🧬 BioNext MCP Server - 智能生物信息学分析助手

📋 项目简介

BioNext MCP Server 是一个专为 MCP&Agent挑战赛 设计的智能生物信息学分析助手，基于Model Context Protocol (MCP) 实现。该服务器使研究人员能够通过自然语言对话与AI助手进行复杂的生物数据分析，无需编程专业知识。

🎯 核心特性

• 🤖 智能工作流规划: 自动分析用户需求并创建完整的生物信息学分析工作流
• 🔧 自动化脚本执行: 自动检测Python环境，安装依赖包，执行分析脚本
• 📊 专业报告生成: 生成美观的HTML执行报告，包含详细的执行统计和结果分析
• 🔄 工作流调试: 提供完整的错误诊断和调试建议
• 🌐 多数据类型支持: 支持单细胞RNA测序、基因表达、基因组学、蛋白质组学等

🧪 应用场景

• 单细胞RNA测序分析: 细胞类型鉴定、差异表达分析、轨迹推断
• 基因表达分析: 差异基因识别、功能富集分析、通路分析
• 基因组学分析: 变异检测、结构变异分析、比较基因组学
• 蛋白质组学分析: 蛋白质定量、修饰位点分析、互作网络构建

🚀 部署指南

环境要求

• Python版本: 3.8 或更高版本
• 操作系统: Windows, macOS, Linux
• 内存: 建议 4GB 以上
• 存储: 建议 2GB 可用空间

安装方法

方法1: 从PyPI安装（推荐）

# 使用pip安装
pip install bionext-mcp

# 或使用uv安装
uv add bionext-mcp

方法2: 从源码安装

# 克隆仓库
git clone https://github.com/Cherine0205/BioNext-mcp.git
cd BioNext-mcp

# 安装依赖
pip install -r requirements.txt

# 安装包
pip install -e .

MCP客户端配置

Cherry Studio 配置

{
  "bionext-mcp": {
    "command": "python",
    "args": ["-m", "bionext_mcp"],
    "env": {
      "PROJECT_PATH": "./analysis"
    }
  }
}

使用uvx运行（推荐）

{
  "bionext-mcp": {
    "command": "uvx",
    "args": ["bionext-mcp"]
  }
}

本地测试

# 以模块运行
python -m bionext_mcp

# 或使用uvx
uvx bionext-mcp

💡 使用示例

示例1: 单细胞RNA测序分析

用户请求: "请帮我分析单细胞RNA测序数据，识别细胞类型并进行差异表达分析"

MCP工具调用:

# 1. 分析任务
result = analyze_bioinformatics_task(
    user_request="单细胞RNA测序分析，识别细胞类型并进行差异表达分析",
    data_files=["scRNA_data.h5ad"],
    additional_context="数据包含10000个细胞，20000个基因"
)

# 2. 执行Claude生成的脚本
execution_result = execute_claude_script(
    claude_response="```python\nimport scanpy as sc\n# 分析代码...\n```",
    workflow_id="scRNA_analysis_001"
)

输出结果:

• 自动生成的分析工作流
• 细胞类型聚类结果
• 差异表达基因列表
• 可视化图表
• 完整的HTML执行报告

示例2: 基因表达差异分析

用户请求: "比较对照组和实验组的基因表达差异，找出显著上调的基因"

执行流程:

1. 自动检测Python环境
2. 安装必要的包（pandas, numpy, scipy等）
3. 执行差异分析脚本
4. 生成火山图和热图
5. 输出差异基因列表

示例3: 工作流调试

当分析过程中遇到问题时：

# 调试工作流
debug_info = debug_workflow(
    workflow_id="failed_workflow_123",
    error_context="脚本执行失败，提示模块导入错误"
)

调试输出:

• 工作流状态检查
• 错误文件分析
• 环境依赖验证
• 具体的解决建议

🔧 核心工具说明

1. analyze_bioinformatics_task

• 功能: 分析用户需求并创建生物信息学工作流
• 输入: 用户请求、数据文件列表、额外上下文
• 输出: 工作流ID、分析计划、Claude提示

2. debug_workflow

• 功能: 工作流调试和错误诊断
• 输入: 工作流ID、错误上下文
• 输出: 调试报告、问题诊断、解决建议

3. execute_claude_script

• 功能: 自动执行Claude生成的Python脚本
• 输入: Claude响应内容、工作流ID、执行上下文
• 输出: 执行结果、HTML报告、错误信息

📊 执行报告示例

每次脚本执行后，系统会自动生成专业的HTML报告，包含：

• 执行统计: 总脚本数、成功/失败数量、成功率
• 详细结果: 每个脚本的输出、错误信息、执行状态
• 文件路径: 生成的脚本文件和分析结果位置
• 下一步建议: 基于执行结果的后续操作指导

🛠️ 开发信息

技术架构

• MCP框架: FastMCP
• 构建工具: Hatchling
• 包管理: pip/uv
• 报告生成: HTML + CSS

依赖包

• 核心: fastmcp>=0.1.0
• 兼容性: pathlib2 (Python < 3.4)
• 构建: hatchling

项目结构

bionext_mcp/
├── __init__.py          # 包初始化
├── __main__.py          # 入口点
├── my_server.py         # MCP服务器实现
└── dist/                # 构建产物
    ├── *.whl            # 轮子包
    └── *.tar.gz         # 源码包

🤝 贡献指南

我们欢迎社区贡献！如果您想参与项目开发：

1. Fork 本仓库
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启 Pull Request

📄 许可证

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。

📞 支持与反馈

• 项目地址: https://github.com/Cherine0205/BioNext-mcp
• 问题反馈: https://github.com/Cherine0205/BioNext-mcp/issues
• PyPI包: https://pypi.org/project/bionext-mcp/
• 魔搭MCP广场: https://modelscope.cn/mcp

🙏 致谢

感谢 MCP&Agent挑战赛 提供的平台和机会，让我们能够为生物信息学社区贡献这个智能分析工具。

---

BioNext MCP Server - 让生物信息学分析更智能、更简单！🧬✨