Opentargets MCP

开放目标MCP服务器

     

一个模型上下文协议（MCP）服务器，将开放目标平台GraphQL API公开为一组工具，用于Claude Desktop和其他兼容MCP的客户端。

快速安装

选项1：运行一次 uvx （不安装）

uvx --from git+https://github.com/nickzren/opentargets-mcp opentargets-mcp

选项2：克劳德桌面（MCPM）

# Install mcpm package manager
pip install mcpm

# Install the server
mcpm install opentargets

选项3：本地安装（开发或自主机）

git clone https://github.com/nickzren/opentargets-mcp
cd opentargets-mcp
pip install uv
uv sync

# Run (stdio transport by default)
uv run python -m opentargets_mcp.server

选项4:Docker

git clone https://github.com/nickzren/opentargets-mcp
cd opentargets-mcp

# Build and run with Docker Compose
docker-compose up -d --build

注意：默认传输方式为 http 用于docker部署。

有关详细信息以及如何设置端口和其他环境变量，请参阅下面的配置部分。

Claude桌面手动导入（可选）

mcpm import stdio opentargets \
  --command "$(uv run which python)" \
  --args "-m opentargets_mcp.server --transport stdio"

然后重新启动Claude Desktop以开始使用Open Targets工具。

特性

核心能力

• 目标分析：按Ensembl ID或符号搜索基因/蛋白质。访问表达数据、遗传约束、途径、蛋白质相互作用、安全性特征和小鼠表型
• 疾病分析：按EFO ID查询疾病。查找相关靶点、表型（HPO）和研究项目
• 药物发现：按ChEMBL ID搜索药物。访问安全数据、不良事件、适应症和作用机制
• 证据挖掘：利用来自多个来源的评分证据探索目标疾病关联
• 变体分析：查询遗传变异、GWAS可信集和药物基因组学数据
• 学习探索：通过L2G预测和精细定位位点访问GWAS研究
• 智能搜索：具有同义词处理、自动补全和ID映射的实体解析
• 跨实体工作流：多跳工具，将疾病、靶点和药物证据链接起来，以确定优先级
• 原始GraphQL电动工具：使用结构化状态信封运行单个和批处理原始GraphQL操作

为什么选择此服务器

此实现专为实用的Open Targets工作流而设计：

• 精心策划的广度65个精选工具加上3个高级GraphQL工具（共68个），涵盖目标、疾病、药物、证据、变体、研究、元数据和跨实体工作流任务。
• 更安全的自动化：严格的ID解析、类型化参数处理和弹性重试行为。
• 降低代币开销：可选 fields 核心域工具上的过滤器，只返回您需要的内容。
• 灵活的电源模式：原始GraphQL工具可用于边缘情况。

数据源

开放目标平台整合了来自22个以上主要数据源的证据：

• 遗传学：开放靶点遗传学，ClinVar，英国生物库，FinnGen，Gene2Phenotype，孤儿，COSMIC
• 功能的：CRISPR屏幕、DepMap、GeneBass
• 药物：ChEMBL、FDA/EMA批准、化学探针
• 表达：GTEx，人类蛋白图谱，表达图谱
• 路径：Reactome、Signor、IntAct
• 文学：欧洲PMC文本挖掘
• 安全：FAERS，药物基因组学数据
• 模型：小鼠（MGI、IMPC）表型

建筑

graph LR
    subgraph "Clients"
        A[Claude Desktop]
        B[Python Scripts]
        C[AI Agents]
    end
    
    subgraph "MCP Server"
        D[Open Targets
MCP Server]
        E[Tool Categories
Target • Disease • Drug
Evidence • Search • Variant • Study]
    end
    
    subgraph "Open Targets"
        F[GraphQL API]
        G[22+ Data Sources]
    end
    
    A |MCP Protocol| D
    B |Direct API| D
    C |Function Calls| D
    D |GraphQL| F
    F  G
    
