ほとんどの生物学的メカニズムは、複数のタイプの生体分子を含み、したがって、ゲノム、トランスクリプトーム、プロテオーム、メタボロームまたはイオノームのいずれかのレベルでのみ動作しません。 単一omic分析から得られるデータセットは、スループットと品質が急速に増加しており、マルチomic研究が実現可能になっています。 これらは、生物学的メカニズムの包括的で構造化された対話型の概要を提供する必要があります。 しかし、単一omicデータセットを意味のある方法で組み合わせることは、これまでのところ困難であり、新しい生物学的情報の発見は期待に遅れています。 一つの理由は、異なる実験室で実施された実験は、通常、制限なしに組み合わせることができないということです。 第二に、生物学的データセットは、技術的な理由だけでなく、生物学的、化学的、物理的な理由のためだけでなく、異種であるため、マルチomicデータセットの解釈は、本質的に重要な課題を表しています。 ここでは、多層ネットワーク理論と人工知能の方法は、これらの問題を解決するために貢献する可能性があります。 しかし、機械学習を効率的に適用するためには、生物学的データセットをより体系的に、より正確に、そしてはるかに大きくする必要があります。 我々は、マルチomic実験の成功したセットアップのための基本的なガイドラインと私たちのレビューを締結します。