cpmp MCP

CPMP-MCP

环肽膜通透性预测工具包-环肽计算分析的MCP工具

目录

• 概述
• 安装
• 本地使用（脚本）
• MCP服务器安装
• 使用Claude代码
• 与Gemini CLI一起使用
• 可用工具
• 例子
• 故障排除

概述

CPMP MCP提供了全面的计算工具，用于预测四种不同生物测定中环肽的膜通透性。该工具包使用分子注意力转换器（MAT）神经网络来分析环肽结构并预测其渗透特性，这对药物发现和开发工作流程非常有价值。

特性

• 多试验渗透率预测 （PAMPA、Caco-2、RRCK、MDCK）
• 分子性质计算 使用RDKit
• 数据预处理和特征化 用于机器学习
• 虚拟筛选的批处理 与作业管理
• 全面分析和可视化 能力

目录结构

./
├── README.md               # This file
├── env/                    # Conda environment
├── src/
│   └── server.py           # MCP server (15 tools)
├── scripts/
│   ├── predict_all_assays.py      # Multi-assay prediction
│   ├── predict_single_assay.py    # Single assay analysis
│   ├── preprocess_data.py          # Data preprocessing
│   ├── batch_analysis.py           # Comprehensive analysis
│   └── lib/                        # Shared utilities (23 functions)
├── examples/
│   └── data/               # Demo data
│       ├── sample_cyclic_peptides.csv    # Sample SMILES with permeability
│       └── sequences/      # Assay-specific sample datasets
├── configs/                # Configuration files
│   ├── predict_all_assays_config.json
│   ├── predict_single_assay_config.json
│   ├── preprocess_data_config.json
│   ├── batch_analysis_config.json
│   └── default_config.json
└── repo/                   # Original CPMP repository
    └── CPMP/               # Core algorithms and pre-trained models

______________________________________________________________________

安装

快速设置

运行自动安装脚本：

./quick_setup.sh

这将创建环境并自动安装所有依赖项。

手动设置（高级）

对于手动安装或自定义，请执行以下步骤。

先决条件

• Conda或Mamba（建议使用曼巴以加快安装速度）
• Python 3.10+
• RDKit（自动安装）
• 8GB+RAM用于分子特征化
• GPU可选加速

创建环境

请遵循以下信息 reports/step3_environment.md 详细设置。下面显示了一个示例工作流。

# Navigate to the MCP directory
cd /path/to/cpmp_mcp

# Create conda environment (use mamba if available)
mamba create -p ./env python=3.10 -y
# or: conda create -p ./env python=3.10 -y

# Activate environment
mamba activate ./env
# or: conda activate ./env

# Install core scientific packages
mamba install -c conda-forge \
    pandas=2.2.3 \
    scikit-learn=1.6.1 \
    matplotlib \
    seaborn \
    rdkit=2024.3.2 \
    -y

# Install PyTorch
mamba install -c pytorch -c nvidia \
    pytorch=2.5.1 \
    pytorch-cuda=12.4 \
    -y

# Install additional utilities
pip install numpy scipy

# Install MCP dependencies
pip install fastmcp loguru

______________________________________________________________________

模型设置

CPMP工具包需要预先训练好的模型权重来进行预测。模型文件以原始存储库中的特定命名约定存储。

模型文件位置

• 来源: repo/CPMP/saved_model/ 包含原始模型权重
• 符号链接: repo/CPMP/model_checkpoints/ 包含脚本使用的符号链接

模型文件命名

原始CPMP存储库使用命名约定 {assay}.best_wegiht.pth （注意：拼写错误“wegiht”是故意的，来自原始存储库）。脚本期望文件位于 model_checkpoints/{assay}_uff_ig_true_final.pt.

