adcp MCP

ADCP MCP

使用AutoDock CrankPep进行环肽构象取样和分析的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

ADCP MCP提供了使用AutoDock CrankPep（ADCP）进行环肽分析的计算工具。该服务器支持环肽的构象采样、结构预测和批量处理，用于药物发现和肽设计应用。

特性

• 使用蒙特卡罗方法对环肽进行三维构象采样
• 肽库虚拟筛选的批处理
• 具有循环约束的灵活骨干处理
• 含半胱氨酸肽的二硫键支持
• 高通量分析的并行处理

目录结构

./
├── README.md               # This file
├── env/                    # Conda environment
├── src/
│   └── server.py           # MCP server
├── scripts/
│   ├── conformational_sampling.py      # Single peptide conformational sampling
│   ├── batch_processing.py             # Multiple peptide batch processing
│   └── lib/                # Shared utilities
├── examples/
│   └── data/               # Demo data
│       ├── sequences/      # Sample cyclic peptide sequences
│       │   ├── batch_sequences.txt
│       │   └── cyclic_peptides.smi
│       ├── structures/     # Sample 3D structures
│       │   └── sample_peptide.pdb
│       └── targets/        # Receptor target files
│           └── README_targets.md
├── configs/                # Configuration files
│   ├── conformational_sampling_config.json
│   ├── batch_processing_config.json
│   └── default_config.json
├── jobs/                   # Job storage (auto-created)
├── adcp_Linux-x86_64       # ADCP binary
├── ramaprob.data           # Required probability data
└── repo/                   # Original repository

______________________________________________________________________

安装

先决条件

• Conda或Mamba（建议使用曼巴以加快安装速度）
• Python 3.10+
• GCC编译器和make（用于C二进制编译）
• Linux x86_64系统（ADCP二进制要求）

创建环境

根据以下信息 reports/step3_environment.md，以下是经过验证的安装程序：

# Navigate to the MCP directory
cd /mnt/data/done_projects/2026/BioMolMCP/CycPepMCP/tool-mcps/adcp_mcp

# Create conda environment (use mamba if available)
/home/xux/miniforge3/bin/mamba create -p ./env python=3.12 -y
# or: conda create -p ./env python=3.12 -y

# Activate environment
source /home/xux/miniforge3/etc/profile.d/conda.sh
conda activate ./env
# or: mamba activate ./env

# Install Dependencies
pip install --upgrade pip
pip install numpy loguru click pandas tqdm
pip install --force-reinstall --no-cache-dir fastmcp

# Build ADCP binary (if not already built)
cd repo/ADCP
make clean && make
cd ../../

# Copy required files
cp repo/ADCP/adcp_Linux-x86_64 ./
cp repo/ADCP/ramaprob.data ./
cp repo/ADCP/runADCP.py ./

______________________________________________________________________

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

构象采样

# Activate environment
conda activate ./env

# Run conformational sampling
python scripts/conformational_sampling.py \
  --input GPGPGPGP \
  --output results/conformations \
  --numsteps 50000 \
  --nbruns 10

参数：

• --input, -i：肽序列（必填）
• --output, -o：输出目录路径（默认：自动生成）
• --numsteps, -n：每次运行蒙特卡洛步数（默认值：500000）
• --nbruns, -N：独立运行次数（默认值：25）
• --disulfide：启用二硫化物约束
• --no-cyclic：禁用循环约束

批处理

python scripts/batch_processing.py \
  --input examples/data/sequences/batch_sequences.txt \
  --output results/batch_output \
  --max-workers 4 \
  --numsteps 5000

参数：

• --input, -i：带序列的输入文件（必填）
• --output, -o：输出目录（默认：自动生成）
• --max-workers, -w：并行工作者（默认值：4）
• --numsteps, -n：每个序列的MC步数（默认值：批量为1000）
• --timeout, -t：每个序列的超时时间（秒）（默认值：300）

______________________________________________________________________

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 adcp-tools

选项2:Claude代码的手动安装

# Add MCP server to Claude Code
claude mcp add adcp-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": {
    "adcp-tools": {
      "command": "/mnt/data/done_projects/2026/BioMolMCP/CycPepMCP/tool-mcps/adcp_mcp/env/bin/python",
      "args": ["/mnt/data/done_projects/2026/BioMolMCP/CycPepMCP/tool-mcps/adcp_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 adcp-tools?

