Les représentations sémantiques ont longtemps été considérées comme potentiellement utiles pour garantir la préservation du sens et améliorer les performances de généralisation des méthodes de traduction automatique. Dans cette étude, nous sommes les premiers à intégrer des informations sur la structure prédicat-argument des phrases sources (à savoir, les représentations de rôles sémantiques) dans la traduction automatique neuronale. Nous utilisons des réseaux de neurones convolutionnels sur graphes (GCNs) pour injecter un biais sémantique dans les encodeurs de phrases et obtenons des améliorations des scores BLEU par rapport aux versions linguistiquement agnostiques et syntaxiquement conscientes sur la paire de langues anglais-allemand.