    E --> D
    
    style D fill:#e1f5fe
    style F fill:#fff3e0

MCP服务器充当客户端应用程序和开放目标平台之间的桥梁。它将工具调用转换为GraphQL查询，并提供对来自22个以上集成源的生物医学数据的结构化访问。

先决条件

• Python 3.10+带pip

用法

独立运行服务器

# Using the convenience script (installs uv if missing, then syncs dependencies)
./run.sh

# Or run directly with uv (stdio transport by default)
uv run python -m opentargets_mcp.server

# Installed entrypoints
opentargets-mcp --help

# Specify transport explicitly
uv run python -m opentargets_mcp.server --transport [stdio|sse|http]

配置

• 环境变量：运输/捆绑使用 MCP_TRANSPORT, FASTMCP_SERVER_HOST，以及 FASTMCP_SERVER_PORT （默认值： stdio, 0.0.0.0, 8000).API端点使用 OPEN_TARGETS_API_URL （默认值： https://api.platform.opentargets.org/api/v4/graphql).对于仅限本地开发，首选 FASTMCP_SERVER_HOST=127.0.0.1.
• 已验证的设置：启动时使用类型化的设置模型解析环境配置(src/opentargets_mcp/settings.py)，因此无效值会很快失败。
• 名称解析：严格；未解析的名称会引发明显的错误（使用 search_entities 查找规范ID）。
• 刀具选择指南：服务器向客户端发送一个简短的策略，以选择精心策划的工具，使用 fields 以修剪输出，并为边缘情况保留原始GraphQL。
• 分页护栏：工具包装器强制执行 page_index >= 0, page_size >= 1，全球 page_size 提供灵活的传输和端点选择。
• 详细日志：添加 --verbose 在故障排除时将全局日志级别提升到DEBUG。
• CLI帮助程序: --list-tools 打印所有已注册的工具，以及 --version 打印包版本。
• 速率限制: OPEN_TARGETS_RATE_LIMIT_RPS 和 OPEN_TARGETS_RATE_LIMIT_BURST 可以启用全局服务器端速率限制。 --rate-limiting 和 OPEN_TARGETS_RATE_LIMIT_ENABLED=true 也得到了支持。

运输方式

服务器支持由FastMCP支持的多种传输协议：

stdio传输 （默认）

# For Claude Desktop (via mcpm) and local CLI tools
opentargets-mcp --transport stdio

SSE运输

# For web-based MCP clients with Server-Sent Events
opentargets-mcp --transport sse --host 0.0.0.0 --port 8000

HTTP传输

# For streamable HTTP MCP clients
opentargets-mcp --transport http --host 0.0.0.0 --port 8000

与MCP客户端一起使用

• 克劳德桌面版：使用mcpm安装（stdio）或直接服务器连接（sse）
• Web MCP客户端：使用带有公共URL的SSE或HTTP传输（需要隧道）
• 自定义集成：取决于您的客户端实现的任何传输模式

示例脚本

uv run python examples/target_validation_profile.py EGFR
uv run python examples/disease_to_drug.py "schizophrenia"
uv run python examples/drug_safety_profile.py "osimertinib"
uv run python examples/genetic_target_prioritization.py "inflammatory bowel disease"

AI代理示例

ReAct Agent提供了一个交互式终端界面，用于探索开放目标数据：

Open Targets React Agent Demo

# Copy the example .env file and add your OpenAI API key
cp .env.example .env
# Then edit .env and set your OPENAI_API_KEY

# Run agent
uv run python examples/react_agent.py

该代理使用ReAct（推理和代理）模式将复杂的生物医学查询分解为步骤，从而可以轻松探索药物靶点、疾病及其关系。

可用工具

服务器包装 68 操作从 开放目标平台: 65个精选工具 加 3个高级GraphQL工具。每个工具都返回反映Open Targets GraphQL模式的结构化JSON，您可以使用MCP检查完整的机器可读列表 list_tools 请求。

