python代码请结合问题1，选择不超过20个分子描述符变量，构建化合物对ERα生物活性的定量预测模型，请叙述建模过程。然后使用构建的预测模型，对文件“ERα_activity.xlsx”的test表中的50个化合物进行IC50值和对应的pIC50值预测，并将结果分别填入“ERα_activity.xlsx”的test表中的IC50_nM列及对应的pIC50列。 问题3. 请利用文件“Molecular_Descriptor.xlsx”提供的729个分子描述符，针对文件“ADMET.xlsx”中提供的1974个化合物的ADMET数据，从五个指标（Caco-2、CYP3A4、hERG、HOB、MN）中任选2个，分别构建其分类预测模型，并简要叙述建模过程。然后使用所构建的2个分类预测模型，对文件“ADMET.xlsx”的test表中的50个化合物进行相应的预测，并将结果填入“ADMET.xlsx”的test表中对应的Caco-2、CYP3A4、hERG、HOB、MN列。

对于问题1，选择不超过20个分子描述符变量，构建化合物对ERα生物活性的定量预测模型，建模过程如下：

1. 数据预处理：将数据集划分为训练集和测试集，对数据进行标准化处理，消除量纲的影响。

2. 特征选择：根据领域知识和统计分析方法，选择不超过20个分子描述符变量作为模型特征，例如：LogP、SMR、TPSA、NumRotatableBonds等。

3. 模型选择：选择适合数据集的回归模型，例如：多元线性回归模型、支持向量回归模型等。

4. 模型训练：使用训练集训练模型并进行模型参数调优，如正则化参数、核函数类型、损失函数等。

5. 模型评价：使用测试集评估模型性能，如均方误差（MSE）、均方根误差（RMSE）、R平方值（R2）等指标。

6. 模型应用：使用构建好的预测模型，对文件“ERα_activity.xlsx”的test表中的50个化合物进行IC50值和对应的pIC50值预测，并将结果分别填入“ERα_activity.xlsx”的test表中的IC50_nM列及对应的pIC50列。

对于问题3，针对文件“ADMET.xlsx”中提供的1974个化合物的ADMET数据，从五个指标（Caco-2、CYP3A4、hERG、HOB、MN）中任选2个，分别构建其分类预测模型，建模过程如下：

1. 数据预处理：将数据集划分为训练集和测试集，对数据进行标准化处理，消除量纲的影响。

2. 特征选择：根据领域知识和统计分析方法，选择与分类指标相关的分子描述符变量作为模型特征。

3. 模型选择：选择适合数据集的分类模型，例如：逻辑回归模型、决策树模型等。

4. 模型训练：使用训练集训练模型并进行模型参数调优，如正则化参数、划分准则、决策树深度等。

5. 模型评价：使用测试集评估模型性能，如准确率、召回率、F1值等指标。

6. 模型应用：使用构建好的分类预测模型，对文件“ADMET.xlsx”的test表中的50个化合物进行相应的预测，并将结果填入“ADMET.xlsx”的test表中对应的Caco-2、CYP3A4、hERG、HOB、MN列。