Obat-obatan, yang terdiri dari zat kimia dan biologis, bertujuan untuk meningkatkan kesehatan tetapi sering kali menimbulkan risiko toksik, termasuk efek karsinogenik dan mutagenik. Dengan hanya 10% dari kandidat obat Fase 1 yang mendapatkan persetujuan FDA-sebagian besar karena masalah kemanjuran dan keamanan-penemuan obat tradisional masih lambat, berisiko, dan tidak efisien, dengan tingkat kegagalan 96%. Metode in silico, yang memanfaatkan pembelajaran mesin, menawarkan pendekatan yang lebih efisien untuk memprediksi toksisitas dengan mengotomatiskan analisis dan mengurangi ketergantungan pada uji coba eksperimental. Namun, efektivitas metode ini sering kali terhalang oleh sifat padat karya dari penyetelan parameter manual, yang membutuhkan keahlian dan sumber daya komputasi yang signifikan. Untuk mengatasi keterbatasan ini, penelitian ini menggunakan metode Grey Wolf Optimization (GWO), sebuah strategi yang sangat efisien untuk memecahkan masalah optimasi, untuk meningkatkan prediksi toksisitas bahan kimia dengan menggunakan Artificial Neural Networks (ANN). Konfigurasi ANN dengan kinerja terbaik, yang menampilkan lima lapisan tersembunyi, fungsi aktivasi tanh, dan pengoptimal Adam, mencapai akurasi 0,966 dan F1-Score 0,708.