الربط الجزيئي هو عملية محورية في اكتشاف الأدوية. بينما تعتمد التقنيات التقليدية على التحليل الواسع والمحاكاة التي تحكمها المبادئ الفيزيائية، فإن هذه الطرق غالباً ما تكون بطيئة ومكلفة. وقد أظهر ظهور نماذج التعلم العميق وعوداً كبيراً، حيث تقدم زيادة في الدقة والكفاءة. بناءً على العمل الأساسي لنموذج FABind، الذي تم تصميمه مع التركيز على السرعة والدقة، نقدم FABind+، وهو إصدار محسن يعزز بشكل كبير أداء سلفه. لقد حددنا التنبؤ بالجيب الجزيئي (pocket prediction) كعنق زجاجة حاسم في الربط الجزيئي واقترحنا منهجية جديدة تحسن بشكل كبير من دقة التنبؤ بالجيب، مما يسرع العملية الإرتباطية. بالإضافة إلى ذلك، قمنا بتعديلات على وحدة الربط لتعزيز قدراتها على توليد الأوضاع (pose generation). وفي محاولة للتقريب بين الفجوة مع الطرق التقليدية للتحليل والتوليد، قدمنا تقنية عينية بسيطة ومعتبرة مصحوبة بنموذج الثقة (confidence model)، والتي تتطلب فقط تعديلات طفيفة في إطار الانحدار لـ FABind. تكشف النتائج التجريبية والتحليل أن FABind+ يتفوق بشكل ملحوظ على FABind الأصلي ويحقق أداءً رائداً في مجاله ويقدم استراتيجيات نمذجة ثاقبة. وهذا يدل على أن FABind+ يمثل خطوة كبيرة للأمام في مجال الربط الجزيئي واكتشاف الأدوية. شفرتنا المصدر متاحة في https://github.com/QizhiPei/FABind.