Die meisten biologischen Mechanismen beinhalten mehr als eine Art von Biomolekül und arbeiten daher nicht nur auf der Ebene von Genom, Transkriptom, Proteom, Metabolom oder Ionom. Datensätze, die aus Einzel-Omic-Analysen resultieren, nehmen in Durchsatz und Qualität rapide zu, wodurch Multi-Omic-Studien möglich werden. Diese sollen einen umfassenden, strukturierten und interaktiven Überblick über einen biologischen Mechanismus bieten. Die Kombination von Single-Omic-Datensätzen auf sinnvolle Weise hat sich jedoch bisher als schwierig erwiesen, und die Entdeckung neuer biologischer Informationen bleibt hinter den Erwartungen zurück. Ein Grund ist, dass Experimente, die in verschiedenen Labors durchgeführt werden, typischerweise nicht uneingeschränkt kombiniert werden können. Zweitens stellt die Interpretation von Multi-Omic-Datensätzen von Natur aus eine große Herausforderung dar, da die biologischen Datensätze nicht nur aus technischen, sondern auch aus biologischen, chemischen und physikalischen Gründen heterogen sind. Hier könnten mehrschichtige Netzwerktheorie und Methoden der künstlichen Intelligenz zur Lösung dieser Probleme beitragen. Für die effiziente Anwendung von maschinellem Lernen müssen biologische Datensätze jedoch systematischer, präziser und viel größer werden. Wir schließen unsere Überprüfung mit grundlegenden Richtlinien für den erfolgreichen Aufbau eines multi-omischen Experiments ab.