AI导哈

药物靶点结合位点分析工具

PocketScout是一款快速分析药物靶点结合位点的AI辅助工具，能够整合蛋白质口袋的结构、化学性质、保守性和文献信息，为计算性结合剂设计提供决策支持。

  • by Proprius-Labs
  • Python
  • 本地部署
  • 1 星标
  • 更新于
在 GitHub 查看 Proprius-Labs/pocketscout-mcp

使用说明

🔬 PocketScout MCP

在设计活页夹之前，先了解装订环境。

PocketScout是一种针对药物靶点结合位点的快速分类工具，它为AI助手提供了在几分钟内将有关蛋白质口袋的所有已知信息（结构、化学、保护、文献）整合到一个简报中的工具。作为计算粘合剂设计之前的侦察步骤，它特别方便，填补了两者之间的空白 “我有一个目标” 和 “我在运行RFdiffusion。”

开始使用

在claude.ai上立即使用（无需安装）

  1. 首选 claude.ai→ 定制→ 连接器→ +
  2. 姓名： PocketScout
  3. 网址： https://pocketscout-mcp.up.railway.app/mcp
  4. 问克劳德：

“评估KRAS G12C（PDB 6OIM）作为从头开始蛋白质粘合剂设计的目标。最好的口袋在哪里，我应该注意什么？”

与Claude Code一起使用

claude mcp add pocketscout --transport http https://pocketscout-mcp.up.railway.app/mcp

与Claude Desktop一起使用

添加到您的 claude_desktop_config.json:

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json 视窗: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "pocketscout": {
      "url": "https://pocketscout-mcp.up.railway.app/mcp"
    }
  }
}

重新启动Claude Desktop，然后让Claude评估目标。

问题

药物发现科学家花费数小时到数天的时间在6-10个浏览器标签页上手动收集信息，然后才能对目标做出明智的决定。科学家们评估一个不熟悉的目标，新的团队成员试图跟上速度，以及寻找或筛选许多候选人的BD角色都面临着同样的瓶颈：他们检查UniProt的功能，浏览PDB的结构，搜索ChEMBL的现有技术，阅读论文以获取变构见解，然后在脑海中综合所有这些。

这个手动分类步骤是活动悄悄出错的地方。一位科学家在没有检查200种化合物已经在那里失效的情况下，选择了明显的正构位点。他们错过了2023年一篇论文中描述的变构口袋。他们没有意识到结合位点残基在小鼠体内是不保守的，直到他们的体内模型失败。具体来说，对于活页夹设计活动来说，这是“我有一个目标”和知道将哪个口袋交给RFdiffusion之间的差距。

解决方案

PocketScout为AI助手（Claude或任何兼容MCP的模型）提供了在几分钟内而不是几小时内执行系统结合位点分诊的工具——无论你是第一次筛查目标，向新团队成员介绍情况，还是准备计算设计活动。八种工具组成了一个科学的工作流程，反映了专家药物化学家如何实际评估目标。

工具

工具 功能 关键API
characterize_target 生物背景+AlphaFold信心 UniProt，AlphaFold数据库
get_related_structures 所有PDB结构、配体、质量 RCSB PDB搜索
get_binding_sites 绘制已知有残留物接触的口袋 RCSB PDB数据+宝石
get_ligand_history 来自生物活性数据的竞争格局 ChEMBL
check_conservation 人类与小鼠在结合残基上的比较 UniProt Orthologs
search_target_literature 以结构/设计为重点的论文 PubMed电子实用程序
check_known_variants 标记结合位点残基处的已知疾病/抗性变体 UniProt
consolidate_binding_sites 目标所有结构的口袋联盟，按重复性排序 RCSB PDB+gemmi

编排提示

target_briefing --药物靶点的快速分诊简报：蛋白质是什么，它的主要口袋，竞争格局，以及在深入研究之前值得了解的一两件事。使用此功能进行快速的首次通过评估。

binding_site_assessment --深入、以设计为重点的检查。按照科学的工作流程顺序，引导人工智能通过所有工具，对具有证据、权衡和设计参数的绑定区域进行排名推荐。

本地安装（可选）

如果您更喜欢自己运行服务器：

pip install pocketscout-mcp

或来源：

git clone https://github.com/Proprius-Labs/pocketscout-mcp.git
cd pocketscout-mcp
pip install -e .

需要Python 3.11+。 如果您的系统Python较旧，请使用 紫外线: uv pip install pocketscout-mcp

然后配置Claude Desktop在本地运行：

{
  "mcpServers": {
    "pocketscout": {
      "command": "pocketscout-mcp"
    }
  }
}

小贴士：如果在虚拟环境中安装，请使用完整路径： "command": "/path/to/venv/bin/pocketscout-mcp"

使用MCP检查员进行测试

fastmcp dev src/pocketscout_mcp/server.py

设计决策

为什么是这些工具？

该工具集反映了经验丰富的药物发现科学家评估新靶点的实际决策工作流程。每个工具都回答了一个特定的问题，这个问题决定了下一个决策：

  1. 特征化_目标: “我在看什么？” --如果不知道蛋白质家族、位置和结构质量，就无法解释结合位点。这里包括AlphaFold置信度，因为它决定了下游结构分析是否值得信赖。

  2. get_related_structures: “我们知道多少？” --具有200个共晶结构的靶与具有单个低温EM图的靶是不同的问题。此步骤设定了结合位点分析的预期。

