Eine zeitgerechte Bewertung der Verbindungstoxizität ist eine der größten Herausforderungen, mit denen die Pharmaindustrie heute konfrontiert ist. Ein erheblicher Teil der als potenzielle Leadverbindungen identifizierten Substanzen wird letztlich aufgrund der von ihnen verursachten Toxizität verworfen. In dieser Arbeit schlagen wir einen neuen maschinellen Lernansatz zur Vorhersage der molekularen Aktivität an ToxCast-Zielen vor. Wir kombinieren extremes Gradientenboosting mit vollständig verbundenen und graph-konvolutionellen Neuronalnetzarchitekturen, die auf QSAR-physischen molekularen Eigenschaftsdeskriptoren, PubChem-molekularen Fingerabdrücken und SMILES-Sequenzen trainiert wurden. Unser Ensemble-Predictor nutzt die Stärken jeder einzelnen Technik, wodurch er erheblich über den bestehenden Stand der Technik hinausgeht und sich bei den ToxCast- und Tox21-Toxizitätsvorhersagedatensätzen deutlich besser abschneidet. Wir bieten kostenlose Zugriffsmöglichkeiten zur Vorhersage der Molekültoksizität mithilfe unseres Modells unter http://www.owkin.com/toxicblend an.