탐구 로드맵 본문
신약개발
교과세특 13개, 참고자료 57편, 동아리 3개, 진로활동 5개
메디컬저널 인사이트 — 이 로드맵을 선택해야 하는 이유
약물과 표적 단백질의 '결합'이라는 한 개념을 축으로 1학년부터 3학년까지 깊이 다루는 2026년 약학 로드맵.
신약개발은 병을 고칠 새 약물 분자를 표적 단백질에 맞춰 찾아내고 다듬는 약학 분야입니다. 이 로드맵은 약물이 표적 단백질에 어떻게 결합하는가라는 하나의 질문을 중심으로, 통합과학부터 인공지능 수학까지 약학 진로의 핵심 교과에 대한 연속성 있는 탐구를 1학년부터 3학년까지 이어 갑니다. 1학년에는 인공지능 단백질 구조 예측과 분자 결합, 행렬로 데이터를 다루는 입문을 익히고, 2학년에는 효소저해의 결합 세기와 분자도킹, 생성형 인공지능 분자설계, 약물 농도 변화율을 직접 다룹니다. 3학년에는 공유결합 저해제의 구조-약효 분석, 약물 총 노출량 적분, 생물학적동등성 신뢰구간 추정, 분자 다목적 최적화까지 학부 수준에 가까운 탐구로 깊어집니다. 각 학년의 탐구는 모두 '결합'이라는 하나의 주제로 이어집니다. 화학탐구반은 수소결합, 생명과학탐구반은 효소저해, 수리정보탐구반은 인공지능 예측의 관점에서 같은 주제를 1학년부터 3학년까지 함께 추적합니다. 단백질 구조 예측 인공지능이 2024년 노벨화학상을 받고 생성형 인공지능 신약설계가 약학회의 화두가 된 최신 흐름은, 백민경 교수 공개강연과 식약처 임상 통계 같은 실존 자료로 진로활동과 동아리에 담았습니다.
학종 전형의 핵심
교과세특
현 트렌드(산학연)를 반영한, 한 번도 공개된 적 없는 2026 교과세특
남궁석 『알파폴드: AI 신약개발 혁신』에서 출발
단백질이 무엇인지 밝혀온 100여 년의 연구 역사부터 단백질 구조생물학, 그리고 구글 딥마인드가 2018년 발표한 단백질 구조 예측 인공지능 '알파폴드(AlphaFold)'의 등장까지를 따라가는 교양서입니다. 알파폴드가 아미노산 서열만으로 실험 구조와 매우 비슷한 단백질 입체구조를 예측해 구조생물학과 생명과학에 어떤 변화를 불러왔는지, 그리고 단백질 구조 예측 기술이 신약개발의 미래를 어떻게 바꾸는지 진단합니다. 고1 입문 수준에서 인공지능이 과학·신약 연구에 어떻게 쓰이는지 큰 그림을 잡기 좋은 책입니다.
| 과목 | 단원 | 심화탐구 |
|---|---|---|
| 통합과학2 | 인공지능과 과학 | AI 단백질 구조예측의 신약개발 입문 |
통합과학2 인공지능과 과학 단원의 '과학 탐구에 인공지능을 활용한다'는 개념을 신약개발에 적용해보는 탐구입니다. 책 『알파폴드: AI 신약개발 혁신』에서 출발해, 인공지능이 단백질의 3차원 구조를 예측하면 그 구조에 맞는 약물 분자를 더 빨리 찾을 수 있다는 큰 그림을 잡을 수 있습니다. 복잡한 분자 기전 없이 '인공지능이 과학 문제를 어떻게 푸는가'라는 단원의 질문을 신약개발 사례로 옮겨 보는 수준이라 1학년 입문에 부담이 적습니다. 2024년 노벨 화학상이 단백질 구조예측·설계 인공지능에 수여된 흐름과 닿아 있고, 2학년의 표적 단백질·효소 탐구와 3학년의 분자 결합 계산으로 이어지는 출발점입니다.
