蛋白质与配体之间的相互作用建模并准确预测其结合结构是药物发现中的一个关键而具有挑战性的任务。近年来，深度学习在应对这一挑战方面展现出巨大潜力，基于采样的方法和基于回归的方法成为两种主要的解决方案。然而，这些方法存在显著的局限性。基于采样的方法由于需要生成多个候选结构以供选择，通常效率较低。另一方面，基于回归的方法虽然可以快速进行预测，但可能牺牲准确性。此外，蛋白质大小的变化往往需要外部模块来选择合适的结合口袋，进一步影响了效率。在本研究中，我们提出了一种端到端模型 $\mathbf{FABind}$FABind，该模型结合了口袋预测和对接技术，以实现蛋白质-配体结合的高精度和高速度。$\mathbf{FABind}$FABind 引入了一个独特的配体导向口袋预测模块（ligand-informed pocket prediction module），该模块也被用于对接姿态估计。通过逐步整合预测的口袋来优化蛋白质-配体结合过程，该模型进一步提高了对接的准确性，并减少了训练和推理之间的差异。通过在基准数据集上的广泛实验，我们提出的 $\mathbf{FABind}$FABind 在有效性和效率方面相比现有方法表现出显著优势。我们的代码可在 https://github.com/QizhiPei/FABind 获取。