interpro MCP

bio-mcp层间mcp

用于InterProScan蛋白结构域和功能分析的MCP（模型上下文协议）服务器

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

bio-mcp间mcp服务器通过模型上下文协议提供对InterProScan蛋白质结构域和功能分析功能的访问。它支持同步（快速）和异步（长时间运行）蛋白质序列分析，并为大规模生物信息学工作流程提供全面的作业管理。

特性

• 蛋白质结构域分析：使用InterProScan进行全面的域名和家族识别
• 异步作业管理：对具有进度跟踪功能的大型数据集进行后台处理
• 批处理：同时提交多个蛋白质文件
• MCP集成：为AI助手提供完整的模型上下文协议支持
• 模拟模式：演示功能，无需安装InterProScan
• 工作坚持性：作业在服务器重启后仍能存活，并具有完全状态恢复功能

目录结构

./
├── README.md               # This file
├── env/                    # Conda environment
├── src/
│   ├── server.py           # MCP server (main entry point)
│   ├── utils.py            # Shared utilities
│   └── jobs/               # Job management system
├── scripts/
│   ├── protein_domain_scan.py      # Basic protein analysis
│   ├── async_job_manager.py        # Async job management
│   ├── mcp_client_demo.py          # MCP client examples
│   └── lib/                        # Shared utilities
├── examples/
│   └── data/               # Demo data
│       ├── sample.fasta            # Small test dataset
│       ├── small_dataset.fasta     # Medium test dataset
│       ├── large_dataset.fasta     # Large test dataset
│       └── config_example.yaml     # Configuration template
├── configs/                # Configuration files
│   ├── default_config.json                # Default settings
│   ├── protein_domain_scan_config.json    # Domain scan config
│   ├── async_job_manager_config.json      # Job manager config
│   └── mcp_client_demo_config.json        # MCP client config
├── jobs/                   # Job storage directory
├── tests/                  # Test suite
└── repo/                   # Original repository

______________________________________________________________________

安装

快速设置（推荐）

运行自动安装脚本：

cd interpro_mcp
bash quick_setup.sh

该脚本将创建conda环境，安装所有依赖项，并显示Claude Code配置。看 quick_setup.sh --help 对于以下选项 --skip-env.

先决条件

• Conda或Mamba（建议使用曼巴以加快安装速度）
• Python 3.10+
• InterProScan（可选-模拟模式在没有它的情况下工作）

手动安装（替代）

如果您更喜欢手动安装或需要自定义设置，请按照以下步骤操作 reports/step3_environment.md:

# Navigate to the MCP directory
cd /home/xux/Desktop/ProteinMCP/ProteinMCP/tool-mcps/interpro_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 Dependencies
pip install loguru click pandas numpy tqdm
pip install "mcp>=1.1.0" "pydantic>=2.0.0" "pydantic-settings>=2.0.0" "httpx>=0.24.0"
pip install "pytest>=7.0.0" "pytest-asyncio>=0.21.0" "ruff>=0.1.0"

# Install MCP dependencies
pip install fastmcp loguru --force-reinstall --no-cache-dir

______________________________________________________________________

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

蛋白质结构域扫描

# Activate environment
mamba activate ./env

# Basic protein analysis
python scripts/protein_domain_scan.py \
  --input examples/data/sample.fasta \
  --output results/domains.tsv \
  --format tsv

# With custom databases
python scripts/protein_domain_scan.py \
  --input examples/data/sample.fasta \
  --output results/pfam_analysis.tsv \
  --databases "Pfam,SMART,Gene3D" \
  --format tsv

# Create sample data for testing
python scripts/protein_domain_scan.py --create-sample

参数：

• --input, -i：输入蛋白质FASTA文件（必填）
• --output, -o：输出文件路径（默认：结果/目录）
• --format：输出格式-tsv、xml、json、gff3（默认：tsv）
• --databases：逗号分隔的数据库列表（默认：全部可用）
• --config, -c：配置文件路径（可选）
• --create-sample：生成测试样本数据

