de fleste biologiske mekanismer involverer mere end en type biomolekyle og fungerer derfor ikke kun på niveau med enten genom, transkriptom, proteom, metabolom eller ionom. Datasæt, der er resultatet af enkelt-omisk analyse, øges hurtigt i gennemstrømning og kvalitet, hvilket gør multi-omic-undersøgelser mulige. Disse bør give et omfattende, struktureret og interaktivt overblik over en biologisk mekanisme. Imidlertid, at kombinere enkelt-omiske datasæt på en meningsfuld måde har hidtil vist sig udfordrende, og opdagelsen af ny biologisk information hænger bag forventningen. En af grundene er, at eksperimenter udført i forskellige laboratorier typisk ikke kan kombineres uden begrænsning. For det andet repræsenterer fortolkningen af multi-omic datasæt en betydelig udfordring af natur, da de biologiske datasæt ikke kun er heterogene af tekniske, men også af biologiske, kemiske og fysiske årsager. Her kan flerlags netværksteori og metoder til kunstig intelligens bidrage til at løse disse problemer. For effektiv anvendelse af maskinlæring skal biologiske datasæt dog blive mere systematiske, mere præcise – og meget større. Vi afslutter vores gennemgang med grundlæggende retningslinjer for en vellykket opsætning af et multi-omic eksperiment.