'인공지능과 과학'(과학과 미래 사회) 단원은 첨단 과학 기술과 인공지능을 미래 사회의 문제 해결과 의약품 개발에 활용한다는 교과 개념을 다룹니다. 이 책의 핵심인 '인공지능(알파폴드)을 단백질 구조 예측과 신약개발에 활용한다'는 주제가, 교과에서 다루는 '인공지능 기술이 적용된 과학 기술 활용'의 구체적 사례가 됩니다.
통합과학2 '인공지능과 과학'에서는 과학 연구에서 방대한 데이터를 인공지능으로 분석해 문제를 푸는 흐름을 학습합니다. 빅데이터가 어떻게 쓰이는지, 데이터의 양과 질이 결과에 어떤 영향을 주는지를 다룹니다.
인공지능으로 방대한 데이터를 분석해 과학 문제를 푼다는 교과 개념은, 인공지능이 단백질의 3차원 구조를 예측해 그 구조에 맞는 약물 분자를 빠르게 찾는 신약개발 흐름과 이어집니다. '데이터로 과학 문제를 푼다'는 단원의 질문을 신약개발이라는 구체적인 사례로 옮겨 보는 탐구입니다.
알파폴드(AlphaFold) 같은 인공지능은 단백질이 어떤 3차원 모양으로 접히는지를 예측합니다. 약은 표적 단백질의 특정 부위에 끼워 맞춰져야 효과를 내므로, 구조를 미리 알면 그 자리에 맞는 약물 분자를 더 빨리 찾을 수 있습니다. 복잡한 분자 기전 없이 '인공지능이 신약 탐색을 어떻게 돕는가'의 큰 그림을 잡는 입문 주제입니다.
남궁석 『알파폴드: AI 신약개발 혁신』을 읽고, 과학 연구에 빅데이터와 인공지능을 활용한다는 교과 개념을 AI 단백질 구조예측이라는 신약개발 사례로 확장해 탐구함. 인공지능이 단백질의 3차원 구조를 예측하면 그에 맞는 약물 분자를 더 빠르게 찾을 수 있다는 원리를 정리하고, 2024년 노벨 화학상이 단백질 구조예측·설계 AI에 수여된 흐름과 연결해 발표함.
* 2026 생기부 기재 가이드라인, MOE Q&A와 FAQ, 메디컬저널 작성 공식 반영
참고자료 (5)
Accurate structure prediction of biomolecular interactions with AlphaFold 3
Abramson J., Jumper J. 외 (Google DeepMind·Isomorphic Labs) · Nature 630, 493–500 · 2024-05-08
https://pmc.ncbi.nlm.nih.gov/articles/PMC11168924/단백질뿐 아니라 약물 분자(리간드)·핵산까지 한 모델로 예측하는 AlphaFold 3 원논문. 책의 '알파폴드가 신약개발을 바꾼다'는 주장의 1차 근거를 학생이 직접 확인할 수 있음 (DOI 10.1038/s41586-024-07487-w).
AlphaFold 3 predicts the structure and interactions of all of life's molecules
Google DeepMind · Isomorphic Labs 공식 발표 · 2024-05-08
https://www.isomorphiclabs.com/articles/alphafold-3-predicts-the-structure-and-interactions-of-all-of-lifes-molecules원논문의 핵심을 그림과 함께 쉽게 풀어 쓴 공식 해설. 1학년이 '단백질-약물 결합 예측'이 무엇인지 시각적으로 이해하기 좋음.
노벨 화학상 2024 — 단백질 구조예측과 설계 (Press release)
Nobel Prize (Royal Swedish Academy of Sciences) · 2024-10-09
https://www.nobelprize.org/prizes/chemistry/2024/press-release/Demis Hassabis·John Jumper(구조예측)와 David Baker(단백질 설계)가 공동 수상. 이 주제가 왜 지금 중요한지 권위 있는 근거로 도입에 인용 가능.
