multicycpermea MCP

MultiCycPromea MCP

用于环肽计算分析的MCP工具-使用MultiCycPermea生成分子图像、预测膜渗透性和分析特征融合方法

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

MultiCycPromea MCP通过标准化的模型上下文协议（MCP）接口为环肽膜通透性预测提供计算工具。该实现结合了1D序列特征（SMILES）和2D分子图像特征，用于精确的渗透率预测和全面的分子分析。

特性

• 二维分子结构生成 用于高质量PNG/SVG输出的环肽
• 特征融合分析 比较连接、交叉注意力和基于注意力的方法
• 膜渗透性预测 使用在CycPeptMPDB上训练的深度学习模型
• 批处理 用于大型环肽库的虚拟筛选
• API双重设计 具有同步（快速）和异步（后台）处理功能

目录结构

./
├── README.md               # This file
├── env/                    # Conda environment (Python 3.10)
├── src/
│   └── server.py           # MCP server (14 tools)
├── scripts/
│   ├── draw_peptide_images.py      # Generate 2D molecular images
│   ├── feature_analysis.py         # Analyze feature fusion methods
│   └── lib/                # Shared utilities (24 functions)
├── examples/
│   └── data/               # Demo data
│       ├── sequences/      # Sample cyclic peptide datasets
│       │   ├── test_small.csv      # Small test dataset (5 peptides)
│       │   ├── test.csv            # Test dataset (~1000 peptides)
│       │   ├── train.csv           # Training dataset (5559+ peptides)
│       │   └── val.csv             # Validation dataset
│       └── images/         # Generated molecular images
├── configs/                # Configuration files
│   ├── draw_peptide_images_config.json
│   ├── feature_analysis_config.json
│   └── default_config.json
└── repo/                   # Original 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（自动安装）
• Linux/macOS（在Linux上测试）
• ~2GB RAM用于典型操作

创建环境

请严格遵守中的信息 reports/step3_environment.md 以获得设置环境的程序。完整的工作流程如下所示。

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

# Determine package manager (prefer mamba over conda)
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)
$PKG_MGR create -p ./env python=3.10 pip -y

# Activate environment
$PKG_MGR activate ./env

# Install core dependencies
$PKG_MGR run -p ./env pip install loguru click pandas numpy tqdm

# Install FastMCP (force reinstall for clean installation)
$PKG_MGR run -p ./env pip install --force-reinstall --no-cache-dir fastmcp

# Install RDKit via conda-forge (recommended method)
$PKG_MGR install -p ./env -c conda-forge rdkit -y

# Install additional dependencies for image generation
$PKG_MGR run -p ./env pip install cairosvg matplotlib seaborn

遗留环境（可选）

要运行原始MultiCycPermea训练代码：

# Create legacy environment from original environment.yml
$PKG_MGR env create -p ./env_py37 -f repo/MultiCycPermea/environment.yml

______________________________________________________________________

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

生成二维分子图像

# Activate environment
$PKG_MGR activate ./env

# Run script
python scripts/draw_peptide_images.py \
  --input examples/data/sequences/test_small.csv \
  --output results/images \
  --size 600,600 \
  --format png

参数：

• --input, -i：包含SMILES和CycPeptMPDB_ID列的CSV文件（必需）
• --output, -o：输出目录路径（默认：results/images/）
• --size, -s：图像尺寸为“宽、高”（默认值：600600）
• --format, -f：输出格式（png、svg）（默认：png）
• --config：JSON配置文件（可选）

预期产量：

• 高质量PNG图像（每张20-30KB）
• 更新了CSV的image_path列
• 5种肽约1.3秒

特征融合方法分析

python scripts/feature_analysis.py \
  --input examples/data/sequences/test_small.csv \
  --output results/analysis \
  --methods concate,cross_attention,attention

参数：

• --input, -i：带SMILES列的CSV文件（必需）
• --output, -o：分析输出目录（默认：results/analytic/）
• --methods, -m：逗号分隔的融合方法（默认值：concate、cross_attention）
• --seed：用于再现性的随机种子（默认值：42）
• --config：JSON配置文件（可选）

预期产量：

• 性能比较图（PNG，每个150-250KB）
• 特征重要性热图
• 计算成本分析
• 全面降价报告
• 5种肽约3.4秒

______________________________________________________________________

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 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/multicycpermea_mcp/env/bin/python",
      "args": ["/home/xux/Desktop/CycPepMCP/CycPepMCP/tool-mcps/multicycpermea_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 cycpep-tools?