预期文件

手动创建Symlinks

如果 quick_setup.sh 脚本没有创建符号链接，您可以手动创建它们：

cd /path/to/cpmp_mcp
mkdir -p repo/CPMP/model_checkpoints

for assay in pampa caco2 rrck mdck; do
    ln -sf "../saved_model/${assay}.best_wegiht.pth" \
           "repo/CPMP/model_checkpoints/${assay}_uff_ig_true_final.pt"
done

______________________________________________________________________

本地使用（脚本）

您可以在没有MCP的情况下直接使用脚本进行本地处理。

可用脚本

脚本示例

预测所有检测结果

# Activate environment
mamba activate ./env

# Run multi-assay prediction
python scripts/predict_all_assays.py \
  --input examples/data/sample_cyclic_peptides.csv \
  --output results/all_predictions.csv \
  --device cpu

参数：

• --input, -i：输入带有“微笑”栏的CSV（必填）
• --output, -o：输出文件路径（可选）
• --device：计算设备-cpu或cuda（默认值：cpu）
• --batch-size：处理的批量大小（默认值：32）

单次分析

python scripts/predict_single_assay.py \
  --assay caco2 \
  --input examples/data/sample_cyclic_peptides.csv \
  --with-labels \
  --device cpu

参数：

• --assay：检测名称-pampa、caco2、rrck或mdck（必填）
• --input, -i：输入CSV文件（必填）
• --with-labels：包括二进制分类（默认值：True）
• --output, -o：输出文件路径（可选）

数据预处理

python scripts/preprocess_data.py \
  --dataset examples/data/sample_cyclic_peptides.csv \
  --output-dir results/preprocessing \
  --skip-featurization

参数：

• --dataset：输入数据集CSV文件（必填）
• --output-dir：拆分输出目录（必填）
• --skip-featurization：跳过分子特征化以提高速度
• --train-size：训练分数（默认值：0.7）
• --val-size：验证分数（默认值：0.1）
• --test-size：测试分数（默认值：0.2）

综合分析

python scripts/batch_analysis.py \
  --input examples/data/sample_cyclic_peptides.csv \
  --output-dir results/analysis \
  --calculate-properties \
  --create-visualizations

参数：

• --input, -i：输入CSV文件（必填）
• --output-dir：分析输出目录（必填）
• --calculate-properties：计算分子特性
• --create-visualizations：生成分析图

______________________________________________________________________

MCP服务器安装

选项1：使用fastmcp（推荐）

# Install MCP server for Claude Code
fastmcp install src/server.py --name cycpep-tools

选项2:Claude代码的手动安装

# Add MCP server to Claude Code
claude mcp add cycpep-tools -- $(pwd)/env/bin/python $(pwd)/src/server.py

# Verify installation
claude mcp list

选项3：在settings.json中配置

增添 ~/.claude/settings.json:

{
  "mcpServers": {
    "cycpep-tools": {
      "command": "/path/to/cpmp_mcp/env/bin/python",
      "args": ["/path/to/cpmp_mcp/src/server.py"]
    }
  }
}

______________________________________________________________________

使用Claude代码

安装MCP服务器后，您可以直接在Claude Code中使用它。

快速开始

# Start Claude Code
claude

示例提示

工具发现

What tools are available from cycpep-tools?

属性计算（快速）

Calculate molecular properties for this cyclic peptide:
CC(C)C[C@@H]1NC(=O)[C@@H](CC(C)C)NC(=O)[C@@H](CC(C)C)NC(=O)[C@H](Cc2ccc(O)cc2)NC(=O)[C@@H]2CCCN2C(=O)[C@@H](CC(C)C)NC1=O

单次测定预测（快速）

Predict Caco-2 permeability for the cyclic peptides in @examples/data/sample_cyclic_peptides.csv

所有分析预测（提交API）

Submit a job to predict permeability across all 4 assays for @examples/data/sample_cyclic_peptides.csv

检查作业状态

Check the status of job abc12345

批处理

Submit a comprehensive analysis job for @examples/data/sample_cyclic_peptides.csv with molecular properties and visualizations

