Le défi central dans la planification automatisée de synthèse est de pouvoir générer et prédire les résultats d'un ensemble diversifié de réactions chimiques. En particulier, dans de nombreux cas, le chemin de synthèse le plus probable ne peut pas être appliqué en raison de contraintes supplémentaires, ce qui nécessite la proposition d'alternatives en termes de réactions chimiques. À cet égard, nous présentons Molecule Edit Graph Attention Network (MEGAN), un modèle neuronal encodeur-décodeur intégré. MEGAN s'inspire des modèles qui expriment une réaction chimique comme une séquence d'éditions de graphe, similaire au formalisme du poussage des flèches. Nous étendons ce modèle à la prédiction de la rétro-synthèse (prédiction des substrats à partir du produit d'une réaction chimique) et l'amplifions pour traiter des grands ensembles de données. Nous soutenons que représenter la réaction sous forme de séquence d'éditions permet à MEGAN d'explorer efficacement l'espace des réactions chimiques plausibles, tout en maintenant la flexibilité d'un modèle intégré, et en atteignant une précision record dans les benchmarks standards. Le code source et les modèles entraînés sont mis à disposition en ligne sur https://github.com/molecule-one/megan.