"단백질 구조예측 혁신" 백민경 서울대 교수 — 2025 APEC ASPIRE상 수상
헤럴드경제 (백민경 교수 RoseTTAFold 공동개발) · 2025-07-23
https://biz.heraldcorp.com/article/10537650노벨상 받은 David Baker와 RoseTTAFold를 함께 개발한 한국 연구자. 학생이 '국내에도 이 분야를 앞서 연구하는 연구자가 있다'는 진로 연결고리를 얻을 수 있음.
The Nobel Prize in Chemistry 2024 — Popular information
The Royal Swedish Academy of Sciences · NobelPrize.org · 2024
https://www.nobelprize.org/prizes/chemistry/2024/popular-information/AlphaFold(단백질 구조 예측 AI)와 단백질 설계가 노벨상을 받은 이유를 쉽게 풀어준 공식 자료로, AI 신약개발 입문에 가장 신뢰할 수 있는 출발점입니다.
교과세특 3개가 가려져 있습니다.
구독하고 전체 보기 →3년 누적 진로활동
진로활동
메디컬저널의 진로활동 12유형으로 확실하게 채워갑니다.
학술논문 분석 보고서
[활동 진행]
신약 후보물질이 표적 단백질에 어떻게 결합하는지를 예측하는 인공지능에 관심을 가지고, 단백질과 저분자 리간드·핵산이 결합한 복합체 구조를 한꺼번에 예측하는 확산(diffusion) 기반 모델을 다룬 2024년 논문을 분석함. 기존 도킹 도구보다 단백질-리간드 결합 예측 정확도가 크게 향상되었다는 결과를 정리하고, 이 구조 예측이 후보물질 발굴 단계를 어떻게 앞당기는지 발표 자료로 구성함.
[생기부 기재 예시]
단백질-리간드 복합체 구조를 예측하는 인공지능 모델 논문을 분석해 도킹 대비 정확도 향상의 의미를 정리함. 구조 예측이 신약 후보 발굴을 앞당기는 원리를 발표 자료로 구성해 진로 관심을 구체화함.
학술논문 분석 보고서
[활동 진행]
기존 저해제로는 공략하기 어려운 단백질을 약으로 다루는 방법에 호기심을 느껴, 표적 단백질을 분해해 없애는 표적단백질분해(PROTAC) 전략을 다룬 2023년 국내 연구진 논문을 분석함. 약으로 만들기 어렵던 단백질에 결합하는 화학 조각을 질량분석으로 찾아내고 결합을 핵자기공명으로 확인한 과정을 따라가며, 분해제 설계의 핵심 단계를 정리해 보고서로 작성함.
[생기부 기재 예시]
약으로 다루기 어려운 표적을 분해하는 PROTAC 전략 논문을 분석해 분해제 설계 단계를 정리함. 화학 조각 발굴과 결합 확인 과정을 따라가며 표적단백질분해의 신약개발 의미를 보고서로 작성함.
공개강연 후속 탐구보고서
[활동 진행]
서울대 자연과학대학 공개강연에서 백민경 교수의 AI 단백질 구조 예측(RoseTTAFold) 강연을 시청한 뒤, 신약개발의 출발점인 표적 단백질의 3차원 구조를 어떻게 컴퓨터가 예측하는지 궁금해져 주제를 좁힘. 실험으로 수개월 걸리던 구조 분석을 AI가 빠르게 해내면서 구조기반 약물설계가 가능해진 과정을 정리하고, 2024년 노벨화학상으로 이어진 의미를 보고서로 작성함.
[생기부 기재 예시]
인공지능 단백질 구조 예측 공개강연을 보고 신약개발 표적 발굴 단계에서 구조 예측이 하는 역할을 정리해 발표함. 실험 기반 구조 분석과 인공지능 예측의 차이를 비교하며 구조기반 약물설계의 원리를 탐구함.
