본 논문은 대규모 언어 모델(LLM)의 생물학적 경로 추론 능력을 평가하고, 이를 개선하기 위한 새로운 방법을 제안합니다. 기존 연구에서 LLM이 다양한 생물학 분야에 적용되었지만, 복잡한 생물학적 경로에 대한 추론 능력은 충분히 연구되지 않았습니다. 이에 본 연구는 실제 연구에서 파생된 5,100개 이상의 복잡한 경로 문제를 포함하는 BioMaze 데이터셋을 제시합니다. BioMaze는 자연적인 동적 변화, 교란, 추가적인 개입 조건 및 다중 척도 연구 대상 등 다양한 생물학적 맥락을 포함합니다. 실험 결과, 기존의 사고과정(CoT) 및 그래프 증강 추론 방법을 사용한 LLM은 특히 교란된 시스템에서 경로 추론에 어려움을 겪는다는 것을 보여줍니다. 이러한 문제를 해결하기 위해, 본 논문은 상호작용적 하위 그래프 기반 탐색을 통해 추론을 향상시키는 LLM 에이전트인 PathSeeker를 제안합니다. PathSeeker는 과학적으로 정렬된 방식으로 생물학적 시스템의 복잡성을 더 효과적으로 처리할 수 있도록 합니다. 데이터셋과 코드는 GitHub에서 공개됩니다.
