Die Modellierung der Wechselwirkung zwischen Proteinen und Liganden und die genaue Vorhersage ihrer Bindungsstrukturen ist eine kritische, aber herausfordernde Aufgabe im Arzneimittelentwicklungsprozess. Neuere Fortschritte im Bereich des Deep Learnings haben gezeigt, dass sie diesem Problem entgegenkommen können, wobei sampling-basierte und regression-basierte Methoden als zwei wichtige Ansätze hervorgetreten sind. Allerdings weisen diese Methoden erhebliche Einschränkungen auf. Sampling-basierte Methoden leiden oft an geringer Effizienz, da mehrere Kandidatenstrukturen generiert werden müssen, aus denen dann ausgewählt wird. Regression-basierte Methoden bieten zwar schnelle Vorhersagen, können jedoch an Genauigkeit verlieren. Zudem führt die Variation der Proteingrößen häufig dazu, dass externe Module zur Auswahl geeigneter Bindetaschen erforderlich sind, was ebenfalls die Effizienz beeinträchtigt. In dieser Arbeit schlagen wir $\mathbf{FABind}$FABind vor, ein End-to-End-Modell, das die Vorhersage von Bindetaschen und das Docking kombiniert, um genaue und schnelle Protein-Ligand-Bindungen zu erreichen. $\mathbf{FABind}$FABind integriert ein einzigartiges ligandinformiertes Modul zur Vorhersage von Bindetaschen, das auch für die Schätzung der Docking-Pose genutzt wird. Das Modell verbessert den Docking-Prozess zudem durch die schrittweise Integration der vorhergesagten Tasche zur Optimierung der Protein-Ligand-Bindung und reduziert so Diskrepanzen zwischen Training und Inferenz. Durch umfangreiche Experimente mit Benchmark-Datensätzen zeigt unser vorgeschlagenes $\mathbf{FABind}$FABind deutliche Vorteile in Bezug auf Effektivität und Effizienz im Vergleich zu bestehenden Methoden. Unser Code ist unter https://github.com/QizhiPei/FABind verfügbar.