Your browser does not support JavaScript!

AI와 생명과학의 융합: 단백질 구조 예측에서 신약개발·정밀의학 교육까지

일반 리포트 2025년 05월 09일
goover

목차

  1. 요약
  2. AI 단백질 구조 예측의 진화
  3. AI 기반 신약개발 혁신 현황
  4. 3D 메타버스를 활용한 생명과학 교육
  5. 정밀의학과 바이오데이터 분석 동향
  6. 글로벌 컨퍼런스·정책과 AI 에이전트
  7. 결론

1. 요약

  • 2025년 5월 기준, AI와 생명과학의 융합이 이루어지고 있는 현재, 다양한 혁신적인 기술들이 단백질 구조 예측에서 시작해 신약개발, 정밀의학 및 교육 분야에까지 영향을 미치고 있습니다. 특히, 딥마인드의 알파폴드 기술은 단백질 구조 예측의 새로운 장을 열었으며, 이를 통해 연구자들은 이전에는 수개월에서 수년 걸리던 단백질 구조 규명을 단 몇 시간 만에 수행할 수 있게 되었습니다. 이는 신약 개발에 있어 기회를 창출하며, 연구자들이 다양한 질병의 메커니즘을 보다 깊이 이해할 수 있는 기회를 제공합니다.

  • AI의 발전은 신약개발의 전 주기에도 혁신을 가져오고 있습니다. AI 기반 플랫폼을 통해 신약 후보물질 탐색, 임상 등록 및 허가 신청 과정이 비약적으로 단축되고 있으며, 이러한 변화로 암젠과 같은 글로벌 제약사에서도 임상시험의 효율성이 크게 개선되었습니다. 2025년 이후 AI 도구가 신약 허가 과정을 더욱 가속화할 준비를 하고 있다는 사실은 제약업계의 관심을 집중시키고 있습니다.

  • 또한, 헬로앱스는 3D 메타버스 환경에서 알파폴드를 활용한 생명과학 교육 콘텐츠를 출시해, 중고등학생들이 생명과학의 기초 개념을 더욱 효과적으로 학습할 수 있는 기회를 제공하고 있습니다. 이와 같은 몰입형 학습 환경은 학생들에게 AI 기술이 실제 생명과학 분야에서 어떻게 이용되는지를 체험하게 하며, 이는 학습의 효과성을 높이는 데 기여하고 있습니다.

  • 한편, AI를 통한 마이크로바이옴 분석 및 정밀의학의 발전은 생물학적 데이터의 융합에 기반하여 새로운 치료법 개발의 발판이 되고 있으며, 바이오리액터 자동화는 생산성 향상과 맞춤형 의료 제공을 위한 기반을 다지고 있습니다. 이러한 흐름 속에서 글로벌 제약사와 규제기관들이 AI 에이전트를 도입하여 과학적 검토 및 의사결정 과정을 개선하고 있다는 점은 AI 기술의 비약적인 발전을 더욱 부각시키고 있습니다.

  • 결국, 이 모든 변화는 AI가 생명과학 분야에 가져오는 기회와 도전 과제를 명확히 보여주며, 향후 발생할 정밀한 데이터 분석 및 맞춤의약의 시대를 예고하고 있습니다.

2. AI 단백질 구조 예측의 진화

  • 2-1. 알파폴드 기반 인공 단백질 설계

  • 구글 딥마인드의 알파폴드(AlphaFold)는 단백질 구조 예측의 혁신을 가져온 인공지능 기술로, 주어진 아미노산 서열을 바탕으로 해당 단백질의 3차원 구조를 예측하는 능력을 갖추고 있습니다. 알파폴드는 수십 년간의 생물학적 데이터를 딥러닝 기술로 학습하여 단백질이 어떻게 접히는지를 이해하는 데 필요한 정보들을 효과적으로 제공합니다. 이를 통해 연구자들은 실험적 방법보다 훨씬 저렴한 비용과 빠른 시간 안에 단백질 구조를 예측할 수 있게 되었습니다. 이와 같은 혁신적인 접근은 신약 개발 및 질병 이해의 핵심이 되는 단백질 구조 연구에 중요한 기여를 하고 있습니다.