다큐 시청 후속 탐구보고서
[활동 진행]
구글 딥마인드가 무료 공개한 다큐멘터리 The Thinking Game을 시청하고, 50년 난제였던 단백질 접힘 문제를 AlphaFold가 어떻게 풀어냈는지에 관심이 생겨 주제를 좁힘. 단백질 구조 예측이 신약 후보물질을 빠르게 찾는 데 어떻게 쓰이는지, 그리고 이 성과가 2024년 노벨화학상으로 이어진 배경을 조사함. 기초 연구가 실제 약 개발로 연결되는 과정을 보고서로 정리해 발표함.
[생기부 기재 예시]
딥마인드 AlphaFold 개발 과정을 담은 다큐멘터리를 시청한 뒤 단백질 접힘 문제 해결이 신약개발에 미친 영향을 탐구함. AI가 표적 단백질 구조를 예측해 약물 후보 탐색을 가속하는 원리를 정리해 발표함.
공공데이터 분석 보고서
[활동 진행]
식품의약품안전처가 발표한 2024년 의약품 임상시험 승인 현황 통계를 내려받아, 신약이 환자에게 도달하기까지 거치는 임상시험 단계를 데이터로 분석함. 제약사 주도 임상 664건 중 국내 개발 임상이 305건으로 늘어난 추세와 1상 임상시험 증가, 유전자치료제 강세를 표와 그래프로 정리함. 후보물질이 신약이 될 확률이 낮다는 점을 통계로 확인하며 신약개발 과정을 보고서로 작성함.
[생기부 기재 예시]
식약처 2024년 의약품 임상시험 승인 현황 공공데이터를 분석해 국내 신약개발 임상의 연도별 추세와 단계별 분포를 정리함. 후보물질 발굴부터 임상 통과까지의 과정을 통계로 확인하며 신약개발 단계를 탐구함.
동아리 활동도 가치있게
동아리활동
1학년부터 3학년까지, 누적된 결과가 중요합니다.
1학년
1년 주제 — 화학 결합의 종류(공유 결합, 이온 결합, 수소 결합)와 분자의 입체 구조, 결합이 분자의 성질을 어떻게 결정하는가
선택 이유 — 신약개발의 출발은 '약물이 표적 단백질에 어떻게 달라붙는가'이고, 그 달라붙음의 본질이 바로 화학 결합이다. 1학년에는 먼저 공유결합·수소결합 같은 결합의 종류와 분자 구조라는 기본기를 분자 모형으로 손에 익히는 단계가 자연스럽다. 여기서 다진 수소결합 개념이 2학년의 약물-표적 결합 추적으로 이어진다.
[생기부 기재 예시]
화학탐구반에서 화학 결합의 종류와 분자 구조를 주제로 1년간 활동함. 공유 결합과 이온 결합, 수소 결합의 차이를 분자 모형 키트로 직접 제작하며 비교하고, 결합의 세기와 방향성이 분자의 끓는점·용해도 같은 성질을 어떻게 바꾸는지 부원들 앞에서 발표함. 특히 물 분자 사이의 수소결합이 높은 끓는점과 표면장력을 만든다는 점을 모형으로 시연하며, 분자끼리 약하게 달라붙는 힘이 물질의 거시적 성질을 좌우한다는 점에 흥미를 느낌. 약물 분자가 몸속 단백질에 달라붙을 때도 같은 수소결합이 쓰인다는 사실을 알게 되어, 이를 더 깊이 알아보고 싶다는 후속 탐구 계획을 세움.
2학년
1년 주제 — 약물-표적 결합에서의 수소결합, 결핵약 베다퀼린의 강한 수소결합 사례를 따라가며 결합 세기가 약효·내성에 미치는 영향 추적
선택 이유 — 1학년에 익힌 수소결합을 실제 약물에 적용해보는 단계다. 결핵약 베다퀼린은 강한 수소결합 하나가 약효와 내성을 함께 좌우하는 사례로 2024년 연구에서 정리되어, 결합의 세기가 왜 중요한지를 한 해 동안 추적하기에 알맞다. 이 추적이 3학년의 구조-활성 관계 결산으로 이어진다.
