de fleste biologiske mekanismer involverer mer enn en type biomolekyl, og dermed opererer ikke utelukkende på nivået av enten genom, transkriptom, proteom, metabolom eller ionom. Datasett som følge av single-omic analyse er raskt økende i gjennomstrømning og kvalitet, rendering multi-omic studier gjennomførbart. Disse bør tilby en omfattende, strukturert og interaktiv oversikt over en biologisk mekanisme. Men å kombinere enkeltomiske datasett på en meningsfull måte har så langt vist seg utfordrende, og oppdagelsen av ny biologisk informasjon ligger bak forventningen. En grunn er at eksperimenter utført i forskjellige laboratorier vanligvis ikke kan kombineres uten begrensninger. For det andre representerer tolkningen av multi-omic datasett en betydelig utfordring av natur, da de biologiske datasettene er heterogene, ikke bare av tekniske, men også av biologiske, kjemiske og fysiske årsaker. Her kan flerlags nettverksteori og metoder for kunstig intelligens bidra til å løse disse problemene. For effektiv bruk av maskinlæring må biologiske datasett imidlertid bli mer systematisk, mer presis – og mye større. Vi avslutter vår gjennomgang med grunnleggende retningslinjer for vellykket oppsett av et multi-omisk eksperiment.