  • 알파폴드의 등장 이후, 과거에는 수개월에서 수년이 걸리던 단백질 구조 규명 과정이 이제는 몇 시간 만에 완료될 수 있게 되었으며, 이를 통해 연구자들은 보다 신속하게 다양한 단백질 구조를 분석할 수 있게 되었습니다. 이러한 기술적인 진보는 신약 개발에 있어 새로운 가능성을 열어가고 있으며, 제약 산업 전반에 걸쳐 혁신적인 변화를 일으키고 있습니다. 특히, 연구자들은 알파폴드를 활용하여 특정 질환 치료에 필요한 새로운 단백질 및 치료제를 설계하는 데 큰 도움을 받고 있습니다.

  • 2-2. 단백질 구조 예측의 산업·연구 적용

  • AI 기반 단백질 구조 예측 기술은 생명과학 및 제약 산업에서 그 활용도가 급증하고 있습니다. 많은 제약 회사들이 알파폴드의 예측 결과를 바탕으로 새로운 치료제를 개발하고 있으며, 이를 통해 신약 개발 주기의 단축과 함께 비용 절감 효과를 극대화하고 있습니다. 특히 복잡한 질병의 메커니즘을 이해하는 데 필수적인 도구로 자리 잡으면서, 생명과학 연구에 있어서 더 많은 데이터 기반의 접근이 가능해졌습니다.

  • 그뿐만 아니라, 인공지능을 통한 단백질 구조 예측 기술은 희귀질환 치료에도 큰 역할을 할 것으로 기대되고 있습니다. 과거에는 특정 질환에 대한 접근이 어려웠던 연구자들도 이제는 AI가 제공하는 예측 정보를 통해 보다 신속하고 정밀하게 새로운 치료법을 개발하는 데 박차를 가할 수 있게 되었습니다. 이는 단순한 혁신의 차원을 넘어, 제약 산업 전반에 걸쳐 소프트웨어와 생명과학의 경계를 허물고 있는 여정을 보여주고 있습니다.

  • 2-3. 성과와 한계

  • 알파폴드는 그 놀라운 예측 능력으로 단백질 구조 예측 분야에서 큰 성과를 거두었습니다. 다수의 연구자들이 이 AI 시스템을 활용하여 단백질의 3D 구조를 보다 쉽고 빠르게 분석하고 있으며, 이는 기존의 연구방식에 비해 상당히 혁신적입니다. 그러나 이러한 성과에도 불구하고 알파폴드 기술은 여전히 몇 가지 한계를 가지고 있습니다.

  • 첫째, 알파폴드는 수도 없이 많은 단백질 구조를 정확하게 예측하지만, 특정 조건에서 나타나는 복잡한 단백질 상호작용에 대한 완벽한 예측은 여전히 도전적인 문제입니다. 둘째, 인공적으로 생성된 단백질 구조에 대한 생물학적 검증이 필수적이며, 이 과정에서 예기치 못한 문제들이 발생할 수 있습니다. 마지막으로, 이러한 새로운 기술의 상용화 과정에서 윤리적 및 규제적 기준을 마련하는 것이 시급한 과제로 남아 있습니다.

  • 따라서 앞으로의 연구는 이러한 기술적 한계를 극복하고, 보다 안전하고 효과적인 단백질 구조 예측 방법을 개발하는 데 초점을 맞춰야 할 것입니다. 이는 AI와 생명과학의 지속적인 융합과 협력이 필요함을 의미합니다.

3. AI 기반 신약개발 혁신 현황

  • 3-1. 신약개발 전주기 AI 활용 사례

  • 최근 AI 기술은 신약개발의 모든 과정에서 변화를 이끌고 있습니다. 초기 후보물질 탐색부터 시작하여, 타겟 발굴, 약리작용 기전 분석까지 AI는 '게임 체인저'로 자리 잡고 있습니다. 특히, 암젠과 같은 글로벌 제약사는 AI와 머신러닝을 활용하여 신약 후보물질 도출, 임상 등록, 신약 허가 신청 서류 작성을 비약적으로 단축시켰습니다. 이 과정에서 암젠은 임상시험 환자 모집 속도를 2.5배 향상시키고, 임상시험 보고서를 4주에서 1시간 이상으로 줄이는 성과를 달성하였습니다. 또한, AI는 신약개발 주기의 모든 단계를 처리하며, 2025년부터는 신약 허가 신청 과정을 6개월에서 6주로 줄이기 위해 준비하고 있습니다.

