Das Hauptziel der Retrosynthese besteht darin, gewünschte Moleküle rekursiv in verfügbare Bausteine zu zerlegen. Bestehende, auf Vorlagen basierende Methoden der Retrosynthese folgen einem festen Schema zur Vorlagenauswahl und leiden unter einer begrenzten Anzahl von Trainingsvorlagen, was sie daran hindert, neue Reaktionen zu entdecken. Um diese Einschränkung zu überwinden, schlagen wir einen innovativen Rahmen für die Retrosynthese-Vorhersage vor, der es ermöglicht, neue Vorlagen außerhalb der Trainingsvorlagen zu erstellen. Soweit wir wissen, ist dies die erste Methode, die maschinelles Lernen zur Erstellung von Reaktionsvorlagen für die Retrosynthese-Vorhersage einsetzt. Darüber hinaus stellen wir ein effektives Modell zur Bewertung von Reaktandenkandidaten vor, das atomare Transformationen erfassen kann. Dies hilft unserer Methode, auf dem USPTO-50K-Datensatz bessere Ergebnisse als frühere Methoden zu erzielen. Experimentelle Ergebnisse zeigen, dass unsere Methode 15 Testreaktionen des USPTO-50K-Datensatzes mit neuen Vorlagen versorgen kann, die durch die Trainingsvorlagen nicht abgedeckt sind. Wir haben unsere Quellimplementierung veröffentlicht.