最近，化学化合物的毒理学分类被认为是制药和环境监管机构面临的巨大挑战。机器学习技术的进步使得有效的毒性预测管道成为可能。随机森林（RF），支持向量机（SVM）和深度神经网络（DNN）通常用于模拟化合物的毒性效应。但是，为了提高这些方法的效率和商业部署，仍需要对复杂性 - 准确性权衡进行计算。在这项研究中，我们实施了一个混合框架，包括浅层神经网络和决策分类器，用于中断核受体（NR）和应激反应（SR）信号通路的化学品的毒性预测。基于所提出的混合框架的模型使用2D化学描述符在Tox21数据上进行训练，所述2D化学描述符在性质上不太复杂并且易于计算。我们的方法使用浅层神经网络实现了0.847 AUC（曲线下面积）的最高精度，其中只有一个隐藏层由10个神经元组成。此外，我们的混合模型使我们能够阐明导致NR和SR毒性的最重要描述符的解释。