En el campo de la química computacional, se construyen modelos informáticos de manera rápida y económica para predecir peligros y resultados de toxicología, sin necesidad de material de prueba o animales, ya que estas predicciones computacionales a menudo se basan en propiedades fisicoquímicas de las estructuras químicas. Se emplean múltiples metodologías para apoyar evaluaciones in silico basadas en aprendizaje automático (ML) y aprendizaje profundo (DL). Esta revisión presenta el desarrollo de la toxicología computacional, centrándose en ML y DL y enfatizando su importancia en el campo de la toxicología. Se debe lograr un equilibrio adecuado entre la potencia del objetivo, selectividad, absorción, distribución, metabolismo, excreción, toxicidad (ADMET) y propiedades de seguridad clínica para descubrir un nuevo fármaco potencial. Es ventajoso realizar predicciones virtuales lo antes posible en los procesos de desarrollo de fármacos, incluso antes de que se sintetice una molécula. Actualmente, existen numerosos programas basados en la web, tanto comerciales como gratuitos, para la predicción de toxicidad, que se pueden utilizar para construir varios modelos predictivos. También se describen las características clave del método QSAR, y la selección de descriptores fisicoquímicos apropiados es un requisito previo para predicciones robustas. Además, se incluyen ejemplos de herramientas de código abierto aplicadas a la predicción de toxicidad, así como ejemplos de la aplicación de diferentes métodos computacionales para la predicción de toxicidad en el diseño de fármacos y la toxicología ambiental.