  • 3-2. 제약사 AI 플랫폼 도입 현황

  • 전 세계 제약사들은 AI 기업들과의 협력을 통해 신약개발의 효율성을 높이고 있습니다. AI 신약개발 시장은 매년 46% 이상 성장하고 있으며, 거의 모든 글로벌 제약기업이 AI 기술을 신약개발 단계에 통합하고 있습니다. 이러한 변화는 AI가 제공하는 고해상도 바이오 데이터의 축적 속도와 정확도 향상 덕분입니다. AI는 약물 스크리닝, 독성 및 효능 평가, 임상시험 설계 등 다양한 분야에서 활용되고 있습니다. 예를 들어, 특정 단백질이 세포 내 수용체에 얼마나 많이 결합할 수 있는지, 특정 분자의 구조 변화 등을 모델링하여 조기에 신약 승인 가능성을 예측할 수 있는 수준에 이르고 있습니다.

  • 3-3. 개발 기간·비용 절감 효과

  • AI의 도입은 신약 개발에 소요되는 기간과 비용을 획기적으로 절감하는 데 기여하고 있습니다. 과거 한 개의 신약을 개발하는 데는 최소 10년 이상의 시간이 필요했고, 그 비용은 수조원에 달했습니다. 하지만 AI는 이러한 기간을 2~3년으로 단축시키고 예상되는 성공률도 높이고 있습니다. 또한, 머신러닝과 AI를 통해 대규모 데이터 분석이 가능해졌으며, 이로 인해 신약의 임상시험 및 마케팅, 안전 관리 효율성을 개선할 수 있었습니다. 특히, 데이터 기반의 분석 능력이 강화되면서 더 많은 환자에게 빠르게 치료 옵션을 제공할 가능성이 열리고 있습니다. 이러한 경향은 신약개발 분야에 있어서 AI의 필수성과 중요성을 더욱 부각시키고 있습니다.

4. 3D 메타버스를 활용한 생명과학 교육

  • 4-1. 헬로앱스의 3D 메타버스 생명과학 콘텐츠

  • 2025년 5월 기준, 헬로앱스는 3D 메타버스 환경에서 알파폴드 기반의 단백질 구조 예측 교육 콘텐츠를 국내 최초로 출시하였습니다. 이 교육 콘텐츠는 생명과학 분야에 진학을 원하는 중고등학생 및 과학 영재반 학생들이 보다 쉽게 접근할 수 있도록 설계되었습니다. 특히 DNA 복제, mRNA 전사, 아미노산 관찰 등과 같은 생명과학의 기초 개념을 직접 실험하고 체험할 수 있는 기회를 제공합니다. 이러한 접근은 학습자들에게 몰입감을 높이고, 이론과 실습의 연계를 가능하게 하여 보다 효과적인 학습 효과를 기대할 수 있습니다.

  • 4-2. 학생 실습 효과와 활용 방안

  • 메타버스 기반 콘텐츠는 기존의 교육 방식과 달리 인터랙티브한 경험을 통해 학생들이 개별적으로 실습함으로써 학습할 수 있도록 돕습니다. 예를 들어, 학생들은 각각의 과정을 단계별로 따라가며 알파폴드를 사용하여 단백질 구조를 예측하는 과정에 참여하게 됩니다. 이러한 실습을 통해 학생들은 AI 기술이 실제 생명과학 분야에서 어떻게 활용되는지를 체험적으로 이해하게 되어, 이론적 지식이 아닌 실제 경험에 기반한 교육 효과를 경험할 수 있습니다.

  • 이와 같은 교육 콘텐츠는 의대, 약대, 치대와 같은 생명과학 관련 분야의 자율적 학습 및 동아리 활동을 장려하는 데 큰 기여를 하고 있으며, 학생들이 자신의 진로에 대한 확신을 가질 수 있도록 도와줍니다. 또한, 저렴한 구독형 요금제는 학교와 학생들이 부담 없이 이러한 콘텐츠를 이용할 수 있도록 해주어, 과학 교육의 접근성을 높이는 데 기여합니다.