异步作业管理器

# Submit a large analysis job
python scripts/async_job_manager.py \
  --submit \
  --input examples/data/large_dataset.fasta \
  --priority 8 \
  --email user@example.com

# Check job status
python scripts/async_job_manager.py \
  --status 

# Get job results
python scripts/async_job_manager.py \
  --results 

# List all jobs
python scripts/async_job_manager.py \
  --list-jobs

# Create large test dataset
python scripts/async_job_manager.py --create-dataset 100

参数：

• --submit：提交新的分析作业
• --input, -i：输入FASTA文件（提交时需要）
• --priority：作业优先级1-10，较高=更紧急（默认值：5）
• --email：通知电子邮件（可选）
• --status：检查特定作业ID的状态
• --results：获取已完成作业的结果
• --list-jobs：列出所有提交的作业

MCP客户端演示

# Test basic MCP server communication
python scripts/mcp_client_demo.py \
  --server-type basic \
  --analyze-tools

# Submit analysis via MCP protocol
python scripts/mcp_client_demo.py \
  --server-type basic \
  --input examples/data/sample.fasta

# Test async job management
python scripts/mcp_client_demo.py \
  --server-type queue \
  --input examples/data/sample.fasta \
  --save-results mcp_test_results.json

______________________________________________________________________

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 bio-mcp-interpro

选项2:Claude代码的手动安装

# Add MCP server to Claude Code
claude mcp add bio-mcp-interpro -- $(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": {
    "bio-mcp-interpro": {
      "command": "/home/xux/Desktop/ProteinMCP/ProteinMCP/tool-mcps/interpro_mcp/env/bin/python",
      "args": ["/home/xux/Desktop/ProteinMCP/ProteinMCP/tool-mcps/interpro_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 bio-mcp-interpro?

基本分析

Use analyze_protein_sequence with input_file @examples/data/sample.fasta

使用自定义参数

Run analyze_protein_sequence on @examples/data/sample.fasta with output_format "json" and databases "Pfam,SMART"

长期运行任务（提交API）

Submit protein analysis for @examples/data/large_dataset.fasta
Then check the job status

批处理

Submit batch protein analysis for these files:
- @examples/data/sample.fasta
- @examples/data/small_dataset.fasta
- @examples/data/large_dataset.fasta

工作管理

List all jobs currently running
Get results for job ID "abc12345"
Cancel job "xyz789"

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": {
    "bio-mcp-interpro": {
      "command": "/home/xux/Desktop/ProteinMCP/ProteinMCP/tool-mcps/interpro_mcp/env/bin/python",
      "args": ["/home/xux/Desktop/ProteinMCP/ProteinMCP/tool-mcps/interpro_mcp/src/server.py"]
    }
  }
}

示例提示

# Start Gemini CLI
gemini

# Example prompts (same as Claude Code)
> What tools are available?
> Use analyze_protein_sequence with file examples/data/sample.fasta
> Submit batch analysis for multiple protein files

______________________________________________________________________

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）：

作业管理工具

______________________________________________________________________

例子

示例1：基本蛋白质分析

目标： 分析一个小的蛋白质数据集进行结构域识别

使用脚本：

python scripts/protein_domain_scan.py \
  --input examples/data/sample.fasta \
  --output results/example1/ \
  --format tsv

使用MCP（克劳德代码）：

Use analyze_protein_sequence to process @examples/data/sample.fasta and save results with output_format "tsv"

预期产量：

• 域和族注释
• GO学期作业
• 带有解析结果的结构化JSON摘要
• 原始InterProScan TSV输出

示例2：大数据集处理

目标： 提交大型蛋白质数据集进行背景处理

使用脚本：

python scripts/async_job_manager.py \
  --submit \
  --input examples/data/large_dataset.fasta \
  --priority 8 \
  --email researcher@university.edu

使用MCP（克劳德代码）：

Submit large dataset analysis for @examples/data/large_dataset.fasta with priority 8 and notification_email "researcher@university.edu"

