快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

uvx atomica-mcp

详细介绍

“atomica-mcp” 可以翻译为“原子级MCP（微控制器协议栈/模块）”或根据具体上下文，也可能指“原子级MCP技术/系统”等，其中“MCP”通常代表“Microcontroller Protocol（微控制器协议）”或特定于某个领域（如计算机科学、工程等）的“Microcontroller Module/Protocol（微控制器模块/协议）”，但具体含义需结合上下文确定。在这里，为了简洁明了，我将其翻译为“原子级MCP（微控制器协议栈/模块）”。

![Python 3.11+](https://www.python.org/downloads/) ![License: MIT](https://opensource.org/licenses/MIT)

🏆 HackAging.ai 提交作品\ 长寿精灵团队的提交作品/提案给 序列到功能轨迹 在 HackAging.ai 翻译为中文是“抗衰老黑客（或技术）.ai”或“抗衰老创新.ai”，具体翻译可能根据上下文和语境有所调整。这里，“HackAging”指的是利用创新技术或方法对抗衰老，“.ai”则表明这是一个与人工智能相关的项目或平台 电视观看演示视频 | 📊 表格演示幻灯片 我们所构建的： - 这个仓库模型上下文协议（MCP）服务器——一种标准化的方式，使AI助手和代理能够访问专业数据和工具。它与Claude Desktop、Cursor、Windsurf、带有Copilot的VS Code以及其他兼容MCP的AI系统协同工作。 - 数据集在Hugging Face上分析了94种长寿相关蛋白质结构 - 定制版ATOMICA前叉对原始模型进行了优化，提升了可用性、增加了额外功能，并注重了应用的持久性 - 分析示例NRF2/KEAP1结构分析演示（在演示视频中展示），图中显示了疾病相关突变、糖基化位点和关键残基

问题

针对衰老干预的蛋白质工程需要整合来自多种来源的知识，将序列与功能联系起来，这些来源包括结构数据、相互作用预测、进化保守性以及实验结果。人工智能系统需要标准化地访问这些资源，以便大规模地生成全面的序列到功能的分析。

传统的计算方法对于快速迭代来说速度太慢，且在人工智能辅助的研究工作流程中，结果不易获取。

我们的解决方案

我们构建了基于ATOMICA的基础设施，使人工智能助手能够快速筛选蛋白质相互作用，并识别出关键的功能性残基，从而实现自动化从序列到功能的分析。

核心交付成果（黑客马拉松重点）

1. atomica-mcp 服务器 （这个仓库）

MCP接口，用于连接人工智能助手与交互评分及关键残基预测
即时访问预计算的ATOMICA分析结果，以获取结构洞察
用于结构分析的PyMOL可视化脚本
PDB结构搜索与元数据解析（UniProt、Ensembl、基因符号、生物体）

2. 长寿蛋白数据集

在HuggingFace上精选的结构，附带预计算的ATOMICA分析结果
残基排名和关键相互作用得分
可视化脚本已准备好进行AI辅助探索

3. 增强版ATOMICA分叉

优化后的模型，具备更强的可用性和更多附加功能
针对高通量筛选的长寿研究应用
应用于与衰老相关的蛋白质家族

更广泛的融合

atomica-mcp服务器与我们的生物MCP生态系统协同工作：

这使得人工智能代理能够将快速的ATOMICA相互作用筛选与通路数据库、变异注释以及进化数据相结合，从而综合生成关于蛋白质工程在延年益寿方面机遇的全面文章。

_注：服务器已注册于 BioContextAI 注册表我们的团队是《BioContextAI注册表》论文的合著者（该论文已被《自然-生物技术》接收）_

演示分析结果

我们的 NRF2/KEAP1 分析（如图所示演示视频) 展示了工作流程：

确认ETGE基序中的E82为KEAP1结合的关键残基
发现F468在年龄相关糖基化位点附近保持结构稳定
研究表明，R499糖基化比K462具有更大的功能影响
在KEAP1中鉴定出潜在的新型调控半胱氨酸C406/C368

关键优势： ATOMICA提供快速的功能性残基相互作用评估，以便在应用计算成本更高的结构方法之前，优先确定功能上重要的残基。

______________________________________________________________________

关于此服务器

这是一个模型上下文协议（MCP）服务器，提供对ATOMICA长寿蛋白数据集和PDB结构分析工具的访问。

ATOMICA 翻译成中文是“原子的”或“原子级的”，具体翻译可能根据上下文有所调整。 这是一个在200多万个相互作用复合物上训练的几何深度学习模型。它通过分析原子级别的相互作用模式，来识别蛋白质结构中的关键残基。