使用@引用

在克劳德代码中，使用 @ 引用文件和目录：

______________________________________________________________________

与Gemini CLI一起使用

配置

增添 ~/.gemini/settings.json:

{
  "mcpServers": {
    "cycpep-tools": {
      "command": "/path/to/cpmp_mcp/env/bin/python",
      "args": ["/path/to/cpmp_mcp/src/server.py"]
    }
  }
}

示例提示

# Start Gemini CLI
gemini

# Example prompts (same as Claude Code)
> What tools are available?
> Validate cyclic peptide SMILES: "CC(=O)NC1CCCC1C(=O)O"
> Predict single assay permeability for caco2 assay

______________________________________________________________________

可用工具

快速操作（同步API）

这些工具会立即返回结果（\10分钟或大型数据集）：

作业管理工具

实用工具

______________________________________________________________________

例子

示例1：快速验证和属性计算

目标： 验证并计算单个环肽的性质

使用脚本：

python scripts/predict_all_assays.py \
  --input examples/data/sample_cyclic_peptides.csv \
  --output results/properties.csv

使用MCP（克劳德代码）：

First validate this SMILES: "CC(C)C[C@@H]1NC(=O)[C@@H](CC(C)C)NC(=O)[C@@H](CC(C)C)NC(=O)[C@H](Cc2ccc(O)cc2)NC(=O)[C@@H]2CCCN2C(=O)[C@@H](CC(C)C)NC1=O"

Then predict all assay permeabilities for it.

预期产量：

• SMILES验证：有效的环肽
• PAMPA：-5.85 log cm/s（可渗透）
• Caco-2:-5.69 log cm/s（可渗透）
• RRCK：-5.77 log cm/s（可渗透）
• MDCK:6.25 log cm/s（边界线）

示例2：单次分析重点分析

目标： 用于肠道吸收预测的详细Caco-2分析

使用脚本：

python scripts/predict_single_assay.py \
  --assay caco2 \
  --input examples/data/sample_cyclic_peptides.csv \
  --with-labels \
  --output results/caco2_analysis.csv

使用MCP（克劳德代码）：

Analyze @examples/data/sample_cyclic_peptides.csv for Caco-2 permeability.
Include binary classification and provide detailed metrics.

预期产量：

• 连续渗透率值（log cm/s）
• 二元分类（可渗透/不可渗透）
• 分类的概率分数
• 模型性能指标（如果地面实况可用）

示例3：大数据集虚拟筛选流程

目标： 筛选口服生物利用度环肽库

使用MCP（克劳德代码）：

I want to process @examples/data/sample_cyclic_peptides.csv through a complete screening pipeline:

1. First preprocess the data with 70/10/20 train/val/test splits
2. Submit comprehensive analysis with molecular properties and visualizations
3. Predict permeability across all 4 assays
4. Check jobs and show results when complete

预期工作流程：

1. 数据预处理：保存训练/验证/测试分割
2. 分子性质：分子量、LogP、TPSA、HBD、HBA计算
3. 可视化：相关热图、分布图
4. 所有分析预测：PAMPA、Caco-2、RRCK、MDCK结果
5. 分析报告：统计摘要和建议

______________________________________________________________________

演示数据

这 examples/data/ 目录包含用于测试的示例数据：

示例数据属性

• 分子量范围：400-1200克/摩尔
• 渗透性范围：-7.5至-4.5对数厘米/秒
• 戒指尺寸：6-12个氨基酸
• 化学多样性：各种侧链和改装

______________________________________________________________________

配置文件

这 configs/ 目录包含配置模板：

配置示例

{
  "device": "cpu",
  "batch_size": 32,
  "assays": {
    "caco2": {
      "name": "Caco-2",
      "full_name": "Human colon adenocarcinoma cell line",
      "threshold": -6.0,
      "model_path": "model_checkpoints/caco2_uff_ig_true_final.pt"
    }
  },
  "molecular_properties": [
    "molecular_weight", "logp", "tpsa", "hbd", "hba",
    "rotatable_bonds", "aromatic_rings"
  ]
}

