目次
📍 クイックナビゲーション
ゲノムを「読む」時代から、細胞のあらゆる分子の層をまとめて読み解く時代へ。マルチオミクスとは、ゲノム・トランスクリプトーム・プロテオーム・メタボロームなど複数の分子データを統合し、病気が起こる仕組みを「点」ではなく「つながり」として描き出す解析アプローチです。本記事では、その基本的な考え方から、シングルセル・空間解析、AI（人工知能）の活用、そして遺伝子診断や遺伝カウンセリングとの関わりまで、一般の方にも分かりやすく臨床遺伝専門医が解説します。
Q. マルチオミクス解析とは何ですか？まず結論だけ知りたいです
A. マルチオミクス解析とは、ゲノム（遺伝子の設計図）・トランスクリプトーム（その読み取り）・プロテオーム（できあがるタンパク質）・メタボローム（最終的な代謝物）といった「異なる分子の層」を一度にまとめて測定・統合し、生命現象や病気の全体像を読み解く手法です。1つの層だけを見るのではなく、層と層のつながり（因果のカスケード）を追えることが最大の強みで、病気の原因解明・バイオマーカー発見・精密医療（プレシジョン・メディシン）の土台になっています。
- ➤基本の考え方 → 1つの層だけでは生命を理解しきれない。複数の層を統合して「直交する情報」を組み合わせる
- ➤解析の進化 → 組織を丸ごと潰すバルク解析から、1細胞ずつ・空間的な位置情報を保ったまま読む方向へ
- ➤最大の壁 → 機器のクセや処理の違いから生じる「バッチ効果」という技術的ノイズの除去
- ➤AIの役割 → 深層学習が高次元データを統合し、説明可能AI（XAI）が「なぜそう予測したか」を可視化
- ➤遺伝医療との接点 → 意味のわからない遺伝子変異（VUS）の解釈や、患者さんの層別化・遺伝カウンセリングに直結
1. マルチオミクスとは？なぜ「複数の層」を統合するのか
この数十年の生命科学は、ひとつの分子の層だけに注目する「シングルオミクス」技術の成熟によって牽引されてきました。ヒトゲノムの全配列決定にはじまり、いまではエピゲノム・トランスクリプトーム・プロテオーム・メタボローム・リピドーム・グライコーム・メタゲノムに至るまで、細胞内外の分子プロファイルを網羅的に取得できるようになっています[1]。ところが単一のオミクス解析は、細胞の状態についてとても価値の高い情報を与えてくれる一方で、「生命という複雑なシステム全体」を理解するには決定的に不完全であることも明らかになってきました[3]。
たとえば、遺伝子の「読み取り量（mRNA量）」を測るトランスクリプトミクスは、実際に働いているタンパク質の量を測ることと同じではありません。さらに、合成されたタンパク質の最終的な機能や居場所は、リン酸化や糖鎖付加といった「翻訳後修飾」によって大きく変わります[2]。ある酵素がプロテオーム解析で検出されても、それが本当に活性を持って働いているかどうかは別問題で、真の代謝の出力を確かめるには、代謝物や脂質を直接測るメタボロミクス・リピドミクスの統合が欠かせません[2]。
💡 用語解説：オミクス（-omics）とは
「オミクス」とは、ある種類の分子を片っ端から・まるごと（網羅的に）調べる学問のことです。遺伝子をまるごと調べれば「ゲノミクス」、RNAをまるごと調べれば「トランスクリプトミクス」、タンパク質なら「プロテオミクス」、代謝物なら「メタボロミクス」と呼びます。語尾の「-ome（オーム）」は『全体・総体』を意味し、「ゲノム＝遺伝子の総体」「プロテオーム＝タンパク質の総体」のように使われます。マルチオミクスは、この複数の「-オーム」を組み合わせる、という意味です。
マルチオミクス（統合オミクス・パンオミクス・トランスオミクスとも呼ばれます）は、こうした「向きの違う（直交する）2つ以上の分子データ」を統合し、生体プロセスの背後にあるメカニズムを特定することを目的とした発想の転換です[1]。異なる情報源を組み合わせることで、層と層のあいだのギャップを埋め、遺伝子の変異から代謝の変動までの一連のつながりを、ひとつの全体像（ランドスケープ）として描き出すことができます[2]。
