Protein Design MCP

蛋白质设计MCP服务器

 ](https://hub.docker.com/r/jeonghyeonkim8652/protein-design-mcp)   

一 主控程序 该服务器允许LLM代理访问计算蛋白质设计工具。让你的法学硕士设计活页夹、生成从头折叠、预测结构、评分界面，或者用Rosetta放松——它会自动调用正确的工具。

共19个工具，涵盖生成设计、结构预测、基于物理的评分和分析。基于RFdiffusion、ProteinMPNN、ESMFold、AlphaFold2构建， 螺栓-2, PyRosettaESM2和OpenMM。

6种非捆绑工具(rosetta_* x4， predict_*_boltz x2）通过pip extras干净地安装——请参阅 可选工具.

安装

选择适合你情况的方法。从最简单到最可定制。

______________________________________________________________________

1.自动设置（推荐）

一个命令。检测您的环境，提取Docker（如果可用），写入MCP客户端配置。

pip install protein-design-mcp
protein-design-mcp-setup

它的作用：

• 检查Docker和NVIDIA GPU
• 拉取Docker镜像（或回退到本地Python模式）
• 自动写入Claude Desktop或Claude Code的配置
• 模型权重在第一次工具调用时延迟下载

选项：

protein-design-mcp-setup --docker    # Force Docker mode
protein-design-mcp-setup --local     # Force local Python mode
protein-design-mcp-setup --modal URL # Use Modal cloud GPU
protein-design-mcp-setup -y          # Skip confirmation prompt

______________________________________________________________________

2.史密斯利

如果你使用 史密瑟里:

npx -y @smithery/cli install protein-design-mcp --client claude

______________________________________________________________________

3.pip+手动配置

pip install protein-design-mcp                      # Core CPU (10 tools)
pip install "protein-design-mcp[gpu]"               # + PyTorch + ESM (13 tools)
pip install "protein-design-mcp[gpu,rosetta]"       # + PyRosetta (17 tools) *
pip install "protein-design-mcp[gpu,rosetta,boltz]" # + Boltz-2 (all 19 tools) **

\*PyRosetta需要一个 免费学术许可The [rosetta] 额外安装 pyrosetta-installer 它会在您接受许可证后提取车轮。

\*\*Boltz需要 torch>=2.2 这与RFdiffusion的 torch==2.0.1.安装在隔离的真空中，而不是旁边 [gpu].

添加到MCP客户端配置中：

克劳德桌面版 (~/Library/Application Support/Claude/claude_desktop_config.json 在macOS上）：

{
  "mcpServers": {
    "protein-design": {
      "command": "protein-design-mcp"
    }
  }
}

克劳德代码 (.mcp.json 在项目根目录中）：

{
  "mcpServers": {
    "protein-design": {
      "command": "protein-design-mcp"
    }
  }
}

编辑配置后重新启动客户端。

______________________________________________________________________

4.Docker

隔离、可复制的环境，预装了所有计算后端。 主注册表： .

拉

# Latest release (GPU image, ~12GB, bundles RFdiffusion + ProteinMPNN + ESMFold + ColabFold + ESM2 + OpenMM)
docker pull jeonghyeonkim8652/protein-design-mcp:latest
docker pull jeonghyeonkim8652/protein-design-mcp:1.0.0   # pin a specific version

GHCR反射镜（等效）：

docker pull ghcr.io/jasonkim8652/protein-design-mcp:latest

图片中包含的工具： 第13页，共19页6个许可证/冲突门控工具(rosetta_*, predict_*_boltz)没有捆绑在一起，而是通过pip extras安装。看 可选工具.

运行（GPU）

模型权重在首次使用时缓慢下载，并保存在指定的卷中，因此后续运行是即时的：

docker volume create protein-design-models

docker run --rm -i \
  --gpus all \
  -v protein-design-models:/models \
  -v $(pwd):/data \
  jeonghyeonkim8652/protein-design-mcp:latest

GPU模式需要 NVIDIA容器工具包映像stdin/stdout是MCP协议——您通常不会直接运行它，您的MCP客户端会运行它（见下文）。

运行（CPU）

无GPU——适用于同一图像：

docker run --rm -i \
  -e DEVICE=cpu \
  -v protein-design-models:/models \
  -v $(pwd):/data \
  jeonghyeonkim8652/protein-design-mcp:latest

