В статье представлен multiTEMPTED — новый метод машинного обучения для совместного анализа продольных мультиомных данных, который расширяет существующий фреймворк тензорного разложения на несколько (M≥1) омиксных модальностей одновременно. Метод оценивает общие для всех модальностей компоненты субъектов, специфичные для модальностей нагрузки признаков и временные траектории, при этом допускает произвольные, несогласованные графики выборки без импутации пропусков. В когорте беременных MOMS-PI совместный анализ вагинального микробиома и цитокинов цервиковагинальной жидкости позволил получить более четкое разделение исходов преждевременных и срочных родов по сравнению с анализом только микробиома, выявил защитную роль сообществ, доминируемых лактобациллами, и показал расходящиеся траектории цитокинов у женщин с последующими преждевременными родами. В исследовании физических упражнений с четырьмя плазменными омиксными модальностями ведущий unsupervised компонент от multiTEMPTED был сильно связан с полом, тогда как компоненты от MEFISTO не показали связи с известными фенотипами и выглядели численно вырожденными. В симуляционных экспериментах multiTEMPTED точно восстанавливает структуру компонентов при различных уровнях шума, превосходит MEFISTO в ряде настроек и работает на несколько порядков быстрее. Метод реализован в открытом R-пакете multi.tempted (https://github.com/loulind/multi.tempted).