Dans cette recherche, nous présentons notre contribution à la tâche DrugProt du défi BioCreative VII. Les interactions médicament-cible (DTIs) sont cruciales pour la découverte et le réemploi de médicaments, qui sont souvent extraites manuellement des articles expérimentaux. Il existe plus de 32 millions d'articles biomédicaux sur PubMed, et l'extraction manuelle de DTIs à partir d'une telle base de connaissances est un défi majeur. Pour résoudre ce problème, nous proposons une solution pour le Track 1, qui vise à extraire 10 types d'interactions entre les entités médicamenteuses et protéiques. Nous avons appliqué un modèle de classifieur ensembliste combinant BioMed-RoBERTa, un modèle linguistique d'avant-garde, avec des réseaux neuronaux convolutifs (CNN) pour extraire ces relations. Malgré les déséquilibres de classe dans le corpus de test DrugProt de BioCreative VII, notre modèle obtient une performance satisfaisante par rapport à la moyenne des autres soumissions au défi, avec un score micro F1 de 55,67 % (et 63 % sur le corpus de test ChemProt de BioCreative VI). Ces résultats montrent le potentiel de l'apprentissage profond dans l'extraction de différents types d'interactions médicament-cible (DTIs).