预期产量：

• 用于跟踪进度的作业ID
• 带有状态更新的后台处理
• 完成时发送电子邮件通知
• 确定所有领域/家族的综合结果

示例3：批处理

目标： 一次处理多个文件

使用脚本：

for f in examples/data/*.fasta; do
  python scripts/async_job_manager.py \
    --submit \
    --input "$f" \
    --priority 5
done

使用MCP（克劳德代码）：

Submit batch processing for these files:
- @examples/data/sample.fasta
- @examples/data/small_dataset.fasta
- @examples/data/large_dataset.fasta

预期产量：

• 具有多个输入文件的单个批处理作业
• 综合进度跟踪
• 所有输入的统一结果结构

______________________________________________________________________

演示数据

这 examples/data/ 目录包含用于测试的示例数据：

______________________________________________________________________

配置文件

这 configs/ 目录包含配置模板：

配置示例

{
  "interpro_path": "interproscan.sh",
  "default_databases": ["Pfam", "SMART", "Gene3D", "SUPERFAMILY"],
  "timeout_seconds": 3600,
  "output_formats": ["tsv", "xml", "json", "gff3"],
  "max_concurrent_jobs": 4,
  "job_priority_levels": 10
}

______________________________________________________________________

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 loguru click pandas numpy tqdm
pip install "mcp>=1.1.0" "pydantic>=2.0.0" "httpx>=0.24.0"
pip install fastmcp --force-reinstall --no-cache-dir

问题： 导入错误

# Verify installation
python -c "from src.server import mcp; print('✓ MCP server imported successfully')"

问题： MCP兼容性问题

# Check MCP version compatibility
python -c "import mcp; print('MCP available')"
# Note: Repository uses mock implementation due to MCP version differences

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 bio-mcp-interpro
claude mcp add bio-mcp-interpro -- $(pwd)/env/bin/python $(pwd)/src/server.py

问题： 工具不工作

# Test server directly
python src/server.py --help
# Check if server starts without errors

问题： FastMCP安装问题

# Reinstall FastMCP
pip uninstall fastmcp -y
pip install fastmcp --force-reinstall --no-cache-dir

工作问题

问题： 作业挂起

# Check job directory
ls -la jobs/

# View job metadata
cat jobs/jobs_metadata.json

问题： 作业失败

Use get_job_log with job_id "" and tail 100 to see error details

问题： 未找到InterProScan

• 默认情况下，系统以模拟模式运行
• 单独安装InterProScan进行真正的蛋白质分析
• 模拟模式演示所有功能，无需InterProScan

性能问题

问题： 作业处理缓慢

# Check system resources
top -p $(pgrep -f "python.*server.py")

# Review job logs for bottlenecks
tail -f jobs//job.log

问题： 大型数据集的内存问题

• 考虑将大型FASTA文件拆分为更小的块
• 对多个文件使用批处理工具
• 监控作业执行期间的内存使用情况

______________________________________________________________________

发展

运行测试

# Activate environment
mamba activate ./env

# Run integration tests
python tests/run_integration_tests.py

# Run MCP server tests
python tests/test_mcp_server.py

正在启动开发服务器

# Run MCP server in development mode
python src/server.py

# Or using fastmcp
fastmcp dev src/server.py

代码质量

# Format code
ruff format src/ scripts/

# Lint code
ruff check src/ scripts/

______________________________________________________________________

许可证

此项目基于bio-mcp interc存储库构建，并遵循相同的许可条款。

学分

基于 bio-mcp接口 存储库。通过全面的MCP集成、作业管理和批处理功能得到增强。

支持

关于问题和支持：

1. 检查上面的故障排除部分
2. 在中查看作业日志 jobs/ 目录
3. 首先使用演示数据进行测试
4. 验证环境设置是否符合要求

版本信息

• MCP服务器版本: 1.0.0
• FastMCP版本: 2.14.1
• Python版本: 3.10.19
• 创建: 2025-12-21