L'évaluation en temps opportun de la toxicité des composés est l'un des plus grands défis auxquels l'industrie pharmaceutique est confrontée aujourd'hui. Une proportion importante des composés identifiés comme candidats potentiels sont finalement éliminés en raison de la toxicité qu'ils induisent. Dans cet article, nous proposons une nouvelle approche d'apprentissage automatique pour prédire l'activité moléculaire sur les cibles ToxCast. Nous combinons le boosting de gradient extrême avec des architectures de réseaux neuronaux entièrement connectés et convolutifs sur graphes, formés à partir de descripteurs physiques de propriétés moléculaires QSAR, d'empreintes digitales moléculaires PubChem et de séquences SMILES. Notre prédicteur par ensemble exploite les forces de chaque technique individuelle, surpassant considérablement les modèles existants de pointe sur les jeux de données ToxCast et Tox21 pour la prédiction de la toxicité. Nous offrons un accès gratuit à la prédiction de la toxicité des molécules à l'aide de notre modèle via http://www.owkin.com/toxicblend.