Angesichts der großen Anzahl möglicher synthetischer Wege in der Chemie bleibt die Rückwärts-Synthese-Vorhersage weiterhin eine Herausforderung für Forscher. In jüngster Zeit wurde die Vorhersage der Rückwärts-Synthese als Aufgabe der maschinellen Übersetzung (Machine Translation, MT) formuliert. Da jedes Molekül als eine vereinfachte Zeichenkette im Simplified Molecular-Input Line-Entry System (SMILES) dargestellt werden kann, wird der Syntheseprozess analog zu einem Übersetzungsprozess von Reaktanten zu Produkten betrachtet. Allerdings ignorieren die auf SMILES-Daten angewendeten MT-Modelle häufig die natürlichen Atomverbindungen und die Topologie der Moleküle. In diesem Artikel stellen wir einen Graph-Enhanced Transformer (GET)-Rahmen vor, der sowohl die sequenziellen als auch die graphischen Informationen von Molekülen nutzt. Wir schlagen vier verschiedene GET-Designs vor, die die SMILES-Darstellungen mit Atom-Embeddings verbinden, die mittels unseres verbesserten Graph Neural Network (GNN) gelernt wurden. Experimentelle Ergebnisse zeigen, dass unser Modell die Testgenauigkeit erheblich über dem herkömmlichen Transformer-Modell erreicht.