نمذجة التفاعل بين البروتينات والليجاندات والتوقع الدقيق لبنيتها المرتبطة هو مهمة حاسمة ومعقدة في اكتشاف الأدوية. وقد أظهرت التطورات الحديثة في التعلم العميق وعودًا في مواجهة هذا التحدي، حيث برزت طرق الاستدلال (sampling-based) والتقدير (regression-based) كأحد النهجين الرئيسيين. ومع ذلك، فإن لهذه الطرق قيودًا بارزة. ف غالبًا ما تعاني طرق الاستدلال من انخفاض الكفاءة بسبب الحاجة إلى إنشاء العديد من البني المرشحة للاختيار. أما طرق التقدير فتقدم توقعات سريعة ولكن قد تشهد انخفاضًا في الدقة. بالإضافة إلى ذلك، فإن الاختلاف في أحجام البروتينات غالبًا ما يتطلب وحدات خارجية لاختيار الجيوب المناسبة للربط، مما يؤثر بشكل أكبر على الكفاءة. في هذا العمل، نقترح $\mathbf{FABind}$FABind، وهو نموذج شامل يجمع بين التوقع الجيبوي (pocket prediction) والترصيف (docking) لتحقيق ربط دقيق وسريع بين البروتينات والليجاندات. يدمج $\mathbf{FABind}$FABind وحدة توقع جيبوية مُستنيرة بالليجاند (ligand-informed pocket prediction)، والتي يتم استخدامها أيضًا لتقييم وضعيات الترصيف. يعزز النموذج عملية الترصيف بشكل تدريجي من خلال دمج الجيب المتوقع لتحسين ربط البروتين-الليجاند، مما يقلل من الاختلافات بين مرحلة التدريب ومرحلة الاستنتاج. ومن خلال التجارب الواسعة على مجموعات بيانات المعايير، يظهر نموذجنا المقترح $\mathbf{FABind}$FABind مزايا قوية فيما يتعلق بالفعالية والكفاءة مقارنة بالطرق الحالية. يمكن الوصول إلى شفرتنا المصدرية عبر الرابط: https://github.com/QizhiPei/FABind