Většina biologické mechanismy zahrnují více než jeden typ molekuly, a tedy pracovat nejen na úrovni buď genomu, transcriptome, proteomu, metabolome nebo ionome. Datové sady vyplývající z single-hospodářské analýzy jsou rychle rostoucí propustnosti a kvality vykreslování multi-hospodářské studie proveditelné. Ty by měly nabídnout komplexní, strukturovaný a interaktivní přehled biologického mechanismu. Nicméně, smysluplné kombinování datových souborů s jedním omicem se dosud ukázalo jako náročné, a objev nových biologických informací zaostává za očekáváním. Jedním z důvodů je, že experimenty prováděné v různých laboratořích obvykle nelze kombinovat bez omezení. Za druhé, výklad multi-hospodářské soubory dat představuje značnou výzvu od přírody, jako biologické datové sady jsou heterogenní nejen z technických, ale i biologických, chemických a fyzikálních důvodů. Zde by k řešení těchto problémů mohla přispět vícevrstvá teorie sítí a metody umělé inteligence. Pro efektivní aplikaci strojového učení však musí být biologické datové sady systematičtější, přesnější – a mnohem větší. Náš přehled uzavíráme základními pokyny pro úspěšné nastavení experimentu s více omic.