Biomedical AI Research 3일 특강 (9~11학년 대상)

이런 학생에게 맞는 입문 과정입니다

생성형 AI와 데이터 분석 도구 덕분에 과학 정보를 찾고 간단한 코드를 작성하는 일은 한층 수월해졌습니다.
그러나 AI를 다룰 줄 아는 것과 과학 연구를 직접 수행할 수 있는 것은 다른 능력입니다.
이번 3일 특강은 AI를 활용한 생명과학 연구에 관심은 있으나 아직 구체적인 분야와 주제를 정하지 못한 학생을 대상으로 합니다.

연구를 시작하기 전에 학생이 스스로 답할 수 있어야 할 질문들이 있습니다.
어떤 현상에 호기심이 있는지, 기존 연구에서 설명되지 않은 부분이 무엇인지, 질문을 어떤 변수와 데이터로 나눌 수 있는지 등입니다.
AI는 코드를 제안하고 논문을 요약할 수 있지만, 무엇을 연구할지 정하고 데이터를 고르며 결과의 의미와 한계를 판단하는 일은 사람의 몫으로 남습니다.

Biomedical AI Research란 무엇인가요?

Biomedical AI Research는 생명과학과 의학의 문제를 AI, 머신러닝, 데이터 사이언스 방법으로 분석하는 연구 분야입니다.
활용 범위가 넓어 다음과 같은 주제가 포함됩니다.

• 질병 위험 예측
• 의료영상 분석
• 단백질 구조와 기능 분석
• 유전자 발현 데이터 분석
• 신약 후보물질 탐색
• 뇌영상과 신경과학 데이터 분석
• 바이오마커 발굴
• 환자 집단의 특성 분류
• 질병 진행 양상 예측
• 생명과학 문헌과 데이터베이스 분석

예를 들어 질병 연구에서는 환자 데이터로 발병 가능성을 예측할 수 있습니다.
단백질 연구에서는 아미노산 서열이나 구조 자료를 분석해 기능과 질병의 연관성을 살펴볼 수 있습니다.
신경과학 분야에서는 뇌영상, 행동 데이터, 신경신호에서 인지기능이나 신경질환과 관련된 패턴을 찾기도 합니다.

다만 AI 모델을 실행했다고 연구가 끝나는 것은 아닙니다.
데이터의 출처와 신뢰도를 확인하고, 적합한 변수를 고르고, 모델의 결과가 생물학적으로 무엇을 뜻하는지 해석하는 단계가 이어져야 합니다.
이 흐름은 Question → Data → Method → Analysis → Interpretation → Communication 순서로 정리할 수 있습니다.

Python을 안다고 바로 연구할 수 있는 것은 아닙니다

이번 특강의 대상은 Python 코딩 경험이 있는 9~11학년 학생입니다.
기본 문법과 코딩 경험은 데이터를 처리하고 분석하기 시작하는 데 도움이 됩니다.
하지만 프로그램을 작성할 줄 안다고 독립적인 연구 프로젝트를 혼자 수행할 수 있는 것은 아닙니다.

연구 과정에서는 코딩 말고도 여러 판단이 필요합니다.

• 연구 가능한 질문과 범위가 지나치게 넓은 질문 구분하기
• 신뢰할 수 있는 데이터와 쓸 수 없는 데이터 가려내기
• 입력 변수와 결과 변수 설정하기
• 연구 목적에 맞는 분석 방법 고르기
• 학습용 데이터와 검증용 데이터 나누기
• 모델 성능을 평가하는 기준 세우기
• 상관관계와 인과관계의 차이 이해하기
• 편향과 데이터 누수 가능성 점검하기
• 분석 결과의 생물학적 의미 해석하기
• 연구의 한계와 후속 연구 방향 정하기

학생들이 흔히 하는 실수는 분석 모델이나 코드를 먼저 고른 뒤 그에 맞는 주제를 뒤늦게 찾는 것입니다.
연구는 기술에서 출발하지 않습니다.
해결하고 싶은 문제가 먼저 있어야 하고, 그 문제에 답하기 위한 데이터와 분석 방법을 그다음에 골라야 합니다.
이번 특강은 AI 자체를 익히기보다 AI를 연구 도구로 어떻게 활용할지 이해하는 데 무게를 둡니다.

3일 동안 무엇을 배우나요?

1. Biomedical AI Research 주요 분야 탐색 Disease, Protein, Neuroscience를 포함한 여러 분야가 어떤 질문을 다루고, 어떤 데이터를 쓰며, AI가 어떤 역할을 하는지 살펴봅니다. 연구 사례를 읽는 데서 그치지 않고 해결하려는 문제와 사용한 방법을 구분하는 연습을 합니다.
2. 연구 질문이 만들어지는 과정 이해 관심 분야를 실제 연구 질문으로 발전시키는 단계를 익힙니다. Broad Topic에서 시작해 Specific Problem, Research Question, Hypothesis, Variable, Data, Expected Outcome 순으로 좁혀 갑니다. 막연한 관심을 구체적인 데이터와 분석 방법이 있는 질문으로 바꾸는 훈련입니다.
3. 분야별 AI 활용 사례 실습 간단한 사례를 통해 AI와 데이터 분석이 생명과학 연구에 쓰이는 방식을 직접 경험합니다. 완성된 코드를 실행하는 데서 끝내지 않고, 입력 데이터가 무엇인지, 모델이 무엇을 분류하거나 예측하는지, 평가 기준과 오류의 원인, 결과의 생물학적 해석까지 확인합니다.
4. 자신에게 맞는 연구 방향 탐색 여러 분야와 분석 사례를 비교하며 장기적으로 발전시킬 수 있는 주제를 찾습니다. 관심도뿐 아니라 생명과학 배경, Python과 데이터 분석 수준, 관심 질병과 연구 분야, 이용 가능한 데이터, 프로젝트 기간, 연구 난이도, 논문이나 대회 출품 가능성을 함께 고려합니다.

특강 이후 연계 과정

특강 이후에도 연구를 이어가고 싶은 학생은 개인 Research Project로 연계해 주제를 구체화하고 연구를 계속할 수 있습니다.
특강에서 찾은 관심 분야를 바탕으로 질문을 더 다듬는 방식입니다.

참고: KSEF 대회 안내

KSEF는 학생이 직접 연구 주제를 정하고 실험, 조사, 분석을 거쳐 결과를 완성한 뒤 발표하는 과학 프로젝트 대회입니다.
정답이 정해진 경시대회와 달리 주제 선정부터 연구 방법 설계, 결과 정리, 발표 자료 작성, 심사위원 질의응답까지 학생이 전 과정을 수행해야 합니다.