pharmpapp MCP

Pharmapp MCP

环肽计算分析的MCP工具-渗透性预测和分子描述符计算

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

此MCP（模型上下文协议）服务器基于PharmApp框架为环肽分析提供计算工具。它为药物发现管道中常用的分子特性计算、渗透性预测和批量分析工作流提供同步和异步API。

特性

• 分子描述符计算 使用RDKit检测环肽
• 渗透率预测 使用5种PharmPapp模型（RRCK-C、PAMPA-C、Caco2-L/C/A）
• 批次分析 具有多模型比较和共识预测
• 作业管理 用于具有实时监控的长时间运行的计算
• 无缝LLM集成 通过标准化的MCP协议

目录结构

./
├── README.md               # This file
├── env/                    # Conda environment
├── src/
│   └── server.py           # MCP server with 13 tools
├── scripts/
│   ├── calculate_descriptors.py  # Molecular descriptor calculation
│   ├── predict_permeability.py   # Permeability prediction
│   ├── batch_analysis.py         # Multi-model comparison
│   └── lib/                      # Shared utilities (18 functions)
├── examples/
│   └── data/               # Demo data
│       ├── demo_cyclic_peptides.smi     # Sample cyclic peptide SMILES
│       ├── example for Caco2_A.csv      # Model training data (10 molecules)
│       ├── example for Caco2_C.csv      # Model training data (10 molecules)
│       ├── example for Caco2_L.csv      # Model training data (10 molecules)
│       ├── example for PAMPA-C.csv      # Model training data (10 molecules)
│       └── example for RRCK-C.csv       # Model training data (10 molecules)
├── configs/                # Configuration files
│   ├── calculate_descriptors_config.json
│   ├── predict_permeability_config.json
│   ├── batch_analysis_config.json
│   └── default_config.json
└── repo/                   # Original PharmPapp repository

______________________________________________________________________

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（通过conda forge自动安装）

创建环境

请按照以下程序操作 reports/step3_environment.md推荐的工作流程如下：

# Navigate to the MCP directory
cd /home/xux/Desktop/CycPepMCP/CycPepMCP/tool-mcps/pharmpapp_mcp

# Check for package manager preference
if command -v mamba &> /dev/null; then
    PKG_MGR="mamba"
else
    PKG_MGR="conda"
fi
echo "Using package manager: $PKG_MGR"

# 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 scientific computing dependencies
mamba run -p ./env pip install pandas numpy scikit-learn matplotlib seaborn tqdm loguru click

# Install RDKit from conda-forge (essential for molecular work)
mamba install -p ./env -c conda-forge rdkit -y

# Install MCP dependencies
mamba run -p ./env pip install --force-reinstall --no-cache-dir fastmcp

______________________________________________________________________

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

计算分子描述符

# Activate environment
mamba activate ./env

# Run with demo data
python scripts/calculate_descriptors.py --demo

# Process custom SMILES file
python scripts/calculate_descriptors.py \
  --input molecules.smi \
  --output descriptors.csv

# Include additional descriptor types
python scripts/calculate_descriptors.py \
  --input examples/data/demo_cyclic_peptides.smi \
  --output full_descriptors.csv \
  --config configs/calculate_descriptors_config.json

参数：

• --input, -i：输入SMILES（.smi）或SDF（.SDF）文件（必需）
• --output, -o：输出CSV文件路径（默认：自动生成）
• --config：JSON配置文件（默认：基本描述符）
• --demo：使用内置演示数据（3种环肽）

预测渗透率

python scripts/predict_permeability.py \
  --input descriptors.csv \
  --model caco2_c \
  --output predictions.csv

# Available models: rrck_c, pampa_c, caco2_l, caco2_c, caco2_a
python scripts/predict_permeability.py \
  --input examples/data/"example for Caco2_C.csv" \
  --model caco2_c \
  --demo

批次分析

python scripts/batch_analysis.py \
  --input descriptors.csv \
  --output batch_results/ \
  --models caco2_c rrck_c pampa_c

______________________________________________________________________

MCP服务器安装

选项1：使用fastmcp（推荐）

# Install MCP server for Claude Code
mamba run -p ./env 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": "/home/xux/Desktop/CycPepMCP/CycPepMCP/tool-mcps/pharmpapp_mcp/env/bin/python",
      "args": ["/home/xux/Desktop/CycPepMCP/CycPepMCP/tool-mcps/pharmpapp_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 cyclic peptide tools are available from cycpep-tools?