[생기부 기재 예시]
화학탐구반에서 약물과 표적 단백질 사이의 수소결합을 1년간 한 주제로 추적함. 1학년에 다룬 수소결합 개념을 실제 약물에 적용하고자, 결핵 치료제 베다퀼린이 표적 효소에 결합할 때 형성하는 강한 수소결합 사례를 자료로 모아 정리함. 이 결합이 약효를 결정할 뿐 아니라, 단백질의 한 부위가 돌연변이로 바뀌면 결합이 약해져 약이 듣지 않는 내성이 생긴다는 점을 그림과 표로 정리해 부원들과 공유함. 결합 하나의 세기가 약의 성패를 가른다는 사실에 깊은 인상을 받아, 결합을 제대로 설명하려면 분자의 입체 구조 전체를 봐야 한다는 다음 탐구 방향을 세움.
3학년
1년 주제 — 구조-활성 관계(SAR)와 의약화학, 분자의 작용기 하나를 바꾸면 결합과 약효가 어떻게 변하는가를 키나아제 저해제 사례로 종합
선택 이유 — 1학년의 결합 개념과 2학년의 약물-표적 결합 추적을 마지막으로 묶는 단계다. 구조-활성 관계(SAR)는 분자의 작용기 하나를 바꾸면 수소결합과 약효가 어떻게 달라지는지를 다루는 의약화학의 핵심으로, 2년간의 활동을 마무리하기에 알맞다. 작용기 치환이 결합 세기를 바꾼다는 키나아제 저해제 연구를 근거로, 결합에서 시작해 약물 설계 원리까지 이른다.
[생기부 기재 예시]
화학탐구반 3년 활동의 마무리로, 그간 다룬 약물-표적 결합 사례를 구조-활성 관계(분자 구조와 약효의 연관)로 종합한 결산 보고서를 작성함. 키나아제 저해제에서 분자의 작용기 하나를 다른 것으로 바꾸면 수소결합의 세기가 달라지고 그에 따라 약효도 변한다는 사례를 정리하며, 1학년의 결합 종류·2학년의 베다퀼린 추적이 모두 '구조가 결합을, 결합이 약효를 결정한다'는 하나의 원리로 꿰어진다는 점을 발표함. 분자를 조금씩 바꿔 약효를 최적화하는 과정을 컴퓨터로 빠르게 탐색하는 전산 신약설계 분야에 흥미를 느껴 후속 학습 계획을 세움.
1학년
1년 주제 — 효소와 단백질, 효소가 기질과 결합해 반응을 촉매하는 원리(활성부위·기질 특이성)와 단백질의 구조가 기능을 결정하는 방식
선택 이유 — 신약의 상당수가 효소의 작용을 막는 저해제이므로, 효소가 어떻게 일하는지를 먼저 이해하는 것이 출발점이다. 1학년에는 효소의 활성부위·기질 특이성, 단백질의 구조-기능 관계라는 기본 개념을 조사하는 단계가 알맞다. 여기서 잡은 '활성부위를 막는다'는 발상이 2학년의 효소저해제 추적으로 이어진다.
[생기부 기재 예시]
생명과학탐구반에서 효소와 단백질의 기능을 주제로 1년간 활동함. 효소가 기질과 결합하는 활성부위를 가지고 있고, 그 모양이 특정 기질에만 들어맞아 반응을 빠르게 한다는 기질 특이성 개념을 모형과 그림으로 정리해 발표함. 또한 단백질이 아미노산 사슬이 접혀 만든 입체 구조에 따라 기능이 정해진다는 점을 조사하며, 구조가 무너지면 기능도 사라진다는 사실에 흥미를 느낌. 활성부위에 다른 물질이 끼어들면 효소가 일을 못 하게 막을 수 있겠다는 데 생각이 미쳐, 약이 효소를 멈추는 원리를 다음 해에 더 알아보기로 계획을 세움.