CPU模式禁用 design_binder, design_fold, generate_backbone （RFdiffusion仅适用于GPU）→ 10 工具可用。

MCP客户端配置

克劳德桌面版 (~/Library/Application Support/Claude/claude_desktop_config.json 在macOS上，或 %APPDATA%/Claude/claude_desktop_config.json 在Windows上）：

{
  "mcpServers": {
    "protein-design": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm", "--gpus", "all",
        "-e", "SKIP_MODEL_DOWNLOAD=true",
        "-v", "protein-design-models:/models",
        "-v", "/absolute/path/to/your/pdbs:/data",
        "jeonghyeonkim8652/protein-design-mcp:latest"
      ]
    }
  }
}

克劳德代码 (.mcp.json 在项目根目录中）：

{
  "mcpServers": {
    "protein-design": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm", "--gpus", "all",
        "-v", "protein-design-models:/models",
        "-v", "${workspaceFolder}:/data",
        "jeonghyeonkim8652/protein-design-mcp:latest"
      ]
    }
  }
}

对于 仅CPU主机，下降 "--gpus", "all" 并添加 "-e", "DEVICE=cpu".

编辑配置后重新启动MCP客户端。

Docker Hub上可用的标签

查看完整的标签列表 .

本地建设

git clone https://github.com/jasonkim8652/protein-design-mcp.git
cd protein-design-mcp
docker build -t protein-design-mcp:dev .                  # GPU image
docker build -f Dockerfile.lite -t protein-design-mcp:lite .  # CPU-only, ~3-5GB

GPU构建需要约30 GB的可用磁盘和约20分钟。

______________________________________________________________________

5.模态（云GPU）

没有本地GPU？部署到您自己的 模态 账户按需无服务器GPU，按秒计费（约1.10美元/小时A10G）。容器在闲置5分钟后自动停止。

pip install modal
modal setup                          # One-time: link your Modal account

git clone https://github.com/jasonkim8652/protein-design-mcp.git
cd protein-design-mcp
pip install -e .
modal deploy deploy/modal_app.py     # Deploy GPU endpoint

部署后，Modal会打印您的端点URL。通过本地代理连接：

{
  "mcpServers": {
    "protein-design": {
      "command": "python",
      "args": ["-m", "protein_design_mcp.modal_proxy"],
      "env": {
        "MODAL_URL": "https://--protein-design-tools.modal.run"
      }
    }
  }
}

全部19种工具可用。本地PDB文件会自动发送到Modal。

______________________________________________________________________

6.来源（发展）

git clone https://github.com/jasonkim8652/protein-design-mcp.git
cd protein-design-mcp
pip install -e ".[gpu,dev]"
python -m protein_design_mcp.server

______________________________________________________________________

CPU与GPU

GPU被自动检测。要强制CPU模式，请设置 DEVICE=cpu.

可用工具

标记的工具 （可选） 没有捆绑在Docker镜像中。看 可选工具 用于安装。

设计与生成

design_binder （仅GPU）

端到端粘合剂设计：RF扩散（骨架）->ProteinMPNN（序列）->ESMFold（验证）。

{
  "target_pdb": "path/to/target.pdb",
  "hotspot_residues": ["A45", "A46", "A49"],
  "num_designs": 10,
  "binder_length": 80
}

返回带有序列、PDB结构、pLDDT、pTM和mpnn_score的排名设计。

generate_backbone （仅GPU）

使用无条件射频扩散从头生成骨架。不需要靶蛋白。

{"length": 100, "num_designs": 5}

design_fold （仅GPU）

端到端从头折叠设计：射频扩散（无条件骨干）→ 蛋白质MPNN（序列）→ AlphaFold2（验证，退回ESMFold）。返回按pLDDT/pTM筛选的排名设计。

{"length": 120, "num_designs": 10, "num_sequences_per_backbone": 4}

design_sequence

使用ProteinMPNN设计给定骨架的序列。不像 optimize_sequence （它改进了现有的序列），这种设计从零开始，只提供了一个骨干PDB——之后的正确工具 generate_backbone可选择使用ESMFold验证每个设计。