序列验证

Validate this cyclic peptide sequence: GPGPGPGP

构象采样

Submit conformational sampling for cyclic peptide GRGDSP with 10 runs and 50000 steps per run

检查作业状态

Check the status of job abc12345 and show me the logs if it's running

批处理

Process the sequences in @examples/data/sequences/batch_sequences.txt using batch processing with 2 workers

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": {
    "adcp-tools": {
      "command": "/mnt/data/done_projects/2026/BioMolMCP/CycPepMCP/tool-mcps/adcp_mcp/env/bin/python",
      "args": ["/mnt/data/done_projects/2026/BioMolMCP/CycPepMCP/tool-mcps/adcp_mcp/src/server.py"]
    }
  }
}

示例提示

# Start Gemini CLI
gemini

# Example prompts (same as Claude Code)
> What tools are available?
> Submit conformational sampling for cyclic peptide GPGPGPGP

______________________________________________________________________

可用工具

作业管理工具

这些工具管理长时间运行的ADCP操作：

提交工具（长时间操作>20分钟）

这些工具为长时间运行的ADCP操作提交作业：

实用工具

这些工具提供快速验证和系统状态：

______________________________________________________________________

例子

示例1：快速构象采样

目标： 生成环肽的构象

使用脚本：

python scripts/conformational_sampling.py \
  --input GPGPGPGP \
  --output results/conformations \
  --numsteps 10000 \
  --nbruns 5

使用MCP（克劳德代码）：

Submit conformational sampling for cyclic peptide "GPGPGPGP" with 5 runs and 10000 steps per run. Name the job "test_peptide".

预期产量：

• 具有构象结构的多个PDB文件
• 带有采样统计信息的JSON元数据
• 包含能源信息的执行日志

示例2：批处理管道

目标： 筛选环肽库

使用脚本：

python scripts/batch_processing.py \
  --input examples/data/sequences/batch_sequences.txt \
  --output results/library_screen \
  --max-workers 2 \
  --numsteps 5000

使用MCP（克劳德代码）：

Process the sequences in @examples/data/sequences/batch_sequences.txt using batch processing.
Use 2 workers and 5000 steps per sequence. Name the job "library_screen".

示例3：使用作业管理完成工作流

目标： 提交作业、监控进度并检索结果

使用MCP（克劳德代码）：

1. First validate the sequence "GRGDSP"
2. Submit conformational sampling for this sequence with 3 runs
3. Check the job status every few minutes
4. When complete, show me the results

______________________________________________________________________

演示数据

这 examples/data/ 目录包含用于测试的示例数据：

示例序列文件格式

# Comments start with #
cycpep_001	GPGPGP
cycpep_002	GGPGPG
PGPGPG
ACDEFGHIKL

______________________________________________________________________

配置文件

这 configs/ 目录包含配置模板：

配置示例

{
  "sampling": {
    "numsteps": 50000,
    "nbruns": 10,
    "timeout_seconds": 600
  },
  "constraints": {
    "cyclic": true,
    "disulfide": false,
    "optimization_weights": [1, 0.25, 0.75, 0.0]
  },
  "validation": {
    "min_sequence_length": 6,
    "max_sequence_length": 20
  }
}

______________________________________________________________________

故障排除

环境问题

问题： 未找到环境

# Recreate environment
mamba create -p ./env python=3.12 -y
conda activate ./env
pip install numpy loguru click pandas tqdm fastmcp

问题： 未找到ADCP二进制文件

# Check binary exists
ls -la adcp_Linux-x86_64
# If missing, rebuild from source
cd repo/ADCP && make && cp adcp_Linux-x86_64 ../../

问题： 导入错误

# Verify installation
python -c "from src.server import mcp; print('Server OK')"
python -c "import numpy, fastmcp; print('Environment OK')"

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

问题： 无效序列错误

Ensure your sequence contains only valid amino acids (ACDEFGHIKLMNPQRSTVWY)
and is between 6-20 amino acids long.

问题： 工具不工作

# Test server directly
python -c "
from src.server import mcp
print(list(mcp.list_tools().keys()))
"

工作问题

问题： 作业挂起

# Check job directory
ls -la jobs/

# View job log
python -c "
from src.jobs.manager import job_manager
print(job_manager.get_job_log('JOB_ID', tail=20))
"

问题： 任务失败

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

问题： 运行时间长

ADCP conformational sampling typically takes 20-60 minutes.
For testing, use fewer steps: numsteps=1000, nbruns=3

______________________________________________________________________

发展

运行测试

# Activate environment
conda activate ./env

# Run integration tests
python tests/run_integration_tests.py

# Test individual scripts
python scripts/conformational_sampling.py --input GPGPGPGP --dry-run
python scripts/batch_processing.py --input examples/data/sequences/batch_sequences.txt --dry-run

正在启动开发服务器

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

# Test with MCP client
python -c "
from fastmcp import FastMCP
from src.server import mcp
print(mcp.list_tools())
"

性能调优

______________________________________________________________________

许可证

ADCP在GNU LGPL v2.0开源许可证下可用。 MCP集成代码用于教育和研究目的。

积分

基于 AutoDock CrankPep（ADCP） 原始存储库：