病気の根本原因を探るうえで、この網羅的な視点は非常に強力です。たとえばまれな生殖細胞系列の変異があると、それが異常なDNAメチル化（エピゲノム）を引き起こし、その結果ある遺伝子が発現せず（トランスクリプトーム）、必須酵素が作られない、あるいは作られても正しくリン酸化されず（プロテオーム）、最終的に深刻な代謝物の欠乏（メタボローム）を招く——こうした多層的な「病態のカスケード（連鎖）」を、ひとつの解析パイプラインで縦に追えるのがマルチオミクスの本質です[3]。つまり、単にデータ量を増やすことではなく、生命現象の因果関係を縦断的に解き明かすシステム生物学の道具なのです。
2. オミクスの階層：設計図から最終産物まで
🔍 関連記事：mRNA（メッセンジャーRNA）とは／アレル（対立遺伝子）とは
マルチオミクスを理解する第一歩は、細胞のなかで情報が「上流から下流へ」流れていくイメージを持つことです。DNA（設計図）からRNA（読み取り）へ、RNAからタンパク質（働き手）へ、そしてタンパク質が代謝物（最終的な産物）を生み出していきます。各段階を網羅的に測る技術が、それぞれのオミクスです。
上流（設計図）から下流（最終産物）へ向かう情報の流れ。マルチオミクスは、この縦の流れの複数地点を同時に測定し、層をまたぐ関係を読み解く。
この「設計図→読み取り→働き手→最終産物」という流れを思い浮かべると、なぜ1階層だけでは不十分なのかが直感的に分かります。設計図（DNA）に小さな書き間違いがあっても、その付箋（エピゲノム）や読み取り（RNA）の段階で結果が大きく変わることがあるからです。だからこそ、複数の層を重ねて見る必要があるのです。
💡 用語解説：翻訳後修飾（ほんやくごしゅうしょく）
タンパク質は作られた（翻訳された）あとに、リン酸や糖の鎖などの「飾り」が付け加えられ、機能のオン・オフや居場所が決まります。これを翻訳後修飾といいます。同じ設計図から作られたタンパク質でも、この飾り次第で働きが正反対になることがあるため、RNA量だけを見て「このタンパク質はこう働くはず」と決めつけることはできません。プロテオミクスやリン酸化プロテオミクスがマルチオミクスで重視されるのは、このためです。
3. データをどう統合するか：戦略とアーキテクチャ
マルチオミクスの圧倒的な分析力の裏には、「次元の呪い」「データの異質性」「統合の複雑さ」という大きな計算科学的な壁があります。性質の違う高次元データをどう合成するかに万能の正解はなく、研究の目的に応じて最適な統合戦略を選ぶ必要があります[7]。
統合の「方向」による4つの戦略
マルチオミクスの統合は、サンプルの出所と分析する階層の関係に基づいて、おおむね次の4つに分類されます[8]。
統合の「タイミング」による3つのアーキテクチャ
機械学習の観点では、複数の層を「いつ」合成するかでアーキテクチャが分かれます[6]。データ処理の入口で混ぜるのか、途中で混ぜるのか、出口で混ぜるのか、という違いです。
① 初期統合
すべてのデータを最初に1つの巨大な表に連結。実装は簡単だが次元が爆発的に増え、強力な次元削減が必須。スケールの違うデータを無理に結合するとノイズが本物の信号を覆い隠すリスク[9]。
② 中間統合
今もっとも主流で強力。アルゴリズムの内部で「共通の表現」と「層ごとの表現」を学習する潜在空間を作り、層どうしの相互作用を保ったまま次元削減と統合を同時に達成[6]。
③ 後期統合
各層を完全に独立に解析し、最後に予測結果だけを結合。次元的・統計的な課題を避けられ堅牢だが、層をまたぐ直接的な相互作用は捉えられない[6]。
💡 用語解説：次元の呪い／潜在空間
次元の呪いとは、調べる項目（遺伝子・タンパク質など）の数が、サンプル（患者）の数よりはるかに多いときに、本物のパターンと偶然の一致を見分けにくくなる現象です。マルチオミクスでは数万の項目を数十〜数百人で解析することが多く、この呪いとの戦いになります。
潜在空間とは、たくさんの項目を「本質的な少数の軸」に圧縮した、いわば情報の地図です。AIはこの地図の上で、層が違うデータでも「同じ生物学的な意味を持つもの」を近くに配置することで、統合を実現します。
なお、深層学習が主流になる前から、類似度ネットワーク融合（SNF）・iCluster・mixOmics（DIABLO）といった統計的な統合手法が古典的な定番として広く使われてきました。これらは解釈しやすい一方、層のあいだの複雑な「非線形の関係」を捉えきれないという制約があり、その限界を越えるために現在のAI活用へと舵が切られました[5]。
