Le docking moléculaire est un processus pivot dans la découverte de médicaments. Bien que les techniques traditionnelles s'appuient sur des échantillonnages et des simulations extensives régies par des principes physiques, ces méthodes sont souvent lentes et coûteuses. L'arrivée des approches basées sur l'apprentissage profond a montré un potentiel significatif, offrant des améliorations tant en termes de précision que d'efficacité. En nous appuyant sur les travaux fondamentaux de FABind, un modèle conçu avec une attention particulière à la vitesse et à la précision, nous présentons FABind+, une version améliorée qui accroît considérablement les performances de son prédécesseur. Nous identifions la prédiction des poches (pockets) comme une bouteille-neck critique dans le docking moléculaire et proposons une nouvelle méthodologie qui affine considérablement cette prédiction, rationalisant ainsi le processus de docking. De plus, nous introduisons des modifications au module de docking pour renforcer ses capacités de génération de poses. Dans le but de combler l'écart avec les méthodes conventionnelles d'échantillonnage/génération, nous intégrons une technique d'échantillonnage simple mais efficace associée à un modèle de confiance, nécessitant seulement des ajustements mineurs au cadre de régression de FABind. Les résultats expérimentaux et leur analyse montrent que FABind+ dépasse remarquablement l'original FABind, atteint des performances concurrentielles parmi les meilleures actuelles et fournit des stratégies de modélisation pertinentes. Cela démontre que FABind+ représente une avancée substantielle dans le domaine du docking moléculaire et de la découverte de médicaments. Notre code est disponible à l'adresse suivante : https://github.com/QizhiPei/FABind.