화학 분야의 핵심 문제 중 하나인 후행합성(retrosynthesis)은 목표 화합물에 대한 반응 경로와 중간체를 설계하는 것을 목표로 한다. 인공지능(AI)을 활용한 후행합성의 목적은 이전의 화학 반응 데이터를 학습함으로써 이러한 과정을 자동화하는 것이다. 여러 모델들이 자동화된 후행합성의 가능성을 입증해왔지만, 여전히 실용적인 수준에 도달하기 위해 예측 정확도를 더욱 향상시킬 필요가 있다. 본 연구에서는 화학적 직관에 기반하여 화학 반응 과정에서 분자의 변화는 주로 국소적으로 발생한다는 점에 착안하여, 국소 후행합성 프레임워크인 LocalRetro를 제안한다. 기존의 거의 모든 후행합성 방법은 분자의 전반적인 구조에 기반하여 반응물을 제안하지만, 이는 반응과 직접적으로 관련이 없는 세부 정보를 포함할 수 있다. 반면, 국소적 개념은 원자 및 결합 편집을 포함하는 국소 반응 템플릿을 도출한다. 또한, 원거리 기능기 그룹이 반응 경로에 보조적인 영향을 미칠 수 있다는 점을 고려하여, 전역 주의 메커니즘(global attention mechanism)을 도입하여 비국소적 영향을 보완하는 개선된 국소 인코딩 후행합성 모델을 제안한다. 제안된 모델은 USPTO-50K 데이터셋(50,016개 반응 포함)에서 상위 1개 및 상위 5개 예측에 대해 각각 89.5%, 99.2%의 뛰어난 순환 정확도(round-trip accuracy)를 보였다. 또한, 479,035개 반응을 포함하는 대규모 데이터셋(UTPTO-MIT)에서도 유사한 수준의 순환 정확도(상위 1개: 87.0%, 상위 5개: 97.4%)를 달성함으로써 LocalRetro의 유효성을 입증하였다. 더불어, 다양한 문헌에서 보고된 다섯 가지 약물 후보 화합물의 합성 경로를 정확히 예측함으로써 본 모델의 실용적 적용 가능성을 확인하였다.