التحليل الرجعي ذو الخطوة الواحدة (SSR) في الكيمياء العضوية يستفيد بشكل متزايد من تقنيات التعلم العميق (DL) في تصميم التركيب المعاون بالحاسوب. بينما تتميز نماذج التعلم العميق الخالية من القوالب بالمرونة والوعود الكبيرة في التنبؤ بالتحليل الرجعي، فإنها غالباً ما تتجاهل المعلومات الجزيئية ثنائية الأبعاد الحيوية وتواجه صعوبات في مواءمة الذرات لعملية إنشاء العقد، مما يؤدي إلى أداء أقل مقارنة بطرق القوالب وشبه القوالب. لحل هذه المشكلات، نقدم نموذج Node-Aligned Graph-to-Graph (NAG2G)، وهو نموذج تعلم عميق خالي من القوالب يستند إلى محولات. يجمع NAG2G بين الرسوم البيانية للجزيئات ثنائية الأبعاد والأشكال ثلاثية الأبعاد للاحتفاظ بتفاصيل جزيئية شاملة ويضم خرائط ذرات المنتج-المتفاعل من خلال مواءمة العقد التي تحدد ترتيب عملية الإخراج العقدة تلو الأخرى بطريقة ذاتية التنظيم. من خلال اختبارات دقيقة ومعالجة حالات مفصلة، أظهرنا أن NAG2G يبرز بفضل دقة تنبؤه البارزة على قواعد بيانات واسعة مثل USPTO-50k و USPTO-FULL. علاوة على ذلك، يتم التأكيد على الفائدة العملية للنموذج من خلال نجاحه في التنبؤ بمسارات التركيب لمجموعة من جزيئات مرشحات الدواء. هذا ليس فقط يثبت صلابة NAG2G بل أيضاً إمكاناته في ثورة التنبؤ بعمليات التركيب الكيميائي المعقدة للمهام المستقبلية لتصميم المسارات الاصطناعية.