たんぱく質とリガンドの相互作用をモデリングし、その結合構造を正確に予測することは、医薬品開発において重要な課題であるが、非常に困難なタスクでもある。最近のディープラーニングの進歩は、この課題に対処する有望な手段として注目されており、サンプリングベースと回帰ベースの手法が二つの主要なアプローチとして現れている。しかし、これらの手法には顕著な制限がある。サンプリングベースの手法は、選択のために複数の候補構造を生成する必要があるため、効率が低いことがしばしば問題となる。一方、回帰ベースの手法は高速な予測を提供するが、精度が低下することがある。さらに、たんぱく質のサイズ変動により、適切な結合サイトを選択するために外部モジュールが必要となり、これも効率に影響を与える。本研究では、ポケット予測とドッキングを組み合わせてたんぱく質-リガンド結合を正確かつ高速に行うエンドツーエンドモデル $\mathbf{FABind}$FABind を提案する。$\mathbf{FABind}$FABind は独自のリガンド情報に基づいたポケット予測モジュールを取り入れており、これがドッキング姿勢推定にも活用される。また、モデルは予測されたポケットを段階的に統合することでドッキングプロセスを強化し、たんぱく質-リガンド結合を最適化し、学習と推論間の不一致を軽減する。ベンチマークデータセットでの広範な実験を通じて、提案した $\mathbf{FABind}$FABind は既存の手法と比較して有効性と効率性において強い優位性を示している。当方のコードは https://github.com/QizhiPei/FABind で公開されている。（注：$\mathbf{FABind}$FABind は「Fast and Accurate Binding (迅速かつ正確な結合)」という意味を持つと思われます）