Biomart MCP

Biomart MCP

Ein MCP-Server zur Schnittstelle mit Biomart

Das Model Context Protocol (MCP) ist ein offenes Protokoll, das die Bereitstellung von Kontext für LLMs durch Anwendungen standardisiert, die von Anthropic entwickelt wurden. Hier verwenden wir das MCP-Python-SDK, um einen MCP-Server zu erstellen, der über das Paket „pybiomart“ mit Biomart kommuniziert.

Es gibt ein kurzes Demo-Video, das den MCP-Server auf Claude Desktop in Aktion zeigt.

Installation

Installation über Smithery

So installieren Sie Biomart MCP für Claude Desktop automatisch über Smithery :

Klonen Sie das Repository

Claude Desktop

Cursor

Über den Agentenmodus von Cursor können auch andere Modelle MCP-Server nutzen, beispielsweise von OpenAI oder DeepSeek. Klicken Sie auf das Zahnrad für die Cursoreinstellungen und navigieren Sie zu MCP Fügen Sie den MCP-Server entweder zur globalen Konfiguration hinzu oder fügen Sie ihn dem Projektbereich hinzu, indem Sie .cursor/mcp.json zum Projekt hinzufügen.

Beispiel .cursor/mcp.json :

Glama

Entwicklung

Merkmale

Biomart-MCP bietet mehrere Tools zur Interaktion mit Biomart-Datenbanken:

• Mart- und Dataset-Erkennung : Listen Sie verfügbare Marts und Datasets auf, um die Biomart-Datenbankstruktur zu erkunden
• Attribut- und Filtererkundung : Zeigen Sie allgemeine oder alle verfügbaren Attribute und Filter für bestimmte Datensätze an
• Datenabruf : Abfrage von Biomart mit bestimmten Attributen und Filtern, um biologische Daten zu erhalten
• ID-Übersetzung : Konvertierung zwischen verschiedenen biologischen Kennungen (z. B. Gensymbole in Ensembl-IDs)

Beitragen

Pull Requests sind willkommen! Einige kleine Hinweise zur Entwicklung:

• Wir verwenden hier absichtlich nur @mcp.tool() , um die Kompatibilität mit Clients zu maximieren, die MCP unterstützen, wie in den Dokumenten zu sehen.
• Wir verwenden @lru_cache , um Ergebnisse von Funktionen zwischenzuspeichern, die rechenintensiv sind oder externe API-Aufrufe tätigen.
• Wir müssen darauf achten, das Kontextfenster des Modells nicht zu sehr zu vergrößern. Beispielsweise sieht man an vielen Stellen df.to_csv(index=False).replace("\r", "") . Diese Rückgabe im CSV-Stil ist deutlich tokeneffizienter als beispielsweise df.to_string() , wo die meisten Token Leerzeichen sind. Beachten Sie außerdem, dass das Abrufen aller Gene aus einem Chromosom oder ähnlich umfangreiche Anfragen ebenfalls zu groß für das Kontextfenster ist.

Mögliche zukünftige Funktionen

Natürlich könnten noch viele weitere Funktionen hinzugefügt werden, einige davon gehen möglicherweise über den Namen biomart-mcp hinaus. Hier sind einige Ideen:

• Fügen Sie Webscraping für Ressourcenseiten mit bs4 hinzu. Beispielsweise haben wir die Ensembl-Gen-ID für NOTCH1 erhalten. In einigen Fällen wäre es möglicherweise nützlich, die gesammelten Comments and Description Text from UniProtKB von der Seite auf UCSC abzurufen.
• Loading...