2학년
1년 주제 — 효소저해제와 경쟁적 저해, 스타틴이 HMG-CoA 환원효소의 활성부위를 막아 콜레스테롤 합성을 멈추는 원리를 추적
선택 이유 — 1학년에 익힌 효소 개념을 실제 약물에 적용하는 단계다. 스타틴은 HMG-CoA 환원효소의 활성부위를 기질보다 훨씬 강하게 차지해 콜레스테롤 합성을 막는 대표적 경쟁적 저해제로, '활성부위를 막는다'는 1학년의 발상을 실제 약으로 확인하기에 알맞다. 저해 원리를 따라가다 보면 효소의 입체 구조가 궁금해지므로 3학년의 구조 예측 결산으로 이어진다.
[생기부 기재 예시]
생명과학탐구반에서 효소저해제 약물의 작용 원리를 1년간 한 주제로 추적함. 1학년에 다룬 활성부위 개념을 실제 약에 적용하고자, 콜레스테롤약 스타틴이 HMG-CoA 환원효소라는 효소의 활성부위를 기질 대신 차지해 반응을 막는 경쟁적 저해 사례를 조사함. 스타틴이 원래 기질보다 효소에 훨씬 강하게 달라붙어 합성의 속도조절 단계를 멈춘다는 점을 정리하고, 경쟁적 저해가 일어나면 같은 반응 속도를 내는 데 더 많은 기질이 필요해진다는 효소 반응식의 변화를 그래프로 표현함. 저해제가 효소의 어느 자리에 어떻게 끼워지는지 입체 구조로 보고 싶다는 다음 탐구 방향을 세움.
3학년
1년 주제 — 표적단백질 구조와 구조 기반 신약, AlphaFold 3로 단백질·약물 복합체 구조를 예측하는 것이 신약개발을 어떻게 바꾸는가
선택 이유 — 1학년의 효소·단백질과 2학년의 저해제 추적을 마지막으로 묶는 단계다. 2학년 말에 생긴 '효소의 입체 구조가 궁금하다'는 문제의식을, 2024년 Nature에 발표된 AlphaFold 3가 단백질과 약물이 결합한 복합체 구조까지 예측한다는 사실로 풀어 간다. 구조를 알면 결합을 미리 설계할 수 있다는 결론으로 3년 흐름을 닫고, 계산생물학 진로로 잇는다.
[생기부 기재 예시]
생명과학탐구반 3년 활동의 마무리로, 효소와 단백질, 저해제 탐구를 표적단백질 구조 예측으로 종합한 결산 자료를 발표함. 2학년에 스타틴이 효소의 활성부위에 끼워지는 모습을 입체로 보고 싶었던 문제의식을 이어, 2024년 발표된 AI 단백질 구조 예측 기술이 단백질뿐 아니라 단백질과 약물이 결합한 복합체 구조까지 예측한다는 점을 조사함. 구조를 미리 알면 약물이 어느 자리에 어떻게 달라붙을지 가늠해 결합을 설계할 수 있고, 이것이 신약개발의 시간을 줄인다는 점을 정리해 부원들과 공유함. 단백질 구조 예측과 약물 설계가 함께 쓰이는 계산생물학 분야로 진로 관심을 구체화함.
1학년
1년 주제 — 자료의 정리와 기초 통계, 코딩, 데이터를 표와 그래프, 분포로 정리하고 컴퓨터로 다루는 기초 익히기
선택 이유 — 인공지능 신약개발은 결국 분자를 데이터로 바꿔 컴퓨터로 다루는 일이므로, 자료 정리와 코딩의 기초가 출발점이다. 1학년에는 표와 그래프, 기초 통계와 간단한 시각화 코딩에 익숙해지는 단계가 자연스럽다. 여기서 다진 '데이터를 다루는 감각'이 2학년의 인공지능 약물 성질 예측 추적으로 이어진다.