属性计算（快速）

Generate molecular images for @examples/data/sequences/test_small.csv
Save the results to @results/my_images/

特征分析（快速）

Analyze feature fusion methods for the peptides in @examples/data/sequences/test_small.csv
Compare concatenation and cross-attention methods

数据验证

Validate the CSV file at @examples/data/sequences/test.csv
Check for required columns and SMILES validity

批量处理（提交API）

Submit a batch image generation job for @examples/data/sequences/test.csv
Use high resolution 800x800 images
Name the job "test_dataset_imaging"

检查作业状态

Check the status of job abc12345 and show me the log output

端到端工作流

I want to analyze the peptides in @examples/data/sequences/test_small.csv:
1. First validate the data
2. Generate molecular images
3. Analyze feature fusion methods
4. Show me the best performing method

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

示例提示

# Start Gemini CLI
gemini

# Example prompts (same as Claude Code)
> What cyclic peptide analysis tools are available?
> Generate images for the peptides in test_small.csv
> Compare feature fusion methods for my dataset

______________________________________________________________________

可用工具

快速操作（同步API）

这些工具会立即返回结果（\10分钟或大型数据集）：

作业管理工具

实用工具

______________________________________________________________________

例子

示例1：快速分子可视化

目标： 为小数据集生成2D分子图像

使用脚本：

$PKG_MGR activate ./env
python scripts/draw_peptide_images.py \
  --input examples/data/sequences/test_small.csv \
  --output results/quick_images \
  --size 800,800

使用MCP（克劳德代码）：

Generate molecular images for @examples/data/sequences/test_small.csv
Use high resolution 800x800 images and save to @results/quick_images/

预期产量：

• 5张高质量PNG图像（800x800像素）
• 更新了CSV的image_path列
• 处理时间：~1.3秒

示例2：特征融合分析

目标： 比较用于组合分子特征的不同融合方法

使用脚本：

$PKG_MGR activate ./env
python scripts/feature_analysis.py \
  --input examples/data/sequences/test_small.csv \
  --output results/fusion_analysis \
  --methods concate,cross_attention,attention

使用MCP（克劳德代码）：

Analyze feature fusion methods for @examples/data/sequences/test_small.csv
Compare concatenation, cross-attention, and attention methods
Save results to @results/fusion_analysis/

预期产量：

• 性能比较图
• 特征重要性热图
• 计算成本分析
• 最佳方法推荐：交叉关注（R²=0.796）
• 处理时间：~3.4秒

示例3：大型数据集处理管道

目标： 综合分析处理大型环肽库

使用MCP（克劳德代码）：

I need to process @examples/data/sequences/test.csv for virtual screening:

1. First validate the dataset structure and SMILES
2. Submit batch image generation (600x600 PNG format)
3. Submit batch feature analysis for all three methods
4. Monitor both jobs and show me the results when complete
5. Generate a summary comparing the computational methods

预期工作流程：

• 数据验证：即时结果
• 批处理：具有作业ID的后台作业
• 进度监控：实时状态更新
• 结果：对约1000种肽进行综合分析

示例4：基于配置的处理

目标： 使用自定义配置进行专门分析

使用MCP（克劳德代码）：

Load the configuration from @configs/feature_analysis_config.json
Analyze peptides in @examples/data/sequences/test_small.csv using those settings
Show me the performance metrics and best fusion method

______________________________________________________________________

演示数据

这 examples/data/ 目录包含用于测试的示例数据：

微笑示例

CC(C)C[C@@H]1NC(=O)[C@H](C)N(C)C(=O)[C@@H]2CCCN2C(=O)[C@H](Cc2ccccc2)NC(=O)[C@H](CC(C)C)N(C)C(=O)[C@H]2CCCN2C(=O)[C@@H](CC(C)C)N(C)C1=O