  • 4-3. 향후 교육 플랫폼 전망

  • 향후 3D 메타버스 기반의 생명과학 교육 플랫폼은 더욱 발전할 것으로 기대됩니다. 기술의 발전과 함께 학생들의 흥미를 끌 수 있는 다양한 콘텐츠가 지속적으로 개발될 것이며, 이는 단순한 정보 전달을 넘어, 심도 있는 실험과 협업 학습을 통해 효과를 극대화할 수 있습니다. 예를 들어, 온라인 환경에서 세계 각지의 학습자들이 함께 협력하여 실험을 수행하거나, 과제를 해결하는 등의 동시성과 상호작용을 강화할 수 있는 기회가 마련될 것입니다.

  • 또한, AI와 메타버스 기술의 융합은 교육자의 역할도 변화시켜, 데이터 분석과 개별 맞춤형 피드백을 제공함으로써 학생들의 학습 성과를 극대화하는 방향으로 나아갈 것입니다. 이러한 변화는 학생들에게 보다 혁신적이고 유익한 학습 경험을 제공하고, 미래의 생명과학 분야에 필요한 인재들을 양성하는 데 중요한 역할을 수행할 것입니다.

5. 정밀의학과 바이오데이터 분석 동향

  • 5-1. AI 기반 마이크로바이옴 분석

  • 마이크로바이옴은 우리 몸에 존재하는 미생물 군집을 지칭하며, 이는 건강과 질병에 많은 영향을 미칩니다. AI 기술의 발전 덕분에, 마이크로바이옴 데이터 분석의 새로운 가능성이 열리고 있습니다. 머쉰러닝과 딥러닝 기법을 활용하여 대규모 데이터의 패턴을 식별할 수 있는 유능한 모델들이 개발되었고, 이는 장 건강, 염증 반응, 심지어 여러 질병의 예측에도 기여하고 있습니다.

  • 특히, AI를 통한 마이크로바이옴 분석은 특정 질병의 진행 과정을 예측하거나 치료법 개발에 있어서 매우 중요한 역할을 하고 있습니다. 예를 들어, AI 기반의 방법은 염증성 장 질환과 같은 마이크로바이옴의 변화가 뚜렷한 질환에 대해 선도적인 예측력을 보여주고 있습니다. 한국바이오협회의 최근 보고서에 따르면, AI 모델은 미생물 분류군을 정확하게 식별하고, 기능적 경로를 예측하는 데 있어 비약적인 발전을 이루었습니다.

  • 5-2. 정밀의학을 위한 데이터 융합

  • 정밀의학은 개별 환자의 유전적, 생물학적 정보에 기반하여 최적의 치료를 설계하는 바탕이 됩니다. 이를 위해 다양한 바이오데이터의 통합이 필수적입니다. 예를 들어, 유전체 데이터, 생화학적 분석 데이터, 환자의 전자 건강 기록 등이 결합되어야 하며, AI는 이러한 데이터를 실시간으로 분석하여 인사이트를 도출해냅니다.

  • 정밀의학의 발전에 있어 데이터 융합이 갖는 주목할 만한 예는 유전자 프로파일링을 기반으로 한 개인 맞춤형 치료입니다. 이를 통해 환자의 특정 유전자 변이를 타겟팅한 약물 개발이나, 개별적인 치료 계획 수립이 가능하여, 효과적인 질병 관리가 이루어지고 있습니다. 정밀의학은 이제 단순한 연구 개념이 아니라 임상 현장에서 실제로 시행되고 있으며, 이를 통해 환자에게 실질적인 혜택을 제공하고 있습니다.

  • 5-3. 바이오리액터 자동화와 생산성

  • 바이오리액터 자동화는 생물의약품 생산의 효율성을 높이는 데 기여하고 있으며, 이는 정밀의학에 필수적인 요소입니다. 최신의 바이오리액터는 고급 공정 제어 기능이 있어 세포 배양 과정을 자동으로 모니터링하고 조정할 수 있습니다. 이는 수작업으로 인한 오류를 최소화하고, 예상치 못한 변수에 즉시 대응할 수 있도록 돕습니다.

  • 예를 들어, 자동화된 센서 시스템은 공정에서 측정된 데이터를 실시간으로 전달하고, 이를 기반으로 최적의 환경을 유지합니다. 이로 인해 바이오의약품의 생산 일정이 단축되고, 품질이 향상되어 전반적인 생산성이 remarkably 증가하게 됩니다. 이러한 자동화 기술은 정밀의학에서 치료용 프로세스의 데이터 기반 의사결정을 지원함으로써, 환자 맞춤형 치료를 위한 중요한 역할을 하고 있습니다.

