研发失败风险高
心血管毒副作用是候选药物淘汰的重要因素之一，直接影响项目能否继续推进。
0个
小分子药物库筛选示例
0种
环境健康关注化学物评价示例
0步
从需求定义到报告输出
0类
血管损伤形态特征图谱
Why early vascular safety
心血管安全性，是药物开发中
最难补救的风险之一
心血管毒副作用是候选药物淘汰的重要因素。发现得越晚，代价越高——而它往往表现为多器官、多形式的复杂效应。
发现越晚，代价越高
在开发后期发现安全性问题，将显著增加研发成本，并压缩可选的技术回旋空间。
风险形式复杂
涉及心脏、血管、神经、发育等多器官效应，单一终点难以覆盖真实风险。
需要早期识别
早期安全性预警有助于提高研发决策效率，把资源集中在更有把握的候选物上。
The gap
现有评价方法，各自都留着一段空白
体外模型、离体器官、动物实验与计算预测各有优势，但在"整体血管网络"与"高通量识别"之间，长期缺少一个兼顾两者的早期筛选手段。
01
体外细胞模型
hERG、iPSC-CMs、内皮细胞
优点模型种类多、实验条件可控
局限难反映整体心血管网络
02
离体 / 器官模型
大血管环、离体心脏、组织模型
优点人体相似性高
局限血管类型覆盖不足
03
动物实验模型
啮齿类、犬、斑马鱼
优点整体系统性
局限成本高、通量有限
04
计算预测方法
QSAR、PBPK、机器学习
优点速度快、成本低
局限高度依赖数据质量
缺乏兼顾整体血管网络和高通量识别的早期快速筛选方法 VasoPT 正是为填补这段空白而设计：以活体整体血管表型为读数，用 AI 把形态变化变成可比较的数值。
The platform
一套面向早期筛查的
血管毒性可视化评价方案
面向药物开发和化学品安全性早期筛查，VasoPT 以“形态表型组”为核心，把活体血管网络的形态变化转化为结构化指标，支撑候选化合物的快速识别、定量评价与优先排序。
-
活体 + 整体评价保留完整血管网络的空间结构与循环环境，而非单一细胞读数。
-
高通量成像96 孔板与高内涵成像系统配合，批量样品在同一标准下采集。
-
AI 智能判读自动完成区域分割与多维特征提取，降低人工判读差异。
-
风险分级输出综合评分 + 剂量-反应分析，直接支撑优先级排序与决策。
高内涵成像 · 96 孔板
Core capabilities
从“看见血管”到“输出证据”
三个环节串成一条闭环：成像是入口，判读是核心，分级是结果。
活体血管成像
以特异性血管荧光标记的斑马鱼胚胎 / 幼鱼为对象，在高内涵成像系统下获取完整血管网络图像，保留空间结构与区域差异。
AI 识别与量化
自动识别血管区域与关键结构边界，提取分支、密度、长度、直径与区域损伤等多维参数，把形态变化变成可计算的对象。
Composite score
78.5
中高风险
多维表型 · 剂量响应 · 风险分级
综合评分与分级
多维指标合成毒性评分，结合剂量-反应趋势给出低 / 中 / 高风险分级与重点关注清单，形成可读、可交付的报告。
Comparison
相较现有常用方法，多出来的不只是指标
差别在于评价层级：从单一终点读数，转为整体血管表型；从分散结果，转为可比较的指标矩阵与统一分级。
| 评价维度 | 现有常用方法 | VasoPT |
|---|---|---|
| 评价层级 | 多聚焦单一终点或局部读数 | 整体血管表型评价 |
| 结果呈现 | 结果分散，直观性有限 | 图像可视化 + 区域损伤定位 |
| 数据输出 | 指标有限，横向比较不足 | 多维指标矩阵与综合评分 |
| 分析方式 | 人工判读依赖较强 | AI 识别与标准化分析 |
| 决策支持 | 难形成统一分级结论 | 支持剂量-反应分析与风险分级 |
Applications
已经跑通的三类场景
从小分子药物库，到纳米材料，再到环境化学物——同一套方法，回答不同的安全性问题。