mutlak hücre sayısı ölçümleri, uzun okuma dizileme, viromik, mikobiyomik, tek hücre mikrobiyolojisi ve uzamsal transkriptomik gibi yöntemlerle daha ayrıntılı olarak araştırılması beklenmektedir. Bağırsak-beyin eksenini betimleyen bir araştırma alanından mekanistik sistem biyolojisine geçmek için mikrobiyal genlerin deneysel işlevleri doğrulaması, hedef metabolitlerin miktarı ve beyin görüntüleme sonuçlarının klinik takipleri kullanılabilmektedir. Mevcut multi-omik çalışmaların büyük ölçüde ilişkilendirme düzeyinde kalması, bu öngörüyü desteklemektedir^{10,13-17,20-32}.

Kaynakça

1. Argelaguet, R., Arnol, D., Bredikhin, D., et al. (2020). MOFA+: A statistical framework for comprehensive integration of multi-modal single-cell data. Genome Biology, 21, 111. https://doi.org/10.1186/s13059-020-02015-1
2. Beghini, F., McIver, L. J., Blanco-Míguez, A., et al. (2021). Integrating taxonomic, functional, and strain-level profiling of diverse microbial communities with bioBakery 3. eLife, 10, e65088. https://doi.org/10.7554/eLife.65088
3. Blanco-Míguez, A., Beghini, F., Cumbo, F., et al. (2023). Extending and improving metagenomic taxonomic profiling with uncharacterized species using MetaPhlAn 4. Nature Biotechnology, 41, 1633–1644.
4. Bolyen, E., Rideout, J. R., Dillon, M. R., et al. (2019). Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2. Nature Biotechnology, 37(8), 852–857. https://doi.org/10.1038/s41587-019-0209-9
5. Braniste, V., Al-Asmakh, M., Kowal, C., et al. (2014). The gut microbiota influences blood-brain barrier permeability in mice. Science Translational Medicine, 6(263), 263ra158. https://doi.org/10.1126/scitranslmed.3009759
6. Bravo, J. A., Forsythe, P., Chew, M. V., et al. (2011). Ingestion of Lactobacillus strain regulates emotional behavior and central GABA receptor expression in a mouse via the vagus nerve. Proceedings of the National Academy of Sciences of the United States of America, 108(38), 16050–16055. https://doi.org/10.1073/pnas.1102999108
7. Callahan, B. J., McMurdie, P. J., Rosen, M. J., Han, A. W., Johnson, A. J. A., & Holmes, S. P. (2016). DADA2: High-resolution sample inference from Illumina amplicon data. Nature Methods, 13(7), 581–583. https://doi.org/10.1038/nmeth.3869
8. Erny, D., Hrabě de Angelis, A. L., Jaitin, D., et al. (2015). Host microbiota constantly control maturation and function of microglia in the CNS. Nature Neuroscience, 18(7), 965–977. https://doi.org/10.1038/nn.4030
9. Huang, J., Zhang, X., Liu, Y., et al. (2024). Multi-omics analysis of the gut-brain axis reveals novel microbial and neurotransmitter signatures in patients with arteriosclerotic cerebral small vessel disease. Pharmacological Research, 208, 107385. https://doi.org/10.1016/j.phrs.2024.107385
10. Ju, Y., Li, X., Zhang, H., et al. (2026). GutMIND: A multi-cohort machine learning framework for integrative characteristics of the microbiota-gut-brain axis in neuropsychiatric disorders. Gut Microbes, 18(1), 2630563. https://doi.org/10.1080/19490976.2026.2630563
11. Kaelberer, M. M., Buchanan, K. L., Klein, M. E., et al. (2018). A gut-brain neural circuit for nutrient sensory transduction. Science, 361(6408), eaat5236. https://doi.org/10.1126/science.aat5236
12. Kim, C. Y., Lee, M., Yang, S., et al. (2021). Human reference gut microbiome catalog including newly assembled genomes from under-represented Asian metagenomes. Genome Medicine, 13, 134. https://doi.org/10.1186/s13073-021-00950-7
13. Kim, S., Kwon, S. H., Kam, T. I., et al. (2019). Transneuronal propagation of pathologic α-synuclein from the gut to the brain models Parkinson’s disease. Neuron, 103(4), 627–641.e7. https://doi.org/10.1016/j.neuron.2019.05.035
14. Li, Z., Lai, J., Zhang, P., et al. (2022). Multi-omics analyses of serum metabolome, gut microbiome and brain function reveal dysregulated microbiota-gut-brain axis in bipolar depression. Molecular Psychiatry, 27(10), 4123–4135. https://doi.org/10.1038/s41380-022-01569-9
15. Liang, X., Fu, Y., Cao, W. T., et al. (2022). Gut microbiome, cognitive function and brain structure: A multi-omics integration analysis. Translational Neurodegeneration, 11, 49.
