Die zentrale Herausforderung bei der automatisierten Syntheseplanung besteht darin, eine Vielzahl von chemischen Reaktionen erzeugen und deren Ausgänge vorhersagen zu können. Insbesondere kann in vielen Fällen der wahrscheinlichste Syntheseweg aufgrund zusätzlicher Einschränkungen nicht angewendet werden, was die Vorschlagstellung alternativer chemischer Reaktionen erforderlich macht. In diesem Kontext präsentieren wir Molecule Edit Graph Attention Network (MEGAN), ein neuronales Modell mit einer end-to-end Struktur, das sowohl als Encoder als auch als Decoder fungiert. MEGAN orientiert sich an Modellen, die eine chemische Reaktion als Sequenz von Graph-Edits darstellen, ähnlich dem Formalismus des Pfeilschiebens. Wir erweitern dieses Modell auf die retrosynthese Vorhersage (Vorhersage von Substraten anhand des Produkts einer chemischen Reaktion) und skalieren es auf große Datensätze. Wir argumentieren, dass die Darstellung der Reaktion als Sequenz von Edits MEGAN ermöglicht, den Raum plausibler chemischer Reaktionen effizient zu erkunden, wobei die Flexibilität der end-to-end Modellierung gewahrt bleibt und gleichzeitig eine Spitzenleistung in Standard-Benchmarks erreicht wird. Der Quellcode und trainierte Modelle sind online unter https://github.com/molecule-one/megan verfügbar.