De meeste biologische mechanismen omvatten meer dan één type biomolecule, en werken dus niet alleen op het niveau van zowel genoom, transcriptoom, proteoom, metaboloom of ionoom. Datasets als gevolg van single-omic analyse nemen snel toe in doorvoer en kwaliteit, waardoor multi-omic studies haalbaar zijn. Deze moeten een uitgebreid, gestructureerd en interactief overzicht bieden van een biologisch mechanisme. Nochtans, heeft het combineren van enig-omic datasets op een zinvolle manier tot nu toe uitdagend bewezen, en de ontdekking van nieuwe biologische informatie achterblijft verwachting. Een van de redenen is dat experimenten die in verschillende laboratoria worden uitgevoerd, meestal niet zonder beperking kunnen worden gecombineerd. Ten tweede, de interpretatie van multi-omic datasets vertegenwoordigt een significante uitdaging door aard, aangezien de biologische datasets heterogeen zijn niet alleen om technische, maar ook om biologische, chemische, en fysische redenen. Hier, multi-layer netwerktheorie en methoden van kunstmatige intelligentie kunnen bijdragen aan het oplossen van deze problemen. Voor de efficiënte toepassing van machine learning moeten biologische datasets echter systematischer, nauwkeuriger en veel groter worden. We sluiten onze beoordeling af met basisrichtlijnen voor het succesvol opzetten van een multi-omic experiment.