大多数域工具接受规范标识符（例如。， ENSG..., EFO_..., CHEMBL...)或人类可读的名称/符号。提供名称后，服务器会自动将其解析为最匹配的Open Targets ID。 许多核心工具接受可选 fields 列表（点路径）以过滤响应有效载荷。 search_entities 也返回 search.triples 用于紧凑型 {id, entity, name} 消费。 对于边缘情况，更喜欢精心策划的工具+ fields 第一；仅当没有合适的工具时才使用原始GraphQL。

快速启动快捷方式

• get_target_info –核心靶标身份记录（Ensembl ID、同义词、基因组坐标）
• get_disease_info –疾病/EFO总结及治疗区域背景
• get_drug_info –ChEMBL支持的药物概况和机制数据
• search_entities –具有同义词处理的统一实体搜索
• get_target_associated_diseases –高置信度目标疾病与分数之间的联系
• get_disease_associated_targets –EFO疾病的优先目标列表
• get_target_known_drugs –目标药物的批准和试验药物
• get_target_disease_evidence –遗传学、表达和文献方面的证据细节
• get_drug_repurposing_candidates –多跳疾病->靶点->候选药物优先级
• graphql_batch_query –跨多个变量集运行一个GraphQL查询

按类别列出的完整目录

• 目标识别与生物学（20种工具） — get_target_info, get_target_class, get_target_alternative_genes, get_target_associated_diseases, get_target_known_drugs, get_target_literature_occurrences, get_target_expression, get_target_pathways_and_go_terms, get_target_homologues, get_target_subcellular_locations, get_target_genetic_constraint, get_target_mouse_phenotypes, get_target_hallmarks, get_target_depmap_essentiality, get_target_interactions, get_target_safety_information, get_target_tractability, get_target_chemical_probes, get_target_tep, get_target_prioritization.
• 疾病分析（8种工具） — get_disease_info, get_disease_associated_targets, get_disease_phenotypes, get_disease_otar_projects, get_disease_known_drugs, get_disease_ontology, get_disease_literature_occurrences, get_disease_similar_entities.
• 药物分析（10种工具） — get_drug_info, get_drug_cross_references, get_drug_linked_diseases, get_drug_linked_targets, get_drug_adverse_events, get_drug_pharmacovigilance, get_drug_warnings, get_drug_pharmacogenomics, get_drug_literature_occurrences, get_drug_similar_entities.
• 证据综合（2个工具） — get_target_disease_evidence, get_target_disease_biomarkers.
• 搜索和发现（4个工具） — search_entities, search_suggestions, get_similar_targets, search_facets.
• 元数据和本体实用程序（5个工具） — get_api_metadata, get_association_datasources, get_gene_ontology_terms, get_interaction_resources, map_ids.
• 工作流工具（1个工具） — get_drug_repurposing_candidates.
• 批量查找（3个工具） — get_targets_batch, get_diseases_batch, get_drugs_batch.
• 变体解释（6种工具） — get_variant_info, get_variant_credible_sets, get_variant_pharmacogenomics, get_variant_evidences, get_variant_intervals, get_variant_protein_coordinates.
• 研究探索（6个工具） — get_study_info, get_studies_by_disease, get_study_credible_sets, get_credible_set_by_id, get_credible_set_colocalisation, get_credible_sets.
• 高级GraphQL（3个工具） — graphql_schema, graphql_query, graphql_batch_query.

每个分组都与开放目标文档中描述的数据域（目标、疾病、药物、证据、变体和研究）相匹配。对于高容量工作负载，请遵守开放目标API常见问题解答中的平台节流指南，并在可能的情况下缓存下游。

发展

# Run lint checks (same as CI/release)
uv run ruff check src tests

# Run tests
uv run pytest tests/ -v

# Inspect registered tools from CLI
uv run opentargets-mcp --list-tools