Les méthodes neuronales ont connu plusieurs succès récents en analyse sémantique, bien qu'elles n'aient pas encore relevé le défi de produire des représentations de sens basées sur la sémantique formelle. Nous présentons un analyseur sémantique neuronal séquence-à-séquence capable de générer des Structures de Représentation du Discours (DRS) pour les phrases anglaises avec une grande précision, surpassant les analyseurs DRS traditionnels. Pour faciliter l'apprentissage de la sortie, nous représentons les DRS sous forme d'une séquence de clauses plates et introduisons une méthode permettant de vérifier que les DRS générés sont bien formés et interprétables. Nous comparons des modèles utilisant des caractères et des mots comme entrée et constatons (de manière quelque peu surprenante) que le premier performe mieux que le second. Nous montrons que l'élimination des noms de variables dans la sortie à l'aide des indices de De Bruijn augmente les performances de l'analyseur. L'ajout de données d'entraînement en argent améliore encore davantage les performances.