属性计算（快速）

Calculate molecular descriptors for examples/data/demo_cyclic_peptides.smi and save to descriptors.csv

渗透率预测

Predict permeability using the caco2_c model for @examples/data/"example for Caco2_C.csv"

结构验证

Validate the input file @examples/data/demo_cyclic_peptides.smi and tell me what's in it

批量处理（提交API）

Submit a batch analysis job for @descriptors.csv using models caco2_c and rrck_c, save results to batch_results/

作业管理

Check the status of job abc12345
Get the logs for job abc12345
List all my jobs

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": "/home/xux/Desktop/CycPepMCP/CycPepMCP/tool-mcps/pharmpapp_mcp/env/bin/python",
      "args": ["/home/xux/Desktop/CycPepMCP/CycPepMCP/tool-mcps/pharmpapp_mcp/src/server.py"]
    }
  }
}

示例提示

# Start Gemini CLI
gemini

# Example prompts (same as Claude Code)
> What cyclic peptide tools are available?
> Calculate descriptors for the demo cyclic peptides
> Submit a batch analysis for multiple permeability models

______________________________________________________________________

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：快速描述符计算

目标： 计算环肽的基本分子性质

使用脚本：

python scripts/calculate_descriptors.py \
  --input examples/data/demo_cyclic_peptides.smi \
  --output demo_descriptors.csv

使用MCP（克劳德代码）：

Calculate molecular descriptors for @examples/data/demo_cyclic_peptides.smi and save to demo_descriptors.csv

预期产量：

• CSV文件，每个分子有144个分子描述符
• 描述符包括：MolWt、LogP、TPSA、NumHBD、NumHBA等。
• 处理时间：3个分子约3秒

示例2：渗透率预测

目标： 使用PharmAPP模型预测环肽通透性

使用脚本：

python scripts/predict_permeability.py \
  --input "examples/data/example for Caco2_C.csv" \
  --model caco2_c \
  --output caco2_predictions.csv

使用MCP（克劳德代码）：

Predict permeability using caco2_c model for the example Caco2_C data and save results

预期产量：

• 具有置信度得分的预测渗透率值
• 模型性能指标（R²，RMSE）
• 处理时间：10个分子1-3秒

示例3：多模型比较

目标： 比较不同渗透率模型的预测结果

使用MCP（克劳德代码）：

Submit a batch analysis for @examples/data/"example for Caco2_C.csv" using all available models. Save results to batch_comparison/

Then check the job status and show me the results when complete.

工作流程：

1. 以唯一Job_id提交的作业
2. 监控进度 get_job_status
3. 使用检索结果 get_job_result
4. 查看详细日志 get_job_log

示例4：端到端管道

目标： 从SMILES到多模型预测的完整工作流程

使用MCP（克劳德代码）：

1. First, calculate descriptors for @examples/data/demo_cyclic_peptides.smi
2. Then submit a batch analysis using the calculated descriptors with models caco2_c and rrck_c
3. Monitor the job and show me a summary when complete

______________________________________________________________________

演示数据

这 examples/data/ 目录包含用于测试的示例数据：

样品环肽SMILES

演示文件包含3个代表性环肽：

C1C[C@H](NC(=O)[C@H](NC(=O)[C@H](NC1=O)CC2=CC=CC=C2)CC3=CC=C(C=C3)O)CC(C)C
C[C@H]1NC(=O)[C@H](NC(=O)[C@H](NC(=O)[C@H](NC(=O)[C@H](NC1=O)CC2=CC=CC=C2)CC(C)C)CC3=CC=C(C=C3)O)CC4=CNC5=CC=CC=C54
CC[C@H](C)[C@H]1NC(=O)[C@H](NC(=O)[C@H](NC(=O)[C@H](NC(=O)[C@H](NC1=O)C)CC2=CC=CC=C2)CC(C)C)CC3=CC=C(C=C3)O