4. シングルセル・空間マルチオミクス：平均値の先へ
組織を丸ごと潰して解析する「バルク手法」は多くの成果を上げてきましたが、生物学的にきわめて重要な「細胞間の不均一性」を平均化して覆い隠してしまうという弱点を抱えていました[3]。同じ組織のなかでも細胞は驚くほど多様で、その違いこそが病気の鍵を握ることがあります。そこで解析の最前線は、1細胞ずつ調べる「シングルセルオミクス」、さらに位置情報を保ったまま読む「空間マルチオミクス」へと急速にシフトしています[10]。
💡 用語解説：シングルセル解析と「シンプソンのパラドックス」
バルク解析は、何百万もの細胞を混ぜた「平均値」を見ます。ところが平均値は、ときに集団全体と個々のグループで結論が逆転する「シンプソンのパラドックス」を引き起こし、誤った因果関係を導くことがあります。シングルセル解析は、細胞を1つずつ別々に読むことで、平均に埋もれていた「ごく一部の特別な細胞」を浮かび上がらせます。たとえばがんでは、再発や薬剤耐性の原因となる、集団のわずか0.1%にも満たない希少な細胞集団を捉えられるようになりました[11]。
この高い解像度は、がん研究や創薬に大きな価値をもたらします。たとえばがん領域では、再発や薬剤耐性の原因となる微小残存病変（MRD）や、まれな腫瘍幹細胞の集団を特定できるようになりました[11]。技術面では、RNAと細胞表面タンパク質を1細胞で同時に測るCITE-seqや、クロマチンの開き具合（ATAC）とRNAを同時に読むマルチオーム解析など、「1細胞で複数の層」を測るアッセイが続々と登場しています。
空間マルチオミクス：組織の「地図」を分子で描く
細胞は体のなかで孤立しているわけではなく、複雑な三次元構造のなかで隣の細胞と接し、相互作用しています。空間マルチオミクスは、細胞の「場所と近さ」の情報をオミクスデータに付け加える技術で、Nature誌が2022年の注目技術のひとつに選んだことでも知られます[10]。これは単なる解像度の向上ではなく、組織の生理や病理を「本来の生物学的な文脈」のなかで定量的に解き明かすことを意味します。
空間トランスクリプトミクス・空間プロテオミクスは、とりわけがんの腫瘍微小環境（TME）の分析で威力を発揮します。免疫細胞が腫瘍内のどこに、どんな状態で存在するかを地図化することで、分子サブタイプの分類や治療反応の予測が大きく向上します[10]。Visium・MERFISH・Xeniumといった商用プラットフォームの普及により、1枚の組織切片から膨大なマーカーを多重に読み取れるようになり、空間解析のスループットは飛躍的に高まりました。
5. 統合を阻む壁：バッチ効果という「技術的ノイズ」
マルチオミクスは理論上きわめて強力ですが、実践では「分析の麻痺（Analysis Paralysis）」と呼ばれる状態に陥りやすいことが知られています。異なる層を単純に重ねるだけでは、生物学的な信号が明確になるどころか、かえってデータを難読化し、誤った相関を導いてしまうリスクがあるのです[3]。なかでも最も深刻な技術的課題が「バッチ効果」です。
💡 用語解説：バッチ効果（Batch Effect）とは
バッチ効果とは、調べたい生物学的な違いとはまったく関係のない技術的な原因——試薬のロットの違い、機器のコンディションの揺らぎ、サンプルを処理した日付など——によって生じる系統的なズレ（バイアス）のことです。たとえば「月曜に測った検体」と「金曜に測った検体」が、病気の違いではなく測定日の違いでグループ分けされてしまう、といった現象が起こります。マルチオミクスでは各層が独自のクセを持つため、統合するとこのノイズがかけ算のように増大します[12]。
バッチ効果を放置すると、技術的なアーティファクト（人工産物）を本物の生物学的シグナルと取り違える「偽の標的」を見つけてしまったり、真のバイオマーカーがノイズに埋もれてしまったりと、研究開発に致命的な遅れを生じさせます[13]。そこでComBat・limma、シングルセル向けのHarmonyといった補正アルゴリズムが広く使われますが、その適用には常に「やりすぎ（過剰補正）」と「足りない（過少補正）」のジレンマがつきまといます[13]。