这代表了一种具有立体化学和N-甲基化模式的7残基环肽。

______________________________________________________________________

配置文件

这 configs/ 目录包含配置模板：

配置使用示例

# Use custom configuration
python scripts/draw_peptide_images.py \
  --input examples/data/sequences/test_small.csv \
  --config configs/draw_peptide_images_config.json

______________________________________________________________________

故障排除

环境问题

问题： 未找到环境

# Recreate environment using package manager detection
if command -v mamba &> /dev/null; then
    PKG_MGR="mamba"
else
    PKG_MGR="conda"
fi

$PKG_MGR create -p ./env python=3.10 -y
$PKG_MGR activate ./env
pip install -r requirements.txt
$PKG_MGR install -c conda-forge rdkit -y

问题： RDKit导入错误

# Install RDKit from conda-forge (preferred method)
$PKG_MGR install -p ./env -c conda-forge rdkit -y

# Verify installation
python -c "from rdkit import Chem; print('RDKit working!')"

问题： 导入错误

# Verify all dependencies
python -c "
import pandas, numpy, matplotlib, seaborn, rdkit, fastmcp, loguru
print('All dependencies available')
"

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

# Verify connection
claude mcp list | grep cycpep-tools

问题： 无效的SMILES错误

Ensure your SMILES string represents a cyclic peptide. Use the cyclo() notation
or ensure ring closure numbers are properly specified.

Valid example:
CC(C)C[C@@H]1NC(=O)[C@H](C)N(C)C(=O)[C@@H]2CCCN2C(=O)[C@H](Cc2ccccc2)NC1=O

问题： 工具不工作

# Test server directly
python -c "
import sys
sys.path.append('src')
from server import mcp
print('Available tools:', len(list(mcp.list_tools())))
"

环肽特定问题

问题： 肽结构无法识别

• 确保SMILES含有适当的环化成分
• 检查氨基酸连接是否有效
• 验证立体化学注释（@@或@）

问题： 图像生成失败

# Install system dependencies for SVG conversion
sudo apt-get install libcairo2-dev  # Ubuntu/Debian
brew install cairo  # macOS

# Reinstall cairosvg
pip install --force-reinstall cairosvg

问题： 特征分析结果不佳

• 验证肽数据集是否具有正确的分子描述符
• 检查SMILES字符串是否缺失或无效
• 确保足够的数据集大小（推荐>10个肽）

工作问题

问题： 作业挂起

# Check job directory and permissions
ls -la jobs/
df -h .  # Check disk space

问题： 任务失败

Use get_job_log with job_id "your_job_id" and tail 100 to see detailed error logs.
Common causes: insufficient memory, corrupted input files, missing dependencies.

性能优化

问题： 处理速度慢

• 使用mamba而不是conda来实现更快的包操作
• 对于大型数据集（>100个肽），使用submit_batch\_\*工具
• 通过以下方式监控内存使用情况 htop 或类似工具
• 使用SSD存储以获得更好的I/O性能

______________________________________________________________________

发展

运行测试

# Activate environment
$PKG_MGR activate ./env

# Run integration tests
python tests/run_integration_tests.py

# Test individual tools
python test_direct_functions.py

正在启动开发服务器

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

# Or run directly
python src/server.py

添加新工具

遵循中的模式 src/server.py:

1. 添加工具功能 @mcp.tool() 装饰器
2. 包含全面的文档字符串
3. 添加错误处理和验证
4. 更新 get_server_info() 工具列表

______________________________________________________________________

性能指标

资源需求

• 记忆：典型操作1-2GB，大型数据集4GB以上
• 中央处理器：批处理的多核利用率
• 存储：约10GB用于作业目录（可配置）
• 网络：不需要（所有处理都在本地）

______________________________________________________________________

许可证

该项目基于MultiCycPermea存储库。请查看原始存储库以获取许可证信息。

积分

基于 MultiCycPromea 用于环肽膜通透性预测。

引用

使用此工具时，请引用MultiCycPermea的原始工作：