Większość mechanizmów biologicznych obejmuje więcej niż jeden rodzaj biomolekuły, a zatem działa nie wyłącznie na poziomie genomu, transkryptomu, proteomu, metabolomu lub jonomu. Zbiory danych wynikające z analizy jednoomicznej szybko zwiększają przepustowość i jakość, dzięki czemu badania wieloomiczne są wykonalne. Powinny one oferować kompleksowy, uporządkowany i interaktywny przegląd mechanizmu biologicznego. Jednak łączenie w znaczący sposób pojedynczych zbiorów danych okazało się do tej pory wyzwaniem, a odkrycie nowych informacji biologicznych pozostaje w tyle za oczekiwaniami. Jednym z powodów jest to, że eksperymenty prowadzone w różnych laboratoriach zazwyczaj nie mogą być łączone bez ograniczeń. Po drugie, interpretacja multi-omicznych zbiorów danych stanowi poważne wyzwanie z natury, ponieważ biologiczne zbiory danych są niejednorodne nie tylko ze względów technicznych, ale także biologicznych, chemicznych i fizycznych. W tym przypadku wielowarstwowa teoria sieci i metody sztucznej inteligencji mogą przyczynić się do rozwiązania tych problemów. Jednak w celu skutecznego zastosowania uczenia maszynowego zbiory danych biologicznych muszą stać się bardziej systematyczne, bardziej precyzyjne i znacznie większe. Kończymy naszą recenzję z podstawowymi wytycznymi dla udanej konfiguracji eksperymentu multi-omic.