6. 글로벌 컨퍼런스·정책과 AI 에이전트

  • 6-1. SAS Innovate 2025 주요 발표

  • 2025년 5월 6일부터 9일까지 미국 플로리다주 올랜도에서 개최된 'SAS 이노베이트 2025'는 데이터 및 인공지능(AI) 분야의 세계적 리더인 SAS가 최신 기술 혁신을 선보이는 중요한 자리였습니다. 이 행사에서는 AI 에이전트와 같은 혁신적인 기술이 공개되었으며, AI 에이전트는 반복적이고 시간 소모적인 작업을 자동화하여 과학적 검토 과정의 효율성을 높이는 데 기여하고 있습니다. SAS는 인공지능을 통해 스스로 의사결정을 할 수 있는 시스템을 개발하고 있으며, 이는 책임 있는 AI 사용을 통해 기업의 업무 환경을 혁신적으로 변화시킬 것으로 기대됩니다.

  • 6-2. FDA의 AI 전면 도입 계획

  • FDA는 2025년 6월 30일까지 모든 센터에 AI 기술을 도입할 계획을 발표했습니다. 이 결정은 AI 도구를 사용한 최초의 연구에서 긍정적인 결과를 얻은 후 진행되었습니다. 마르틴 마카리(Martin A. Makary) FDA 국장은 이 프로그램이 규제 검토의 비효율성을 제거하고, 새로운 치료제의 검토 시간을 획기적으로 단축할 수 있음을 강조했습니다. AI 도구는 방대한 양의 규제 데이터를 처리하고, 문서를 통합하며, 과학적 검토자들에게 필요한 요약을 제공함으로써 데이터 분석의 신뢰성과 효율성을 크게 향상시키고 있습니다.

  • 6-3. 기업 간 에이전트 협업 프로토콜 A2A

  • 마이크로소프트는 AI 플랫폼인 애저 AI 파운드리와 코파일럿 스튜디오를 통해 '에이전트투에이전트(Agent2Agent, A2A)'라는 새로운 개방형 통신 프로토콜을 발표했습니다. A2A는 기업 간 AI 에이전트의 상호작용을 원활하게 하여 협업을 촉진하는데 중점을 두고 설계되었습니다. 이 프로토콜은 내부 코파일럿부터 외부 협력사 도구에 이르기까지 다양한 환경에서 AI 에이전트가 서로 목표를 공유하고 명령을 실행할 수 있도록 지원합니다. A2A의 도입으로 기업들은 특정 벤더에 의존하지 않으면서도 높은 신뢰성을 유지하며 통합된 AI 솔루션을 운영할 수 있게 되었습니다.

결론

  • AI는 생명과학 전 분야에서 혁신적인 패러다임 전환을 주도하고 있습니다. 알파폴드로 대표되는 단백질 구조 예측 기술은 인공 단백질 설계 및 정밀의학을 가능하게 하며, 이는 단순한 이론적 연구를 넘어 실질적인 치료법 개발에 기여하고 있습니다. 신약개발 분야에서도 AI 플랫폼의 도입으로 신약 후보물질 탐색 및 개발이 혁신적으로 가속화되고 있으며, 예상되는 성공률 또한 높아지고 있습니다.

  • 2025년을 기점으로 교육 분야에서는 헬로앱스의 메타버스 기반 콘텐츠가 젊은 인재들을 양성하는 데 큰 기여를 하고 있으며, 새로운 학습 방식은 학생들에게 보다 실제적이고 효과적인 교육 기회를 제공하고 있습니다. 이러한 변화는 과학 교육의 접근성을 높이는 데 중요한 역할을 하고 있습니다.

  • 또한, AI 에이전트와 같은 혁신적인 기술들이 규제 및 비즈니스 환경에도 활발히 도입되고 있으며, 이는 전체 생명과학 분야의 운영 효율성을 개선하려는 노력의 일환입니다. 향후 AI의 성공적인 적용을 위해서는 데이터 품질 확보, 윤리적 기준 마련, 그리고 다학제 간 협력이 더욱 강화되어야 하며, 이러한 과제를 해결해 나가면서 AI 생명과학 혁신을 지속적으로 확산시켜 나가야 할 것입니다. 이는 인류의 건강과 복지를 위한 필수적인 과정으로, AI와 생명과학의 융합이 가져올 미래에 대한 기대감을 더해줍니다.