過剰補正に陥ると、希少なサブタイプや病気のステージ間の微妙な差といった本当に追いたい生物学的な違いまで消してしまいます。逆に過少補正だと、クラスタリングをしたときにサンプルが組織や細胞の種類ではなく「実験バッチ」でまとまってしまう、という誤った結果になります[8]。最適なアプローチは、技術的な要因と生物学的な要因を厳密に分けてモデル化し、補正の後でも既知のシグナルが保たれているかを必ず検証することだとされています[7]。
6. AI・機械学習と「説明可能AI（XAI）」
🔍 関連記事：バイオインフォマティクスと生成AI／コンパニオン診断（CDx）
古典的な統計手法（PCAやCCAなど）は、解釈しやすい一方で、層のあいだの「非線形の関係」を捉えきれませんでした。この限界を越え、中間統合を実現するために、現在のマルチオミクス解析は人工知能（AI）・機械学習（ML）・深層学習（DL）へと大きく舵を切っています[5]。近年のフレームワークは、グラフニューラルネットワーク（GNN）、敵対的生成ネットワーク（GAN）、オートエンコーダ（AE／VAE）、トランスフォーマーなどを活用しています[14]。
たとえば、遺伝子やタンパク質のネットワークはもともと「グラフ構造」を持つため、GNNはその構造情報を直接活かして高い性能を示します[14]。さらに、大規模言語モデル（LLM）の発想をオミクスに応用する動きも始まっています。最近発表された「MoRE（Multi-Omics Representation Embedding）」は、凍結した（パラメータ固定の）事前学習済みトランスフォーマーをオミクス向けに転用し、コホート固有のバッチ効果に強い、構造を保ったエンベディングを生成します。これは「汎用オミクス基盤モデル」構築に向けた重要な一歩とされています[15]。
「ブラックボックス」を越える説明可能AI
AIの導入で予測性能は劇的に向上しましたが、引き換えに深刻な問題が生まれました。最新の深層学習モデルは、数万の入力から予測に至る筋道を人間が追えない「ブラックボックス」になりがちです[5]。医療や臨床試験、規制承認の場では、「なぜその予測に至ったか」が不明なままでは、医師がAIを信頼して治療方針を決めることはできません。そこで注目されているのが「説明可能AI（XAI）」です[16]。
💡 用語解説：SHAP（シャープ）と説明可能AI
SHAPとは、AIが下した予測に対して「どの遺伝子・どの検査値が、どれくらい強くその判断を後押ししたか」を一つずつ数値で示し、見える化する技術です。AIの性能を落とさずに、その推論の根拠を医師に分かる形で提示できます。これにより医師は、AIの判断を具体的な分子のシグネチャ（特徴）として解釈・検証したうえで、治療上の意思決定を下せるようになります[16]。
XAIが現実の臨床的ブレイクスルーをもたらした好例が、アルツハイマー病（AD）の個別化ドラッグリパーポジショニング（既存薬の再開発）を目指した「PRISM-ML」研究です[17]。この研究では、3つの独立研究から集めた2,105の脳サンプル（AD患者1,363名・対照742名）のトランスクリプトームとゲノムデータを統合的に調和させ、SHAPを備えたランダムフォレストで患者ごとのバイオマーカーを特定。36の分子的に異なる「サブ組織」を解像し、調節不全の中心となる262個の「ボトルネック遺伝子」を優先順位づけしました[17]。
続いて知識グラフによる創薬モデリングで、これらの標的に作用するFDA承認薬を予測し、抗ヒスタミン薬の一種プロメタジンなど6剤が候補に浮上。米国の大規模な医療保険請求データベース（対象36万4,733人）の実世界データで検証したところ、プロメタジンの曝露を受けた人は、比較対照薬を用いた人に比べてアルツハイマー病の発症が57〜62%低かった（調整ハザード比0.38）ことが確認されました[17]。
PRISM-ML：プロメタジン曝露とアルツハイマー病発症リスク（相対ハザード）
対照群を100とした場合の相対的なリスク（調整ハザード比0.38に基づく）
比較対照薬の群
(基準=100)
プロメタジン曝露群
(HR 0.38)
マルチオミクス・説明可能AI・大規模な臨床データの3つが組み合わさることで、既存薬の新しい使い道が見いだされた一例。あくまで観察研究に基づく関連であり、治療を推奨するものではありません。
