Die Extraktion biomedizinischer Ereignisse ist entscheidend für das Verständnis biomolekularer Interaktionen, wie sie in wissenschaftlichen Korpora beschrieben werden. Eine der zentralen Herausforderungen besteht darin, geschachtelte, strukturierte Ereignisse zu identifizieren, die mit nicht-indikativen Triggerwörtern verbunden sind. Wir schlagen vor, domänenspezifisches Wissen aus dem Unified Medical Language System (UMLS) über Graph Edge-conditioned Attention Networks (GEANet) und eine hierarchische Graph-Darstellung in ein vortrainiertes Sprachmodell einzubinden. Um die Erkennung von Triggerwörtern zu verbessern, wird zunächst jeder Satz anhand eines hierarchischen Wissensgraphen aus UMLS, der gemeinsam modelliert wird, in einen Satzgraphen eingebettet. Diese eingebetteten Graphen werden anschließend durch GEANet propagiert, ein neuartiges Graphen-Neuronales Netzwerk, das verbesserte Fähigkeiten zur Inferenz komplexer Ereignisse bietet. Auf der BioNLP 2011 GENIA-Ereignisextraktionsaufgabe erzielte unser Ansatz eine F1-Steigerung um 1,41 % bei allen Ereignissen und um 3,19 % bei komplexen Ereignissen. Ablationsstudien bestätigen die Bedeutung von GEANet und des hierarchischen Wissensgraphen.