自動合成計画における中心的な課題は、多様な化学反応の生成と結果の予測を行う能力を持つことです。特に、多くの場合、追加の制約条件により最も可能性の高い合成経路が適用できないため、代替の化学反応を提案する必要があります。この点に鑑みて、本研究ではMolecule Edit Graph Attention Network（MEGAN）というエンドツーエンドのエンコーダー-デコーダーニューラルモデルを紹介します。MEGANは、化学反応を矢印押し形式に類似したグラフ編集の系列として表現するモデルから着想を得ています。私たちはこのモデルを逆合成予測（化学反応の製品が与えられたときの基質の予測）に拡張し、大規模データセットへのスケーリングを行いました。化学反応を編集の系列として表現することで、MEGANは合理的な化学反応空間を効率的に探索でき、エンドツーエンドでの反応モデリングの柔軟性を維持しつつ、標準的なベンチマークにおいて最先端の精度を達成しています。コードと学習済みモデルはオンラインで公開されており、https://github.com/molecule-one/megan からアクセスできます。