逆合成是有机化学家广泛使用的一种方法，通过将目标分子递归分解为更简单的前体分子来设计目标化合物的合成路线。逆合成预测是一个一对多的问题，即合成同一个目标分子可能存在多个反应方法，而由于所有可能的化学转化的巨大搜索空间，即使对于经验丰富的化学家也极具挑战性。因此，如何从化学家思考的角度利用AI实现任何化合物都可以逆合成预测算法提升模型预测的精度和可解释性，对于分子的合成路线设计至关重要。
2023年5月25日，中山大学陈语谦团队在Nature Communications发表了题为“Retrosynthesis prediction using an end-to-end graph generative architecture for molecular graph editing”的研究论文。该研究基于反应转化的简易机理提出了一种基于图神经网络的图到编辑架构Graph2Edits，用于逆合成预测。
该研究表明，Graph2Edits的设计策略可以增强逆合成反应预测模型的合理性和可解释性，与其他先进的基线模型相比表现出更高的预测性能，并在一些复杂反应中具有较高的适用性，可以进一步用于药物分子的合成路线设计。