Kinase Library MCP

激酶库MCP服务器

https://github.com/user-attachments/assets/f14a8d53-2fef-49c1-b9f6-3fe4f6e85417（该链接的中文表述可直接为“GitHub用户附件中的资产链接：f14a8d53-2fef-49c1-b9f6-3fe4f6e85417”，但通常我们不会翻译链接本身，而是直接引用或说明其用途）

快速入门

使用以下任一方法运行服务器，并将您的MCP客户端指向该服务器（见下文“MCP客户端集成”）：

# Using uv (recommended)
uv run python -m kinase_library_mcp.server

# Or classic Python (after activating a venv)
python -m kinase_library_mcp.server

# Or Docker (after building the image)
docker run -i --rm kinase-library-mcp

安装

方法1：使用紫外线（推荐）

1. 克隆此仓库：

git clone https://github.com/harinlee83/kinase-library-mcp.git
cd kinase-library-mcp

1. 如果你还没有安装 uv，请进行安装：

# macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

# Or with pip
pip install uv

1. 安装依赖项：

# Create virtual environment and install dependencies
uv sync --dev

# Or install in editable mode
uv pip install -e ".[dev]"

1. 运行MCP服务器：

# Using uv (recommended)
uv run python -m kinase_library_mcp.server

# Or activate the environment first
source .venv/bin/activate  # On Windows: .venv\Scripts\activate
python -m kinase_library_mcp.server

方法2：使用venv和pip的经典Python方式

1. 克隆此仓库：

git clone https://github.com/harinlee83/kinase-library-mcp.git
cd kinase-library-mcp

1. 创建并激活虚拟环境：

# Create virtual environment
python -m venv venv

# Activate virtual environment
source venv/bin/activate  # On Windows: venv\Scripts\activate

1. 安装依赖项：

# Upgrade pip
pip install --upgrade pip

# Install the package in development mode
pip install -e ".[dev]"

1. 运行MCP服务器：

python -m kinase_library_mcp.server

Docker 开发

1. 直接使用 Docker 构建并运行：

# Build the image
docker build -t kinase-library-mcp .

# Run the container (interactive stdio for MCP)
docker run -i --rm kinase-library-mcp

参见MCP客户端集成 → 选项3，了解如何将Docker与您的MCP客户端进行配置。

使用方法

获取分数工具

该（或：这个，根据上下文具体确定） get_scores 该工具允许您使用激酶库的预测算法对磷酸化位点序列进行评分。

输入参数：

• sequence （必填）：磷酸化位点序列（例如，“VEPPLs\*QETF”，其中 * 标记磷酸化位点）
• pp （可选）：是否在预测中包含磷酸预处理（默认：否）
• st_fav （可选）：是否包含丝氨酸/苏氨酸的偏好性（默认：True）
• non_canonical （可选）：是否包含非标准氨基酸（默认：否）

MCP客户端集成

使用以下选项之一配置您的MCP客户端（所有选项均使用stdio传输）：

选项1：紫外线（推荐）

{
  "mcpServers": {
    "kinase-library": {
      "command": "uv",
      "args": ["run", "python", "-m", "kinase_library_mcp.server"],
      "cwd": "/path/to/kinase-library-mcp"
    }
  }
}

选项2：经典Python（已激活venv）

{
  "mcpServers": {
    "kinase-library": {
      "command": "python",
      "args": ["-m", "kinase_library_mcp.server"],
      "cwd": "/path/to/kinase-library-mcp"
    }
  }
}

注：确保您的虚拟环境已激活，或进行设置 command 到你的虚拟环境（venv）中的 Python（例如。， /path/to/kinase-library-mcp/venv/bin/python）。

选项3：Docker

{
  "mcpServers": {
    "kinase-library": {
      "command": "docker",
      "args": ["run", "--rm", "-i", "kinase-library-mcp"]
    }
  }
}

Docker 笔记：

• 该 -i 与MCP进行stdio交互时需要标志。
• 这个（或“该”） --rm 标志设置为退出后移除容器。
• 该镜像运行服务器并等待标准输入输出（stdio）输入。所有依赖项，包括激酶库，均已预安装。

示例用法：

{
  "tool": "get_scores",
  "arguments": {
    "sequence": "VEPPLs*QETF",
    "pp": false,
    "st_fav": true,
    "non_canonical": false
  }
}

激酶库

这个MCP服务器与……集成 激酶库这是一个用于分析磷酸化蛋白质组学数据的全面Python包。该库提供了以下工具：

• 激酶预测算法
• 富集分析
• 可视化工具
• 激酶活性与信号通路的深入见解

如需了解更多关于激酶库的信息，请访问：https://github.com/TheKinaseLibrary/kinase-library

路线图

未来的改进可能包括：

• 来自激酶库的额外分析工具