______________________________________________________________________

配置文件

这 configs/ 目录包含配置模板：

配置示例

{
  "processing": {
    "include_3d": false,
    "include_fingerprints": false,
    "optimize_geometry": false
  },
  "descriptor_types": ["basic", "topological", "constitutional", "physicochemical"],
  "quality_control": {
    "validate_cyclic_peptide": true,
    "calculate_lipinski_violations": true
  }
}

______________________________________________________________________

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
mamba run -p ./env pip install pandas numpy scikit-learn matplotlib seaborn tqdm loguru click
mamba install -p ./env -c conda-forge rdkit -y
mamba run -p ./env pip install --force-reinstall --no-cache-dir fastmcp

问题： RDKit导入错误

# Install RDKit from conda-forge (essential)
mamba install -p ./env -c conda-forge rdkit -y

# Test RDKit installation
mamba run -p ./env python -c "from rdkit import Chem; print('RDKit working!')"

问题： 导入错误

# Verify all dependencies
mamba run -p ./env python -c "
from src.server import mcp
from rdkit import Chem
import pandas
import fastmcp
print('All dependencies 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

Ensure your SMILES string is valid for cyclic peptides. Use the cyclo() notation
or ensure ring closure is properly specified with numbers (e.g., C1...C1).

问题： 工具不工作

# Test server directly
mamba run -p ./env python -c "
from src.server import mcp
print('Available tools:', list(mcp.list_tools().keys()))
print('Total tools:', len(mcp.list_tools()))
"

工作问题

问题： 作业挂起

# Check job directory and logs
ls -la jobs/

在克劳德代码中：

Get the log for job  with 100 lines to see what happened

问题： 描述符兼容性错误\*\*

Error: Too many missing descriptors. Available: 63/94

解决方案：当试图用与模型要求不匹配的描述符预测渗透率时，就会发生这种情况。使用示例CSV文件获取兼容数据，或增强描述符计算以包含MOE风格的描述符。

问题： 内存不足错误

Use submit_large_descriptor_calculation for datasets >1000 molecules
Process in smaller batches for very large datasets

常见模型问题

问题： PAMPA模型需要77个描述符，找到0个

这是一个已知的限制。描述符计算产生RDKit描述符，而模型则需要MOE2D描述符。解决：

1. 使用提供的具有兼容描述符的示例CSV文件
2. 等待未来版本中增强的描述符映射

调试

在克劳德代码中：

# Check job status
Check the status of job 

# View recent logs
Get the log for job  with 50 lines

# List all jobs
List all my jobs and their statuses

# Validate input data
Validate the input file @examples/data/demo_cyclic_peptides.smi

______________________________________________________________________

发展

运行测试

# Activate environment
mamba activate ./env

# Test basic functionality
python scripts/calculate_descriptors.py --demo

正在启动开发服务器

# Run MCP server in development mode
mamba run -p ./env fastmcp dev src/server.py

# Test server connectivity
mamba run -p ./env python -c "from src.server import mcp; print('Server ready')"

______________________________________________________________________

性能指南

何时使用同步与提交API

在以下情况下使用同步API：

• 数据集\1000个分子
• 包括3D描述符或指纹（速度慢得多）
• 批量处理多个模型
• 可能需要>10分钟的长时间运行分析

资源使用情况

______________________________________________________________________

许可证

基于 法尔帕普 -弗劳恩霍夫ITMP实施

积分

此MCP服务器实现了原始PharmApp存储库中KNIME工作流的Python等效物，通过现代LLM接口提供对环肽渗透性预测模型的编程访问。

______________________________________________________________________

API参考摘要

作业管理（6个工具）

• get_job_status -检查作业进度和运行时间
• get_job_result -获取已完成的作业结果
• get_job_log -查看执行日志
• cancel_job -取消正在运行的作业
• list_jobs -列出具有状态筛选器的作业
• cleanup_old_jobs -删除旧的已完成作业

同步分析（2个工具）

• calculate_cyclic_peptide_descriptors -快速描述符计算
• predict_cyclic_peptide_permeability -单模型渗透率预测

异步处理（2个工具）

• submit_batch_analysis -多模型比较
• submit_large_descriptor_calculation -大规模描述符计算

实用程序（3个工具）

• get_available_models -型号信息和要求
• validate_input_file -文件格式验证
• get_example_data -可用演示数据信息

总计：13个MCP工具，涵盖完整的环肽计算分析工作流程。