de flesta biologiska mekanismer involverar mer än en typ av biomolekyl och fungerar därför inte enbart på nivån av antingen genom, transkriptom, proteom, metabolom eller Jonom. Datauppsättningar som härrör från en-omic-analys ökar snabbt i genomströmning och kvalitet, vilket gör multi-omic-studier möjliga. Dessa bör erbjuda en omfattande, strukturerad och interaktiv översikt över en biologisk mekanism. Men att kombinera enstaka dataset på ett meningsfullt sätt har hittills visat sig vara utmanande, och upptäckten av ny biologisk information ligger efter förväntan. En anledning är att experiment som utförs i olika laboratorier vanligtvis inte kan kombineras utan begränsningar. Andra, tolkningen av multi-omic datamängder utgör en betydande utmaning av naturen, eftersom de biologiska datamängder är heterogena inte bara för tekniska, men också för biologiska, kemisk, och fysiska skäl. Här kan flera lager nätverksteori och metoder för artificiell intelligens bidra till att lösa dessa problem. För en effektiv tillämpning av maskininlärning måste dock biologiska datauppsättningar bli mer systematiska, mer exakta – och mycket större. Vi avslutar vår granskning med grundläggande riktlinjer för framgångsrik installation av ett multi-omic-experiment.