{
  "backbone_pdb": "path/to/backbone.pdb",
  "num_sequences": 8,
  "sampling_temp": 0.1,
  "fixed_positions": [1, 5, 10],
  "validate": true
}

optimize_sequence

使用ProteinMPNN重新设计蛋白质序列以提高稳定性和/或结合亲和力。

{
  "current_sequence": "MTKLYV...",
  "target_pdb": "path/to/target.pdb",
  "optimization_target": "both",
  "fixed_positions": [1, 5, 10]
}

结构预测

predict_structure

通过ESMFold（快速）或AlphaFold2（准确）进行单链结构预测。

{"sequence": "MTKLYV...", "predictor": "esmfold"}

返回PDB文件，平均pLDDT，pTM，每残留置信度。

predict_complex

使用AlphaFold2多聚体进行多链复杂结构预测。

{
  "sequences": ["BINDER_SEQ...", "TARGET_SEQ..."],
  "chain_names": ["binder", "target"]
}

使用pLDDT、pTM/ipTM和PAE矩阵返回预测的复杂PDB。

predict_structure_boltz （仅GPU， 可选的)

单链结构预测 螺栓-2 --与AF2竞争的快速、高精度开放式模型。

{"sequence": "MTKLYV...", "model": "boltz2", "num_samples": 1}

返回预测的PDB、平均pLDDT、pTM。

predict_affinity_boltz （仅GPU， 可选的)

用Boltz-2预测多链复合物+结合亲和力。返回亲和力得分以及预测的复杂结构和置信度指标。

{"sequences": ["BINDER_SEQ...", "TARGET_SEQ..."], "model": "boltz2"}

validate_design

预测设计序列的结构，并根据参考值计算RMSD。

{
  "sequence": "MTKLYV...",
  "expected_structure": "path/to/reference.pdb",
  "predictor": "esmfold"
}

分析与评分

analyze_interface

分析蛋白质-蛋白质界面：接触、埋表面积、氢键、盐桥。

{"complex_pdb": "path/to/complex.pdb", "chain_a": "A", "chain_b": "B"}

suggest_hotspots

从多个来源预测绑定热点。接受蛋白质名称、UniProt ID、PDB ID或文件路径。

{"target": "EGFR", "criteria": "druggable", "include_literature": true}

标准： "exposed" （SASA）， "druggable" （口袋几何形状）， "conserved" （进化）。

score_stability

通过ESM2伪对数似然法进行蛋白质稳定性评分。可选择对单个突变进行评分。

{
  "sequence": "MTKLYV...",
  "mutations": ["A42G", "L55V"]
}

返回总体稳定性得分和每个突变的增量对数似然性（稳定/不稳定）。

energy_minimize

OpenMM（AMBER14+隐式溶剂）的全原子能量最小化。

{"pdb_path": "path/to/structure.pdb", "num_steps": 500, "solvent": "implicit"}

从输入中返回最小化的PDB、能量变化和RMSD。

Rosetta（基于物理的设计和评分）-- 可选的

PyRosetta支持的基于物理的评分、放松和固定骨干设计工具。全部使用 ref2015 默认情况下。 未捆绑在Docker中 --通过安装 pip install "protein-design-mcp[rosetta]" 在接受PyRosetta许可证后。

rosetta_score

使用Rosetta能量函数对结构进行评分。返回总分、每残基能量和成分分解。

{"pdb_path": "path/to/structure.pdb", "score_function": "ref2015"}

rosetta_relax

FastRelax协议，以找到低能量构象。从输入中返回放松的PDB、前后能量和CA-RMSD。

{"pdb_path": "path/to/structure.pdb", "nstruct": 1}

rosetta_interface_score

通过以下方式进行接口分析 InterfaceAnalyzerMover：结合能（dG_分离）、埋表面积（dSASA）、界面氢键、封隔剂。

{"pdb_path": "path/to/complex.pdb", "chains": "A_B"}

rosetta_design

固定骨干网重新设计管道：得分→ PackRotamers→ MinMover→ 分数。返回设计的PDB、突变列表和能量增量。复合工具——在基准测试模式下，调用 rosetta_score / rosetta_relax 相反，个人。

{"pdb_path": "path/to/input.pdb", "chains": "A_B", "fixed_positions": [12, 14, 18]}

