useimmat biologiset mekanismit sisältävät useamman kuin yhden biomolekyylityypin, eivätkä siten toimi pelkästään joko genomin, transkriptomin, proteomin, metabolomin tai ionomin tasolla. Yhden omic-analyysin tuloksena saatujen tietojen läpimeno ja laatu kasvavat nopeasti, mikä tekee moniomic-tutkimuksista toteuttamiskelpoisia. Niiden olisi tarjottava kattava, jäsennelty ja vuorovaikutteinen yleiskuva biologisesta mekanismista. Yksiomaisten aineistojen yhdistäminen mielekkäällä tavalla on kuitenkin toistaiseksi osoittautunut haastavaksi, ja uuden biologisen tiedon löytyminen laahaa odotuksia jäljessä. Yksi syy on se, että eri laboratorioissa tehtyjä kokeita ei yleensä voi yhdistää rajoituksetta. Toiseksi moniomaisten tietokokonaisuuksien tulkinta on luonteeltaan merkittävä haaste, sillä biologiset tietokokonaisuudet ovat heterogeenisiä paitsi teknisistä myös biologisista, kemiallisista ja fysikaalisista syistä. Tässä monikerroksinen verkkoteoria ja tekoälyn menetelmät voisivat osaltaan ratkaista näitä ongelmia. Jotta koneoppimista voitaisiin soveltaa tehokkaasti, biologisten aineistojen on kuitenkin tultava systemaattisemmiksi, tarkemmiksi-ja paljon suuremmiksi. Päätämme katsauksemme perusohjeisiin onnistuneen perustamisen multi-omic kokeilu.