数据集5个与长寿相关的蛋白质家族（NRF2、KEAP1、SOX2、APOE、OCT4）中的94种结构\ 仓库（或存储库）：长寿精灵/原子长寿蛋白

每个结构包括：

结构文件（CIF格式）
ATOMICA相互作用得分
关键残基排名
PyMOL 可视化命令

快速入门

安装

# Install uv if needed
curl -LsSf https://astral.sh/uv/install.sh | sh

# Run the server
uvx atomica-mcp

与您的AI助手一起进行配置

在您的MCP配置文件中添加（适用于Claude Desktop、Cursor、Windsurf等）：

光标/帆板： ~/.cursor/mcp.json 或者 ~/.windsurf/mcp.json\ Claude Desktop（macOS版）： ~/Library/Application Support/Claude/claude_desktop_config.json\ Claude 桌面版（Windows）： %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "atomica-mcp": {
      "command": "uvx",
      "args": ["atomica-mcp@latest"],
      "env": {
        "MCP_TRANSPORT": "stdio",
        "MCP_TIMEOUT": "600"
      }
    }
  }
}

重启您的AI助手。首次使用时，数据集（约500MB）将自动下载。

示例查询

一旦连接成功，试着向你的AI助手提问：

“KEAP1有哪些可用的结构？”
“显示NRF2 ETGE基序中的关键残基”
“查找APOE结构及其变体”
“获取结构2FLU的PyMOL命令”

可用工具

服务器提供了8种MCP工具：

数据集查询：

atomica_list_structures - 列出所有结构
atomica_get_structure - 获取特定PDB的详细信息
atomica_search_by_gene - 按基因符号搜索（例如，“KEAP1”）
atomica_search_by_uniprot - 通过UniProt ID搜索
atomica_search_by_organism - 按生物体筛选

辅助工具：

atomica_resolve_pdb - 获取任何PDB ID的元数据
atomica_get_structures_for_uniprot - 获取UniProt ID对应的全部PDB结构
atomica_dataset_info - 数据集统计信息

如需详细的工具文档，请参阅完整的文档在......下面

数据集管理命令行界面 (CLI)

该软件包包含一个用于管理ATOMICA数据集的命令行界面（CLI）：

下载数据集

# Download full dataset
dataset download

# Download to custom directory
dataset download --output-dir data/inputs

# Download only CIF structure files
dataset download --pattern "*.cif"

# Download only files for specific PDB (e.g., 6ht5)
dataset download --pattern "6ht5*"

# Force re-download even if files exist
dataset download --force

列出可用文件

# List all files in the dataset
dataset list-files

# Filter by pattern
dataset list-files --pattern "*.cif"

创建/更新索引

# Create index with basic file paths
dataset index

# Create index with full metadata resolution
dataset index --include-metadata

# Custom paths
dataset index --dataset-dir data/atomica --output data/index.parquet

重新组织数据集

# Reorganize files into per-PDB folders
dataset reorganize

# Dry run to see what would be done
dataset reorganize --dry-run

数据集信息

# Show dataset information
dataset info

发展

Python库的使用

from atomica_mcp.server import AtomicaMCP
from atomica_mcp.mining.pdb_metadata import get_structures_for_uniprot

# Initialize server
mcp = AtomicaMCP()

# Query dataset
structures = mcp.list_structures(limit=10)
keap1 = mcp.search_by_gene("KEAP1")

# Get structures for UniProt
p53 = get_structures_for_uniprot("P04637")

测试

uv run pytest

要求

Python 3.11及以上版本
所有依赖项均由（某系统/工具）管理 uv - 只是跑 uv sync

许可证

MIT 许可证 - 详情请参阅 LICENSE 文件

贡献者

这个项目是由长寿精灵团队为HackAging.ai黑客马拉松而开发的：

安东·库拉加

ATOMICA分叉开发
ATOMICA MCP服务器
演示
黑客马拉松提交作品

牛顿·温特

演示分析（NRF2/KEAP1）
PDB结构处理
ATOMICA 分支 DevOps
HuggingFace 数据集准备

莉维亚·扎哈里亚

视频编辑
演示文稿设计

引用

如果您在研究中使用了atomica-mcp，请引用：

@software{atomica-mcp,
  title={atomica-mcp: MCP server for ATOMICA longevity proteins dataset},
  author={Kulaga, Anton and Winter, Newton and Zaharia, Livia},
  year={2025},
  url={https://github.com/longevity-genie/atomica-mcp},
  note={HackAging.ai Submission - Longevity Genie Team}
}

目录标签

PythonClaude云端部署蛋白质工程本地部署生物信息学深度学习结构生物学AI辅助研究

支持客户端

Claude DesktopClaudeCursorWindsurfVS Code

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

运行时（runtime，运行环境）

Python

工具数量（toolCount，工具数）

0

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/0677598bac15f4bb8fb8f8969940522a

atomica-mcp是一个基于ATOMICA模型的MCP服务器，提供长寿蛋白质数据集和PDB结构分析工具，支持AI助手快速访问蛋白质交互评分和关键残基预测。

继续浏览同类 MCP

更多运维云端 MCP（13,854）返回 MCP 目录

上一个 MCP

at MCP server

一个基于Model Context Protocol的服务器工具，提供协议规范、密钥管理和CRUD操作功能。

下一个 MCP

Atom of Thoughts MCP

Atom of Thoughts (AoT) 是一个基于分解的推理框架，通过将复杂问题分解为独立的、可重用的原子思维单元来解决问题，适用于需要复杂推理和高可靠性的场景。

Atomica MCP