### 4-1. Quick Start

기존에 사용되던 `google-generativeai` 라이브러리는 Deprecated 되었으므로, Google의 최신 규격인 `google-genai` 통합 SDK를 사용하여 설치하고 시작해야 합니다.

```bash
# 최신 통합 Google Gen AI Python SDK 설치
pip install google-genai
```

설치 후 API 키를 발급받아 환경 변수로 설정해 줍니다.
```bash
export GEMINI_API_KEY="여러분의_API_키"
```

기본적인 텍스트 호출을 수행하는 Python 스크립트 예시입니다.
```python
from google import genai

# 클라이언트 생성 시 자동으로 GEMINI_API_KEY 환경변수를 로드합니다.
client = genai.Client()

response = client.models.generate_content(
    model='gemini-2.5-flash',
    contents='CRISPR-Cas9 시스템과 CRISPR-Cas12a 시스템의 핵심적인 차이점을 설명해줘.'
)

print(response.text)
```

### 4-2. 상세 설치

엔터프라이즈 환경이나 Google Cloud 플랫폼(Vertex AI) 환경에서 크레딧과 파이프라인을 체계적으로 관리해야 한다면 아래와 같이 `gcloud` CLI를 연동하여 가동하는 것을 권장합니다.

```bash
# gcloud CLI 로그인 및 어플리케이션 인증 토큰 생성
gcloud auth application-default login
```

연구용으로 대량의 문헌을 파싱한 뒤 구조화된 데이터(JSON)로 정확히 리턴받고 싶을 때 작성하는 상세 코드입니다.

```python
from google import genai
from google.genai import types

client = genai.Client()

prompt = """
다음 PubMed 논문 초록을 읽고, 대상 환자군(patient_group), 분석된 바이오마커(biomarkers), 
그리고 유의미하게 변화한 수치(expression_change)를 JSON 형태로 분류해서 리턴해줘.
"Abstract: In this cohort of 120 patients with non-small cell lung cancer, we analyzed the expression of EGFR and KRAS. 
We observed a 2.5-fold increase in EGFR mRNA levels in responders compared to non-responders..."
"""

# JSON Schema를 지정하여 구조화된 형태로 응답을 강제화
response = client.models.generate_content(
    model='gemini-2.5-pro',
    contents=prompt,
    config=types.GenerateContentConfig(
        response_mime_type="application/json",
        response_schema={
            "type": "OBJECT",
            "properties": {
                "patient_group": {"type": "STRING"},
                "biomarkers": {
                    "type": "ARRAY", 
                    "items": {"type": "STRING"}
                },
                "expression_change": {"type": "STRING"}
            },
            "required": ["patient_group", "biomarkers", "expression_change"]
        }
    )
)

print(response.text)
```