7. 集団レベルのマルチオミクス：QTLと因果推論
🔍 関連記事：メンデルランダム化（因果推論）とは
マルチオミクスは「1人の細胞のなか」だけでなく、「大勢の集団のあいだ」でも力を発揮します。遺伝的なバラつき（個人差）が、分子のレベルにどう波及するのかを調べる枠組みが「分子QTL」です。これは集団レベルのマルチオミクスの背骨ともいえる考え方で、遺伝医療と直接つながる重要な接点になります。
💡 用語解説：eQTL・pQTL（分子QTL）
QTLとは「量的形質遺伝子座」の略で、ある遺伝的な個人差（DNAの一塩基多型など）が、測定できる量にどう影響するかを示す関係のことです。遺伝子の発現量に影響するものをeQTL、タンパク質量に影響するものをpQTL、代謝物ならmQTLと呼びます。「この遺伝子多型を持つ人は、このタンパク質が多い」といった対応を集団全体で地図化することで、ゲノムワイド関連解析（GWAS）で見つかった病気と関連する場所が、実際にはどの分子を介して効いているのかをたどれるようになります。
この分子QTLを使うと、観察データからでも「原因と結果」に踏み込むことができます。その代表的な方法がメンデルランダム化です。生まれつき決まっていて生活習慣などに影響されにくい遺伝子型を「自然の振り分け」として利用することで、ある分子やリスク因子が病気の本当の原因なのか、それとも単なる見かけの相関なのかを見分ける手がかりになります。マルチオミクスで得られた大量の分子データと組み合わせることで、「どの分子に介入すれば病気を防げそうか」という創薬標的の優先順位づけに役立ちます。
また、1人の人を長期間にわたって何度も多層的に測り続ける「縦断的パーソナル・オミクス」の研究では、ある被験者本人のマルチオミクスの変化から2型糖尿病の発症を捉えた、という先駆的な報告もあり、マルチオミクスが「集団の傾向」だけでなく「個人の経時変化」をも捉えうることを示しています。
8. 臨床遺伝・プレシジョン医療との接続
🔍 関連記事：臨床遺伝専門医とは／遺伝カウンセリングとは
ここまで研究の話が続きましたが、マルチオミクスは遺伝子診断・遺伝形式の理解・遺伝カウンセリングという、実際の遺伝医療の現場にも静かに近づいています。具体的には、次のような場面で関わってきます。
- ➤「意味のわからない変異（VUS）」の解釈：遺伝子検査で見つかった変異が病気と関係するか判断がつかないとき、トランスクリプトームやプロテオームの情報を重ねると、その変異が実際に分子の働きを変えているかどうかの手がかりになります
- ➤診断のつかない希少疾患へのアプローチ：ゲノム検査だけでは診断がつかない例で、複数の層を統合することで原因にたどり着けることがあります
- ➤遺伝性腫瘍と治療の層別化：同じ病名でも、分子サブタイプによって予後や治療への反応が大きく異なることが分かり、患者さんを「効きやすい群／効きにくい群」へ正確に分類できます[18]
- ➤遺伝カウンセリングの土台：分子レベルの根拠を踏まえて、ご本人・ご家族に「いま何が分かっていて、何が分かっていないか」を丁寧に伝えるための材料になります
マルチオミクスの統合がもたらす最も直接的な臨床的利益は、バイオマーカーの発見と患者さんの精緻な層別化です[18]。これまで同じと見なされていた患者群のなかに、予後や治療上の弱点がまったく異なる複数の分子サブタイプがあることが見えてきました。創薬の面でも、遺伝子・タンパク質・代謝物のデータを組み合わせることで、新しい標的が本当に意味を持つのかを複数の証拠で裏づけ、開発初期に偽陽性を減らせるようになっています[19]。こうした流れは、がんだけでなく、心筋梗塞や心不全といった循環器疾患の新しいバイオマーカー探索や既存薬の転用にも広がっています[20]。
一方で、率直に申し上げると、出生前診断や生殖細胞系列の確定診断といった日常の遺伝医療において、マルチオミクスはまだ多くが研究段階です。臨床で広く使われている遺伝子検査は、いまも次世代シークエンサーによるゲノム解析が中心です。ただ、当院が提供するRNA統合シークエンス解析（RNA-ISE）のように、ゲノムにトランスクリプトームを組み合わせて診断の精度を高める「臨床に半歩近づいたマルチオミクス」も登場しつつあります。検査の意味づけや結果の受け止め方については、遺伝カウンセリングを通じて、臨床遺伝専門医が中立的な立場でご一緒に考えていきます。
