In dieser Forschung präsentieren wir unsere Teilnahme am DrugProt-Task der BioCreative VII Challenge. Die Interaktionen zwischen Wirkstoffen und Zielproteinen (DTIs) sind für die Entdeckung und Wiederverwendung von Medikamenten entscheidend und werden oft manuell aus experimentellen Artikeln extrahiert. Es gibt über 32 Millionen biomedizinische Artikel auf PubMed, und die manuelle Extraktion von DTIs aus dieser riesigen Wissensbasis stellt eine Herausforderung dar. Um dieses Problem zu lösen, bieten wir eine Lösung für Track 1 an, dessen Ziel es ist, zehn Arten von Interaktionen zwischen Wirkstoff- und Proteinentitäten zu extrahieren. Wir haben ein Ensemble-Klassifikator-Modell angewendet, das BioMed-RoBERTa, ein state-of-the-art Sprachmodell, mit Faltungsneuronalen Netzen (CNN) kombiniert, um diese Beziehungen zu extrahieren. Trotz der Klassenungleichgewichte im BioCreative VII DrugProt Testkorpus erreicht unser Modell eine gute Leistung im Vergleich zum Durchschnitt der anderen Einreichungen in der Challenge, mit einem Mikro-F1-Score von 55,67 % (und 63 % im BioCreative VI ChemProt Testkorpus). Die Ergebnisse zeigen das Potenzial des Deep Learning bei der Extraktion verschiedener Arten von DTIs.