La plupart des mécanismes biologiques impliquent plus d’un type de biomolécule et ne fonctionnent donc pas uniquement au niveau du génome, du transcriptome, du protéome, du métabolome ou de l’ionome. Les ensembles de données résultant d’analyses mono-omiques augmentent rapidement en débit et en qualité, rendant les études multi-omiques réalisables. Ceux-ci devraient offrir un aperçu complet, structuré et interactif d’un mécanisme biologique. Cependant, la combinaison d’ensembles de données uniques de manière significative s’est jusqu’à présent avérée difficile, et la découverte de nouvelles informations biologiques est en retard par rapport aux attentes. L’une des raisons est que les expériences menées dans différents laboratoires ne peuvent généralement pas être combinées sans restriction. Deuxièmement, l’interprétation des ensembles de données multi-omiques représente un défi important par nature, car les ensembles de données biologiques sont hétérogènes non seulement pour des raisons techniques, mais aussi pour des raisons biologiques, chimiques et physiques. Ici, la théorie des réseaux multicouches et les méthodes d’intelligence artificielle pourraient contribuer à résoudre ces problèmes. Cependant, pour une application efficace de l’apprentissage automatique, les ensembles de données biologiques doivent devenir plus systématiques, plus précis et beaucoup plus volumineux. Nous terminons notre examen par des directives de base pour la mise en place réussie d’une expérience multi-omique.