Nous présentons une approche exhaustive neuronale qui traite à la fois la reconnaissance d'entités nommées (NER) et la reconnaissance de relations (RE), dans le cadre de la tâche partagée sur les protocoles de laboratoire humide (wet-lab protocols). Nous introduisons une approche neuronale basée sur BERT qui énumère toutes les spans possibles comme mentions potentielles d'entités, puis les classe selon leur type d'entité ou comme non-entité à l’aide de réseaux de neurones profonds, afin de résoudre la tâche de NER. Pour traiter la tâche d’extraction de relations, à partir des prédictions de NER ou des mentions oracles fournies, nous construisons toutes les paires possible (déclencheur-argument) et les classons selon leurs types de relations ou comme non-relations. En ce qui concerne la tâche de NER, nous atteignons un score F de 76,60 %, ce qui nous place au troisième rang parmi les systèmes participants. Pour la tâche d’extraction de relations, nous obtenons un score F de 80,46 %, ce qui nous classe en tête parmi tous les systèmes pour cette tâche. En outre, nous comparons notre modèle, entraîné sur le corpus des protocoles de laboratoire humide (WLPC), avec les systèmes de référence basés sur WLPC et le modèle DyGIE (extraction d'information basée sur graphe dynamique).