본 논문은 대규모 언어 모델(LLM)의 생물학적 경로 추론 능력을 평가하고, 이를 개선하기 위한 새로운 방법을 제시합니다. 기존 연구에서 LLM이 다양한 생물학 분야에 적용되었지만, 경로와 같은 복잡한 생물학적 시스템에서의 추론 능력은 미개척 분야였습니다. 연구진은 실제 연구에서 파생된 5,100개 이상의 복잡한 경로 문제를 포함하는 BioMaze 데이터셋을 제작하고, Chain of Thought(CoT) 및 그래프 증강 추론과 같은 방법들을 평가했습니다. 평가 결과, LLM은 특히 시스템이 교란된 경우 경로 추론에 어려움을 겪는다는 것을 확인했습니다. 이러한 문제를 해결하기 위해, 연구진은 상호작용적 하위 그래프 기반 탐색을 통해 추론을 향상시키는 LLM 에이전트인 PathSeeker를 제안합니다. PathSeeker는 과학적으로 정렬된 방식으로 생물학적 시스템의 복잡성을 보다 효과적으로 처리할 수 있는 접근 방식을 제공합니다. BioMaze 데이터셋과 코드는 공개적으로 제공됩니다.