용어집

  • 알파폴드: 구글 딥마인드가 개발한 인공 지능 기술로, 아미노산 서열을 기반으로 단백질의 3차원 구조를 예측하는 혁신적인 시스템입니다. 알파폴드는 기존의 실험적 방법보다 훨씬 빠르고 저렴하게 단백질 구조를 규명할 수 있도록 도와주며, 신약 개발 및 질병 이해에 기여하고 있습니다.
  • 단백질 구조 예측: 단백질의 아미노산 서열을 바탕으로 해당 단백질이 어떻게 접히는지를 예측하는 과정입니다. AI 기반 기술인 알파폴드가 이 분야에서 혁신을 주도하고 있으며, 복잡한 생물학적 메커니즘을 이해하는 데 중요한 역할을 하고 있습니다.
  • 메타버스: 3D 가상 환경을 기반으로 한 디지털 세계로, 사용자가 인터랙티브하게 경험하고 참여할 수 있는 공간입니다. 최근 생명과학 교육 콘텐츠에서 헬로앱스가 메타버스를 활용해 알파폴드를 체험할 수 있는 교육 프로그램을 제공하고 있습니다.
  • 신약개발: 의약품을 제조하기 위해 연구와 개발을 진행하는 과정으로, AI 기술을 통해 후보 물질의 탐색, 임상 등록, 허가 신청 등이 비약적으로 단축되고 비용이 절감되고 있습니다.
  • 정밀의학: 개별 환자의 유전적 및 생물학적 정보를 기반으로 맞춤형 치료를 설계하는 의학의 한 분야입니다. AI는 다양한 데이터를 융합하여 개인별 최적의 치료법을 제시하는 데 중요한 역할을 합니다.
  • 바이오데이터: 생명과학 분야에서 수집된 생물학적 데이터로, 유전체 데이터, 단백질 데이터 등이 포함됩니다. 이 데이터는 AI 기술을 통해 분석되어 정밀의학 및 치료법 개발에 활용됩니다.
  • AI 에이전트: 자동화된 인공지능 시스템으로, 반복적이고 시간 소모적인 작업을 수행하며, 데이터 분석과 의사결정을 지원하는 역할을 합니다. 특히 과학적 검토 과정의 효율성을 높이는 데 기여하고 있습니다.
  • FDA: 미국 식품의약국(Food and Drug Administration)으로, 인체에 사용되는 약물과 의료기기 등을 규제하는 기관입니다. 2025년 6월까지 AI 기술을 도입하여 규제 검토의 비효율성을 개선할 예정입니다.
  • SAS Innovate: 데이터 및 인공지능(AI) 분야의 선도적인 기업인 SAS가 주최하는 글로벌 컨퍼런스입니다. 최신 AI 기술과 혁신을 소개하며, 2025년에는 AI 에이전트의 성과가 발표되었습니다.
  • A2A 프로토콜: 마이크로소프트가 발표한 개방형 통신 프로토콜로, 기업 간 AI 에이전트의 협업을 촉진하는 데 중점을 두고 있습니다. 이를 통해 다양한 환경에서 AI 에이전트가 목표를 공유하고 원활하게 소통할 수 있게 됩니다.
  • 바이오리액터: 생물의약품을 생산하기 위한 장치로, 자동화 기술을 통해 생산성 향상과 품질 관리를 지원합니다. 정밀의학에 필수적인 요소로, 치료용 프로세스의 데이터 기반 의사결정을 가능하게 합니다.
  • 하이퍼오토메이션: AI와 다른 기술을 결합하여 업무 프로세스를 자동화하고 최적화하는 접근 방식입니다. 생명과학 분야에서도 AI와 머신러닝을 통해 연구와 개발의 효율성을 높이는 데 기여하고 있습니다.
  • 맞춤의약: 환자의 개인적 특성과 필요에 맞춰 디자인된 의약품 개발을 목표로 하는 분야로, AI 기술을 통해 발전하고 있으며, 환자의 유전적 정보와 데이터 분석을 통해 최적의 치료법을 제공합니다.
  • AI 교육: 인공지능 기술을 활용한 교육 접근 방식으로, 학생들이 실제적이고 몰입감 있는 경험을 통해 생명과학 분야를 이해하는 데 도움을 주고 있습니다. 헬로앱스의 메타버스 콘텐츠가 그 예입니다.

출처 문서