  3. get_binding_sites: “我在哪里可以绑定？” --核心交付成果。下载mmCIF坐标文件，使用gemmi计算每个共结晶配体4.5A内的残基接触，并通过基于大小的药物可药用性评估对囊袋（正构、变构、辅因子）进行分类。当一个结构同时具有辅因子和非辅因子配体时，非重叠位点会自动重新分类为变构。

  4. get_ligand_history: “尝试了什么？” --确定您是进入拥挤的空间还是绿地。拥挤的正构位点需要新的位点或模式。

  5. check_保存: “我的鼠标模型能用吗？” --非保守的结合残基意味着你的临床前模型可能会给出误导性的结果。这是大多数科学家跳过的步骤，也是最常导致后期失败的步骤。

  6. search_target_literature: “专家们知道数据库不知道的是什么？” --MD模拟的隐性位点、诱变研究的变构机制、重塑口袋的抗性突变——这些见解存在于论文中，而不是数据库中。

  7. check_known_variations: “这个口袋会从我下面变出来吗？” --记录为耐药性/疾病变体的结合位点残基（如EGFR T790M）标志着在药物压力下发生变化的口袋。

  8. 合并_投资_网站: “哪个口袋是真实的和反复出现的？” --工会遍布目标的所有结构，因此占主导地位的、反复观察到的地点从一个地方脱颖而出。

为什么不包括口袋预测？

fpocket、P2Rank和SiteMap等工具通过计算预测新的结合位点。这些都很有价值，但需要计算基础设施（CPU/GPU），不适合基于轻量级API的工具的MCP模型。PocketScout专注于 已知 结合实验数据和文献中的智力。Pocket预测属于一个单独的面向计算的服务器。

为什么要预先计算解释？

每个工具都返回原始数据和 interpretation 具有科学背景的领域。这是一个深思熟虑的设计选择：解释编码了领域专业知识，帮助人工智能做出更好的推理决策。对于克劳德来说，一份ChEMBL活动的原始清单比结构化的竞争格局评估更难推理。

为什么要保护老鼠和食蟹猴的局部环境？

完全的多物种保护需要多序列比对，如果没有适当的间隙处理，计算成本很高，而且容易出错。该工具现在检查三种临床前模型生物——小鼠（NCBI分类10090）、大鼠（10116）和食蟹猴（9541）——在一次通话中涵盖了啮齿动物和非人类灵长类动物的可翻译性问题。使用局部上下文（滑动窗口）匹配来独立评估每个物种，以处理人类和直系同源序列之间的插入/删除，提供准确的残基对应，而不需要完全的MSA或BioPython依赖性。该工具刻意保持轻量级：没有MSA，没有外部对齐工具，没有严重的依赖关系。

建筑

User: "Assess PDB 7S4S for de novo binder design"
  │
  ▼
Claude (or any MCP client)
  │
  ├── characterize_target(pdb_id="7S4S")
  │     └── UniProt API + AlphaFold DB
  │
  ├── get_related_structures(pdb_id="7S4S")
  │     └── RCSB PDB Search API
  │
  ├── get_binding_sites(pdb_id="7S4S")
  │     └── RCSB PDB Data API
  │
  ├── get_ligand_history(uniprot_id="...")
  │     └── ChEMBL REST API
  │
  ├── check_conservation(uniprot_id="...", residues=[...])
  │     └── UniProt Orthologs
  │
  ├── check_known_variants(uniprot_id="...", residues=[...])
  │     └── UniProt variants
  │
  ├── consolidate_binding_sites(uniprot_id="...")
  │     └── RCSB PDB + gemmi (cross-structure)
  │
  └── search_target_literature(gene_name="...")
        └── PubMed E-utilities
  │
  ▼
Ranked binding site assessment with evidence + trade-offs

输出示例

看 examples/egfr_assessment.md 使用EGFR（PDB 1M17）进行完整的演练，EGFR是一种研究良好的激酶，具有丰富的结构和化学数据。

配置

PubMed API密钥（可选但推荐）

在没有密钥的情况下，NCBI速率限制为每秒3个请求。获取免费钥匙 美国国家生物技术信息中心 并设置：

export NCBI_API_KEY=your_key_here

局限性

  • 无口袋预测：PocketScout报告 已知 实验结构中的结合位点。新颖/神秘的站点预测需要此处未包含的计算工具。
  • 简化保护：使用局部上下文匹配进行人类与小鼠、大鼠和食蟹猴的比较。处理指数，但不是完整的MSA——对大多数药物靶点都准确。
  • 仅限公共数据：所有数据均来自公共API（UniProt、PDB、ChEMBL、PubMed、AlphaFold DB）。专有数据库无法访问。

路线图

  • [x] 与gemmi协调水平结合位点分析
  • [x] CIF文件中的每残留AlphaFold pLDDT
  • [x] 多物种保护（通过当地上下文匹配小鼠/大鼠/食蟹猴）
  • []与计算口袋预测（fpocket-MCP）集成
  • []从系综结构中检测变构位点
  • []专利景观整合（SureChEMBL）

贡献

PR欢迎。看 贡献.md 作为指导方针。

许可证

麻省理工学院

作者

Paul Mangiamele博士 Proprius实验室 · 领英

相关 MCP