问题1：根据“Molecular_Descriptor.xlsx”和“ERα_activity.xlsx”提供的数据，需要对1974 个化合物的729 个分子描述符进行变量选择，根据变量对生物活性影响的重要性进行排序，并给出前20 个对生物活性最具有显著影响的分子描述符（即变量），并说明分子描述符筛选过程及其合理性。

问题2：通过问题1 选取的最具有显著影响的变量，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。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，并将预测结果分别填入“ERα_activity.xlsx”的test 表中的IC50_nM 列及对应的pIC50 列。

问题3：构建5 种化合物的分类预测模型涉及包括729 个分子描述符和1974 个化合物的ADMET 数据。然后使用所构建的5 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 表中相应的5种化合物所在列中。

问题4：寻找并阐述化合物的哪些分子描述符，以及求解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）。

出题人的心思：

前三问，无非是建立预测pIC50和ADMET分类模型，但是机器学习的应用从来都是作为医学、自动驾驶等领域的辅助，主流还是传感器和实验本身，所以是用来预测辅助医生来降低医生的错判率

第四问，选择对抑制pIC50具有正性影响的分子描述符，并且求能够满足ADMET三个属性的分子描述符取值范围，实际上，就是想通过这个结果去人工合成抗乳腺癌的化合物

解题思路：但是降维过后的维度不在原始维度之中的情况，就具有不可解释性 这题的本质是对729个特征（分子化合物）做特征选择，选择重要性靠前的20个特征（分子化合物）

如果从特征选择的角度出发，首先就已经区别于其他对手了，下面是解题方法：

将所有特征提取方法的结果，将其放到聚类的空间，观察其样本分布的多样性，多样性越好，特征选择的结果越好

数据是不满足正太分布的，所以线性模型的效果会差，之后也用逻辑回归尝试过，RS指标只有0.5

CYP3A4、HOB、MN数据存在正负样本不均衡

分为两部：

1.求解对抑制pIC50具有正性影响的分子描述符

2.求解至少满足ADMET三个性质情况下的分子描述符的取值范围

方法1：狼群优化算法

方法2：包络提取法：类似于信号处理的信号包络，但是局限于数据本身的多样性