[생기부 기재 예시]
수리·정보탐구반에서 자료의 정리와 기초 통계, 코딩을 주제로 1년간 활동함. 흩어진 데이터를 표와 그래프로 정리하고 평균과 중앙값, 분포 같은 기초 통계 개념으로 자료의 특징을 읽어내는 연습을 함. 또한 간단한 코딩으로 같은 데이터를 막대그래프·산점도 등 여러 방식으로 시각화하며, 표현 방법에 따라 데이터가 다르게 읽힌다는 점을 부원들과 공유함. 컴퓨터가 숫자뿐 아니라 분자 같은 복잡한 대상도 데이터로 바꿔 다룰 수 있다는 이야기를 접하고, AI가 약의 성질을 예측한다는 것이 어떤 원리인지 다음 해에 알아보기로 계획을 세움.
2학년
1년 주제 — AI의 약물 성질 예측, 분자를 그래프 데이터로 표현하고 그래프 신경망으로 흡수와 분포, 대사, 배설, 독성(ADMET)을 예측하는 원리 추적
선택 이유 — 1학년의 데이터·코딩 기초를 실제 신약개발 문제에 적용하는 단계다. 인공지능 신약개발에서 분자를 원자·결합의 그래프로 표현해 흡수·독성 같은 성질(ADMET)을 미리 거르는 일이 핵심이고, 2024년 ADMET-AI 같은 공개 도구로 그 원리가 잘 정리되어 한 해 추적에 알맞다. 예측에서 생성으로 나아가는 흐름이 3학년 결산으로 이어진다.
[생기부 기재 예시]
수리·정보탐구반에서 AI가 약물의 성질을 예측하는 원리를 1년간 한 주제로 추적함. 1학년의 데이터·시각화 기초를 이어, 분자를 원자와 결합으로 이뤄진 그래프 형태의 데이터로 바꾸면 컴퓨터가 학습할 수 있다는 점을 조사함. 이렇게 표현한 분자를 그래프 신경망이 학습해 흡수와 분포, 대사, 배설, 독성(ADMET)을 예측하고, 신약 후보 중 성질이 나쁜 분자를 초기에 걸러낸다는 원리를 공개 예측 도구의 결과를 살펴보며 정리해 발표함. AI가 분자의 성질을 맞히는 데 그치지 않고 새로운 분자를 직접 만들어내기도 한다는 사실에 흥미를 느껴, 다음 해 탐구 방향을 세움.
3학년
1년 주제 — 생성 AI 신약설계, 확산 모델 등 생성 AI가 자연에 없던 새 분자를 설계하는 원리와, 합성·검증이라는 현실의 어려움
선택 이유 — 1학년의 데이터·코딩과 2학년의 인공지능 약물 성질 예측을 마지막으로 묶는 단계다. 2024년 Nature Machine Intelligence 리뷰가 정리하듯 생성 인공지능은 예측을 넘어 자연에 없던 분자를 직접 설계하는 단계까지 왔고, 동시에 합성과 검증이라는 어려움이 여전히 남아 있어 균형 잡힌 결산 주제로 알맞다. 예측에서 생성, 그리고 현실의 한계까지 짚으며 3년 흐름을 닫는다.
[생기부 기재 예시]
수리·정보탐구반 3년 활동의 마무리로, AI를 활용한 신약 탐구를 생성 AI 신약설계로 종합한 결산 보고서를 작성함. 2학년에 AI가 분자의 성질을 예측한다는 데서 나아가, 확산 모델 같은 생성 AI가 자연에 없던 새로운 약물 분자를 직접 설계할 수 있다는 점을 리뷰 자료를 근거로 정리함. 다만 컴퓨터가 그려낸 분자를 실제로 합성하고 효과와 안전성을 검증하는 과정이 여전히 큰 과제로 남아 있어, AI가 만능이 아니라 사람의 실험과 짝을 이뤄야 약이 된다는 점을 균형 있게 짚어 발표함. 계산과 실험을 잇는 신약개발·생명정보 분야로 진로 관심을 구체화하며 3년 활동을 마무리함.