______________________________________________________________________

故障排除

环境问题

问题： 未找到环境

# Recreate environment
mamba create -p ./env python=3.10 -y
mamba activate ./env
pip install fastmcp loguru
mamba install -c conda-forge rdkit=2024.3.2 -y

问题： RDKit导入错误

# Install RDKit from conda-forge (not pip)
mamba install -c conda-forge rdkit -y

# Verify installation
python -c "from rdkit import Chem; print('RDKit version:', Chem.__version__)"

问题： 导入错误

# Verify CPMP modules
cd /path/to/cpmp_mcp
python -c "
import sys
sys.path.append('repo/CPMP')
from featurization.data_utils import load_data_from_df
print('CPMP modules working')
"

MCP问题

问题： 在Claude代码中找不到服务器

# Check MCP registration
claude mcp list

# Re-add if needed
claude mcp remove cycpep-tools
claude mcp add cycpep-tools -- $(pwd)/env/bin/python $(pwd)/src/server.py

问题： 无效的SMILES错误

Always validate SMILES first using validate_cyclic_peptide_smiles.
For cyclic peptides, ensure ring closure is properly specified.
Example valid: "CC(C)C[C@@H]1NC(=O)...NC1=O"

问题： 工具不工作

# Test server directly
mamba activate ./env
python -c "
from src.server import mcp
from src.jobs.manager import job_manager
print('Server modules loaded successfully')
"

工作问题

问题： 作业挂起

# Check job directory
ls -la jobs/

# View job log
tail -20 jobs//job.log

问题： 由于缺少模型，作业失败

Download pre-trained model weights and place in repo/CPMP/saved_model/
Required: pampa.best_wegiht.pth, caco2.best_wegiht.pth, etc.

问题： 找不到模型检查点（缺少符号链接）

# Recreate model symlinks
cd /path/to/cpmp_mcp
mkdir -p repo/CPMP/model_checkpoints

for assay in pampa caco2 rrck mdck; do
    if [ -f "repo/CPMP/saved_model/${assay}.best_wegiht.pth" ]; then
        ln -sf "../saved_model/${assay}.best_wegiht.pth" \
               "repo/CPMP/model_checkpoints/${assay}_uff_ig_true_final.pt"
        echo "Created symlink for $assay"
    else
        echo "WARNING: Model file for $assay not found"
    fi
done

问题： 功能化过程中内存不足

# Use smaller batch size
python scripts/predict_all_assays.py --batch-size 16

# Use CPU instead of GPU
python scripts/predict_all_assays.py --device cpu

# Process smaller datasets (<100 molecules)

性能问题

问题： 预测时间缓慢

# Use GPU if available
python scripts/predict_all_assays.py --device cuda

# Increase batch size for throughput
python scripts/predict_all_assays.py --batch-size 64

# Skip featurization for preprocessing-only
python scripts/preprocess_data.py --skip-featurization

______________________________________________________________________

发展

运行测试

# Activate environment
mamba activate ./env

# Test individual scripts
python scripts/predict_all_assays.py --help
python scripts/preprocess_data.py --help

# Test MCP server
fastmcp dev src/server.py

正在启动开发服务器

# Run MCP server in dev mode
mamba activate ./env
fastmcp dev src/server.py

# Or with explicit environment
mamba run --prefix ./env fastmcp dev src/server.py

性能基准

______________________________________________________________________

许可证

MIT许可证-有关详细信息，请参阅原始CPMP存储库

学分

基于 环肽膜通透性 -用于环肽渗透性预测的分子注意力转换器

______________________________________________________________________

*🧬 生成于 克劳德代码 -高级环肽分析工具包*