16. Liu, S., Li, Y., Shi, Y., et al. (2025). Multi-omics analyses of the gut microbiome, fecal metabolome, and multimodal brain MRI reveal the role of Alistipes and its related metabolites in major depressive disorder. Psychological Medicine, 55. https://doi.org/10.1017/S003329172510072X
17. Mallick, H., Rahnavard, A., McIver, L. J., et al. (2021). Multivariable association discovery in population-scale meta-omics studies. PLoS Computational Biology, 17(11), e1009442. https://doi.org/10.1371/journal.pcbi.1009442
18. Mirzayi, C., Renson, A., Genomic Standards Consortium, et al. (2021). Reporting guidelines for human microbiome research: The STORMS checklist. Nature Medicine, 27(11), 1885–1892. https://doi.org/10.1038/s41591-021-01552-x
19. Pang, Z., Lu, Y., Zhou, G., et al. (2024). MetaboAnalyst 6.0: Towards a unified platform for metabolomics data processing, analysis and interpretation. Nucleic Acids Research, 52(W1), W406–W413.
20. Rothhammer, V., Borucki, D. M., Tjon, E. C., et al. (2018). Microglial control of astrocytes in response to microbial metabolites. Nature, 557(7707), 724–728. https://doi.org/10.1038/s41586-018-0119-x
21. Rothhammer, V., Mascanfroni, I. D., Bunse, L., et al. (2016). Type I interferons and microbial metabolites of tryptophan modulate astrocyte activity and central nervous system inflammation. Nature Medicine, 22(6), 586–597. https://doi.org/10.1038/nm.4106
22. Rothschild, D., Weissbrod, O., Barkan, E., et al. (2018). Environment dominates over host genetics in shaping human gut microbiota. Nature, 555(7695), 210–215. https://doi.org/10.1038/nature25973
23. Sampson, T. R., Debelius, J. W., Thron, T., et al. (2016). Gut microbiota regulate motor deficits and neuroinflammation in a model of Parkinson’s disease. Cell, 167(6), 1469–1480.e12. https://doi.org/10.1016/j.cell.2016.11.018
24. Singh, A., Shannon, C. P., Gautier, B., et al. (2019). DIABLO: An integrative approach for identifying key molecular drivers from multi-omics assays. Bioinformatics, 35(17), 3055–3062. https://doi.org/10.1093/bioinformatics/bty1054
25. Vujkovic-Cvijin, I., Sklar, J., Jiang, L., Natarajan, L., Knight, R., & Belkaid, Y. (2020). Host variables confound gut microbiota studies of human disease. Nature, 587(7834), 448–454. https://doi.org/10.1038/s41586-020-2881-9
26. Wang, B., Mezlini, A. M., Demir, F., et al. (2014). Similarity network fusion for aggregating data types on a genomic scale. Nature Methods, 11(3), 333–337. https://doi.org/10.1038/nmeth.2810
27. Wang, D., Yang, J., Zhang, J., et al. (2025). Gut microbial GABA imbalance emerges as a metabolic signature in mild autism spectrum disorder linked to overrepresented Escherichia. Cell Reports Medicine, 6(1), 101919. https://doi.org/10.1016/j.xcrm.2024.101919
28. Wang, M., Carver, J. J., Phelan, V. V., et al. (2016). Sharing and community curation of mass spectrometry data with Global Natural Products Social Molecular Networking. Nature Biotechnology, 34(8), 828–837. https://doi.org/10.1038/nbt.3597
29. Wishart, D. S., Guo, A., Oler, E., et al. (2022). HMDB 5.0: The Human Metabolome Database for 2022. Nucleic Acids Research, 50(D1), D622–D631. https://doi.org/10.1093/nar/gkab1062
30. Yano, J. M., Yu, K., Donaldson, G. P., et al. (2015). Indigenous bacteria from the gut microbiota regulate host serotonin biosynthesis. Cell, 161(2), 264–276. https://doi.org/10.1016/j.cell.2015.02.047
31. Zhao, H., Zhang, Y., Wang, X., et al. (2025). Multi-omics analyses identify gut microbiota–fecal metabolites–brain–cognition pathways in the Alzheimer’s disease continuum. Alzheimer’s Research & Therapy, 17, 36. https://doi.org/10.1186/s13195-025-01683-0
32. Zhong, H., Zhang, S., Mou, Z., et al. (2026). Integrated multi-omics analysis reveals the involvement of the gut-brain axis in children with autism. Frontiers in Microbiology, 17, 1766850. https://doi.org/10.3389/fmicb.2026.1766850
33. Zu, X., Chen, J., Chen, M., et al. (2024). Characteristics of gut microbiota and metabolic phenotype in patients with major depressive disorder based on multi-omics analysis. Journal of Affective Disorders, 344, 563–576.

Bioinforange