对化学物质的调节需要了解其对大量物种的毒理作用，这些物种传统上是通过体内测试获得的。最近为基于机器学习寻找替代方案的努力并没有集中于保证透明度，可比性和可重复性，这使得很难评估这些方法的优势和缺点。此外，还需要可比的基线表现。在这项研究中，我们在[Schür等人，《自然科学数据》，2023年提出的Adore“ T-F2F”挑战上训练了回归模型，以预测鱼类上有机化合物的LC50（致命浓度50），以LC50（致命浓度50）测量。我们训练了拉索，随机森林（RF），XGBOOST，高斯工艺（GP）回归模型，并发现了一系列稳定的方面，这些方面均稳定：（i）使用质量或摩尔浓度不会影响性能； （ii）性能仅微弱地取决于化学物质的分子代表，但（iii）强烈地依赖于数据的分解方式。总体而言，基于树的型号RF和XGBoost表现最好，我们能够预测log10转换的LC50，其根平方误差为0.90，这对应于原始LC50量表上的数量级。在本地一级，模型无法始终如一地准确地预测单个化学物质的毒性。对单个化学物质的预测主要受几种化学特性的影响，而分类特性未被模型充分捕获。我们讨论了这些挑战的技术和概念改进，以增强对环境危害评估的适用性。因此，这项工作展示了最先进的模型，并为监管整合的持续讨论做出了贡献。