预测药物样分子如何与特定蛋白质靶标结合是药物发现中的核心问题。一种极其快速的计算结合方法将能够实现诸如快速虚拟筛选或药物工程等关键应用。现有的方法在计算上非常昂贵，因为它们依赖于大量的候选样本采样，再结合评分、排序和微调步骤。我们通过提出 EquiBind 模型挑战这一传统范式，EquiBind 是一种 SE(3)-等变几何深度学习模型，能够直接进行两项预测：i) 受体结合位置（盲对接）和 ii) 配体的结合姿态和方向。与传统的和最近的方法相比，EquiBind 实现了显著的速度提升和更高的质量。此外，当将其与现有的微调技术结合时，可以在增加运行时间的情况下进一步提高性能。最后，我们提出了一种新颖且快速的微调模型，该模型基于给定原子点云的 von Mises 角度距离的闭式全局最小值来调整配体可旋转键的二面角，从而避免了以往用于能量最小化的昂贵差分进化策略。