gget-mcp 是一个为 gget 生物信息学库实现的 MCP（Model Context Protocol）服务器，旨在为 AI 助手和智能体提供访问生物信息学工具与数据库的标准化接口。借助 MCP，AI 可以通过结构化接口执行复杂的基因组学查询。
【用途】 该项目将 gget 生物信息学工具包的常用功能封装为 MCP 工具，使 AI 助手能够以自然语言完成基因组数据库查询与序列分析等任务。gget 本身提供对基因组数据库的高效查询能力。
【主要能力】 服务器提供的工具按类别划分如下：
- 基因信息与检索：gget_search（根据搜索词查找 Ensembl ID）、gget_info（获取 Ensembl ID 的详细信息）、gget_seq（获取核苷酸或氨基酸序列）、gget_ref（从 Ensembl 获取参考基因组信息）。
- 序列分析：gget_blast（对核苷酸或氨基酸序列进行 BLAST）、gget_blat（查找序列的基因组位置）、gget_muscle（多序列比对）。
- 表达与功能分析：gget_archs4（从 ARCHS4 获取基因表达数据）、gget_enrichr（进行基因集富集分析）。
- 蛋白质结构与功能：gget_pdb（从 PDB 获取蛋白质结构数据）、gget_alphafold（使用 AlphaFold 预测蛋白质结构）。
- 癌症与突变分析：gget_cosmic（在 COSMIC 数据库中检索癌症突变）。
- 单细胞分析：gget_cellxgene（查询 CellxGene 的单细胞 RNA-seq 数据）。
【使用方式】
- 运行：可使用 uvx 直接运行 gget-mcp 服务器而无需克隆仓库。若遇到问题，通常可通过清理 uv 缓存解决。HTTP 模式会启动一个 Web 服务器，可访问 http://localhost:3002/mcp（文档位于 http://localhost:3002/docs）。STDIO 模式面向通过标准输入/输出通信的 MCP 客户端；SSE 模式使用 Server-Sent Events 进行实时通信。
- 配置客户端：提供针对不同用例的预配置 JSON 文件。STDIO 模式（推荐）适用于大多数 AI 客户端，尤其当你希望将大型输出文件（序列、结构、比对）保存到磁盘而非作为文本返回时。另有 HTTP 模式配置。
- 检查工具：如需查看服务器提供的方法，可使用 npx 运行 MCP Inspector（可能需要安装 Node.js 和 npm）。对于 STDIO 模式配合 uvx 有相应命令；也可手动运行 Inspector 并通过界面配置。之后可在 MCP Inspector（通常位于 6274 端口，多次运行可能改变端口）中浏览工具与资源。
- 集成 AI 系统：将 AI 客户端（如 Cursor、Windsurf、ClaudeDesktop、带 Copilot 的 VS Code 等）指向仓库中合适的配置文件即可。
- 若已克隆仓库，可配合 uv 运行服务器。
仓库还提供了 Claude Desktop + gget_mcp 的 Windows 分步指南，涵盖 Google Drive 集成，包括安装 Google Drive for Desktop、配置离线访问、安装 uv 与 Node.js、编辑 claude_desktop_config.json 添加 gget_mcp 服务器配置、在 Claude Desktop 的扩展与开发者选项卡中启用并验证等步骤，最终可将获取的基因序列、蛋白质数据等直接保存到 Google Drive 离线文件夹并自动同步。
【适用场景】 可用于自然语言驱动的生物信息学分析，例如：分析 TP53 基因并查找蛋白序列与癌症突变；预测给定蛋白序列的 3D 结构（如 BLAST 识别为绿色荧光蛋白 GFP，AlphaFold 预测出经典 β-桶结构且置信度 90%+）；对 DNA 修复相关基因（TP53、BRCA1、BRCA2、ATM）进行通路富集分析（如 DNA Damage Response、Homologous Recombination、Cell Cycle Checkpoints、p53 Signaling）。批量操作如搜索所有凋亡相关基因并生成汇总表，或跨库交叉引用（从 Ensembl 和 UniProt 获取 COL1A1 信息）也被列为使用示例。
【限制与安全】 安全特性包括：输入校验（对所有 gget 函数进行全面的参数验证）、错误处理（稳健的、附带信息性消息的错误处理）、速率限制（对使用外部 API 与数据库保持克制）、数据校验（类型检查与数据格式验证）。 测试与验证：项目提供全面的测试，包括单元测试和针对依赖网络操作的集成测试。评测测试（test_judge.py）使用大语言模型评估 AI 智能体使用 gget 工具的表现，已自动从 CI/CD 中排除以避免成本，需要 API 密钥（GEMINI_API_KEY 或类似），可能产生 LLM API 提供商的费用，仅用于本地开发和手动评估。 GitHub Actions 工作流：CI（.github/workflows/ci.yml）在每次推送/PR 时运行基本 lint 与快速测试；Tests（.github/workflows/test.yml）跨多种操作系统与 Python 版本进行综合测试，包含各平台快速测试、集成测试（可能需要网络）、慢速测试（如 BLAST 操作，仅在 Ubuntu + Python 3.11 运行）、代码覆盖率报告以及使用 bandit 和 safety 的安全检查；Publish（.github/workflows/publish.yml）在推送标签时发布到 PyPI。 注意：目前没有 Swagger/OpenAPI 接口，直接在浏览器访问服务器不会有太多有用信息；如需探索可用工具与能力，应使用 MCP Inspector 或通过 MCP 客户端连接查看。使用 MCP Inspector 的 npx 方式需确保安装 Node.js 与 npm，推荐用 nvm 管理 Node.js 版本。此外，gget 需从在线数据库获取数据，因此需要稳定的网络连接。
该指南更新于 2025 年 10 月 13 日。
