抑制雌激素受体α（Estrogen Receptors alpha,Erα）亚型在乳腺细胞中的表达是诊断乳腺癌的重要策略之一。因此,能抑制ERα活性的化学物质可以作为防治乳腺癌的关键候选药物。在这里,我们报告了一种具备强可解释性的AI辅助抗乳腺癌药物筛选流程,用于筛选和评估具有良好生物活性及ADMET（Absorption,Distribution,Metabolism,Excretion,Toxicity）性质的化合物。我们首先设计了一种针对目标靶点ERα的数据收集流程,该流程可以一次性简便地收集相关化合物的生物活性和ADMET性质数据,并将收集到的数据进行可视化。然后,针对化合物的分子编码方式进行进一步探究,在物理化学描述符、结构键和圆形指纹等常用编码方式中选择了连续性指数最高的物理化学描述符作为化合物的分子表征。接下来,我们定义了一个结合生物活性和ADMET性质的全新变量,通过机器学习中常用的特征筛选方法探究影响化合物生物活性及综合成药性的重要因素。结果表明,负荷修正特征值很大程度影响化合物生物活性,而且Barysz矩阵描述符对于化合物综合成药性影响最大。然后,我们利用化合物的定量构效-活性关系模型（Quantitative Structure-Activity Relationship,QSAR）预测生物活性代表值p IC50,表现最好的极端随机树算法取得了优良的R~2及RMSE值。最后,我们设计了一个评价ERα拮抗剂综合成药性的评分卡,得到了测试集中评分排名前十的候选类药化合物。将其进行模拟分子对接,其结合能均小于-6kcal/mol,验证了结果的可靠性。本研究以一种便捷的方式获取较为全面的化合物性质数据,综合考虑了化合物生物活性、药代动力学性质和安全性,构建的化合物综合性质评分卡辅助模拟分子对接验证系统,可以直观解释并指导抑制雌激素受体活性化合物的结构优化,有效节约了药物研发中宝贵的时间和人力成本,从而协助后续相关药物设计。