效用

get_design_status

检查长时间运行的设计作业的进度。

{"job_id": "abc123"}

可选工具：PyRosetta+Boltz-2

这6个工具(rosetta_score, rosetta_relax, rosetta_interface_score, rosetta_design, predict_structure_boltz, predict_affinity_boltz)都是 未包含在Docker镜像中 因为：

• PyRosetta 需要Rosetta许可证（学术免费，商业付费），并且不能在容器中合法重新分发。
• 螺栓-2 需求 torch>=2.2，而RFdiffusion的依赖链（e3nn，dgl）引脚 torch==2.0.1两者不能共存。

安装PyRosetta工具

1. 注册于 pyroseta.org/下载 并接受许可。
2. 在MCP服务器旁边安装：

   pip install "protein-design-mcp[gpu,rosetta]"
   python -c "import pyrosetta_installer; pyrosetta_installer.install_pyrosetta()"

1. 验证： python -c "import pyrosetta; print(pyrosetta.__version__)"

The 4 rosetta_* 工具立即可用。

安装Boltz-2工具

创建一个单独的virtualenv（与RFdiffusion割炬堆栈隔离）：

python -m venv ~/.venvs/protein-design-boltz
source ~/.venvs/protein-design-boltz/bin/activate
pip install "protein-design-mcp[boltz]"

然后把你的MCP客户端指向这个venv protein-design-mcp 二进制（或运行两个MCP服务器——一个用于RFdiffusion/Docker工具，一个用于Boltz）。

并排配置两个MCP服务器

{
  "mcpServers": {
    "protein-design": {
      "command": "docker",
      "args": ["run", "-i", "--rm", "--gpus", "all",
               "-v", "protein-design-models:/models",
               "jeonghyeonkim8652/protein-design-mcp:latest"]
    },
    "protein-design-boltz": {
      "command": "/home/you/.venvs/protein-design-boltz/bin/protein-design-mcp"
    }
  }
}

您的LLM将通过两个服务器查看所有19个工具，并调用适当的工具。

配置

建筑

MCP Server (stdio)
 |
 +-- Design tools
 |    +-- design_binder         RFdiffusion -> ProteinMPNN -> ESMFold
 |    +-- design_fold           RFdiffusion -> ProteinMPNN -> AlphaFold2
 |    +-- generate_backbone     RFdiffusion (unconditional)
 |    +-- design_sequence       ProteinMPNN (+ optional ESMFold validation)
 |    +-- optimize_sequence     ProteinMPNN + ESMFold
 |
 +-- Structure prediction
 |    +-- predict_structure       ESMFold or AlphaFold2
 |    +-- predict_complex         AlphaFold2-Multimer (ColabFold)
 |    +-- predict_structure_boltz Boltz-2 (monomer)
 |    +-- predict_affinity_boltz  Boltz-2 (complex + affinity)
 |    +-- validate_design         Structure prediction + RMSD
 |
 +-- Rosetta (PyRosetta)
 |    +-- rosetta_score           ref2015 energy scoring
 |    +-- rosetta_relax           FastRelax
 |    +-- rosetta_interface_score InterfaceAnalyzerMover
 |    +-- rosetta_design          PackRotamers + MinMover
 |
 +-- Analysis tools
 |    +-- analyze_interface   PDB geometry analysis
 |    +-- suggest_hotspots    SASA + pockets + UniProt + PubMed
 |    +-- score_stability     ESM2 pseudo-log-likelihood
 |    +-- energy_minimize     OpenMM (AMBER14)
 |
 +-- Utilities
      +-- get_design_status  Job queue polling
      +-- Structure fetching (RCSB, AlphaFold DB, UniProt)
      +-- Conservation scoring, caching

发展

git clone https://github.com/jasonkim8652/protein-design-mcp.git
cd protein-design-mcp
pip install -e ".[gpu,dev]"

pytest tests/           # Run tests
ruff check .            # Lint
black .                 # Format
mypy src/               # Type check

许可证

Apache许可证2.0-请参阅 许可证 了解详情。

参考文献

• MCP规范
• 射频扩散 -蛋白质骨架生成
• 蛋白质MPNN -序列设计
• ESMFold/ESM2 -结构预测和稳定性评分
• Colab折叠 -使用MMseqs2的快速AlphaFold2
• 博尔茨 -开放式结构和亲和力预测
• PyRosetta -基于物理的蛋白质建模
• OpenMM -分子动力学和能量最小化