问题2. 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。 问题4（选做）. 寻找并阐述化合物的哪些分子描述符，以及这些分子描述符在什么取值或者处于什么取值范围时，能够使化合物对抑制ERα具有更好的生物活性，同时具有更好的ADMET性质（给定的五个ADMET性质中，至少三个性质较好）。

问题2：

首先，根据问题1选择不超过20个分子描述符变量，可以使用特征选择方法，比如LASSO、随机森林等方法，选择对ERα生物活性影响最大的分子描述符。然后，使用这些分子描述符构建回归模型，比如支持向量回归（SVR）、随机森林回归等方法。在建模过程中，需要对数据进行预处理，比如归一化、标准化等。为了避免过拟合，可以使用交叉验证方法进行模型评估和调参。

对于测试数据，先预处理数据，然后使用构建的预测模型对其进行预测，得到IC50值和对应的pIC50值，最后将结果填入“ERα_activity.xlsx”的test表中的IC50_nM列及对应的pIC50列。

问题3：

选择Caco-2和hERG作为分类指标。首先，根据分子描述符数据集“Molecular_Descriptor.xlsx”，提取Caco-2、hERG对应的分子描述符特征。然后，使用分类模型，比如支持向量机（SVM）、决策树等方法，对数据进行建模。在建模过程中，同样需要进行数据预处理和模型评估、调参。

对于测试数据，先预处理数据，然后使用构建的分类模型对其进行预测，得到相应的分类结果，最后将结果填入“ADMET.xlsx”的test表中对应的Caco-2、hERG列。

问题4：

这是一个比较复杂的问题，需要综合考虑ERα生物活性和ADMET性质的多个因素。一般来说，化合物的分子大小、极性、电荷分布、亲水性等因素都会对其生物活性和ADMET性质产生影响。同时，不同的化合物可能对不同的指标有不同的影响。

因此，在寻找化合物的优良分子描述符时，需要进行综合分析和筛选，可以使用特征选择方法或者机器学习方法进行探索。同时，需要进行实验验证和结合现有文献进行分析，以得到更加可靠的结论。

总之，化合物的优良分子描述符是一个复杂的问题，需要综合考虑多个因素，同时也需要不断探索和验证。