9. 公共データベースのエコシステム
マルチオミクスのデータは膨大で、ゼロから自前で揃えるのは多くの研究室にとって非現実的です。そこで、公的資金や国際コンソーシアムが支える巨大な「公共データリポジトリ」が整備され、世界中の研究者が最先端の研究にアクセスできるようになっています[4]。これらは単なる保管庫ではなく、品質管理・標準化・層間の調和を担う、この分野のバックボーンです。
これらのビッグデータを知見に変えるため、LinkedOmicsやPaintOmicsといった統合・可視化のウェブツールも整備されています。LinkedOmicsはTCGAの腫瘍サンプルとCPTACのプロテオミクスを統合した先駆的なデータベースで、包括的な分析と可視化を提供します[22]。
💡 注意：同じデータを使いすぎる「過剰適合」の罠
世界中の研究者がまったく同じオープンデータを繰り返し解析するため、そのデータ特有のクセに最適化されすぎたモデルができてしまう「過剰適合（オーバーフィッティング）」のリスクが常にあります。本当に価値のあるバイオマーカーかどうかは、1つのデータベースだけでなく、独立に集めた別のコホートでも同じ結果が再現されることを確かめる必要があります[4]。
10. よくある誤解
誤解①「データを多く集めれば自動的に分かる」
層を単に重ねるだけでは、むしろノイズが増え、誤った相関を導くことがあります。鍵は量ではなく、適切な正規化・バッチ補正と、目的に合った統合戦略の選択です。
誤解②「RNAが多い＝そのタンパク質も多い」
RNA量とタンパク質量は必ずしも一致しません。翻訳後修飾もあるため、トランスクリプトームだけで機能を語ることはできません。だからこそ複数の層を統合します。
誤解③「もう日常の検査で使われている」
マルチオミクスの多くはまだ研究段階です。臨床で広く使われる遺伝子検査は今もゲノム解析が中心で、マルチオミクスは一部の領域で「臨床に近づきつつある」段階です。
誤解④「AIが出した答えはそのまま正しい」
高性能なAIほどブラックボックスになりがちです。医療では「なぜそう予測したか」を示す説明可能AIと、独立したデータでの再現性の確認が欠かせません。
よくある質問（FAQ）
🏥 遺伝子検査・遺伝カウンセリングのご相談
遺伝子検査の結果の意味づけや、ご家族の遺伝に関するご相談は
臨床遺伝専門医が在籍するミネルバクリニックに
お気軽にお問い合わせください。
参考文献
- [1] State of the Field in Multi-Omics Research: From Computational Needs to Data Mining and Sharing. PMC. [PMC7758509]
- [2] Multi Omics Applications in Biological Systems. PMC. [PMC11202207]
- [3] From Omics to Multi-Omics: A Review of Advantages and Tradeoffs. PMC. [PMC11675490]
- [4] The Power of Multi-Omics: Why should you bother? Front Line Genomics. [Front Line Genomics]
- [5] Multiomics Research: Principles and Challenges in Integrated Analysis. PMC. [PMC11844812]
- [6] A guide to multi-omics data collection and integration for translational medicine. PMC. [PMC9747357]
- [7] Challenges and Opportunities in Multi-Omics Data Acquisition and Analysis: Toward Integrative Solutions. PMC. [PMC12937625]
