La modélisation de l'interaction entre les protéines et les ligands, ainsi que la prédiction précise de leurs structures de liaison, est une tâche critique mais difficile dans la découverte de médicaments. Les récentes avancées en apprentissage profond ont montré un potentiel prometteur pour relever ce défi, avec l'émergence de méthodes basées sur l'échantillonnage et de méthodes basées sur la régression comme deux approches principales. Cependant, ces méthodes présentent des limitations notables. Les méthodes basées sur l'échantillonnage souffrent souvent d'une faible efficacité en raison de la nécessité de générer plusieurs structures candidates pour sélection. D'autre part, les méthodes basées sur la régression offrent des prédictions rapides mais peuvent connaître une diminution de leur précision. De plus, la variation des tailles des protéines nécessite souvent des modules externes pour sélectionner les poches de liaison appropriées, ce qui affecte davantage l'efficacité. Dans cette étude, nous proposons $\mathbf{FABind}$FABind, un modèle intégré qui combine la prédiction des poches et le docking pour réaliser une liaison protéine-ligand précise et rapide. $\mathbf{FABind}$FABind intègre un module unique de prédiction des poches informé par le ligand, qui est également utilisé pour l'estimation des poses de docking. Le modèle améliore encore le processus de docking en intégrant progressivement la poche prédite pour optimiser la liaison protéine-ligand, réduisant ainsi les écarts entre l'entraînement et l'inférence. À travers des expériences exhaustives sur des jeux de données de référence, notre modèle proposé $\mathbf{FABind}$FABind montre des avantages significatifs en termes d'efficacité et d'efficience par rapport aux méthodes existantes. Notre code est disponible à l'adresse suivante : https://github.com/QizhiPei/FABind