- [8] A technical review of multi-omics data integration methods: from classical statistical to deep generative approaches. Briefings in Bioinformatics. [Oxford Academic]
- [9] Integration strategies of multi-omics data for machine learning analysis. PMC. [PMC8258788]
- [10] An Overview of Single-Cell Spatial Multi-Omics: Advancing Biological Research and Disease Understanding. MetwareBio. [MetwareBio]
- [11] What is single-cell multi-omics? Mission Bio. [Mission Bio]
- [12] Assessing and mitigating batch effects in large-scale omics studies. PMC. [PMC11447944]
- [13] Correcting Batch Effects in Multi-Omics Data to Accelerate Discovery. Pluto Bio (Learning Series). [Pluto Bio]
- [14] Deep learning-based approaches for multi-omics data integration and analysis. PMC. [PMC11446004]
- [15] MoRE: Batch-Robust Multi-Omics Representations from Frozen Pre-trained Transformers. arXiv. [arXiv:2511.20382]
- [16] Explainable AI Methods for Multi-Omics Analysis: A Survey. arXiv. [arXiv:2410.11910]
- [17] Integrating explainable artificial intelligence with multiomics systems biology and electronic health record data mining for personalized drug repurposing in Alzheimer’s disease. Briefings in Bioinformatics. 2025. [Oxford Academic]
- [18] Multi-omics strategies for biomarker discovery and application in personalized oncology. PMC. [PMC12638490]
- [19] From Data to Cure: A Comprehensive Exploration of Multi-omics Data Analysis for Targeted Therapies. PMC. [PMC11928429]
- [20] AI-driven drug discovery and repurposing using multi-omics for myocardial infarction and heart failure. Exploration of Medicine. [Open Exploration]
- [21] CPTAC Pan-Cancer Data. Proteomic Data Commons, National Cancer Institute. [PDC / NCI]
- [22] LinkedOmics: analyzing multi-omics data within and across 32 cancer types. Nucleic Acids Research. [Nucleic Acids Research]
