pubmed-search-mcp 0.1.13

MCP server for PubMed literature search with MeSH, PICO, and intelligent query expansion

PubMed Search MCP

AI Agent 的專業文獻研究助理 - 不只是 API 包裝器

A Domain-Driven Design (DDD) based MCP server that serves as an intelligent research assistant for AI agents, providing task-oriented literature search and analysis capabilities.

🚀 Quick Install

Via Smithery (Recommended for Claude Desktop)

npx -y @smithery/cli install pubmed-search-mcp --client claude

Via pip

pip install pubmed-search-mcp

Via uv

uv add pubmed-search-mcp

Via uvx (Zero Install)

uvx pubmed-search-mcp

⚙️ Configuration

Claude Desktop (claude_desktop_config.json)

{
  "mcpServers": {
    "pubmed-search": {
      "command": "uvx",
      "args": ["pubmed-search-mcp"],
      "env": {
        "NCBI_EMAIL": "[e-mail]"
      }
    }
  }
}

VS Code / Cursor (.vscode/mcp.json)

{
  "servers": {
    "pubmed-search": {
      "type": "stdio",
      "command": "uvx",
      "args": ["pubmed-search-mcp"],
      "env": {
        "NCBI_EMAIL": "[e-mail]"
      }
    }
  }
}

Note: NCBI_EMAIL is required by NCBI API policy. Optionally set NCBI_API_KEY for higher rate limits.

---

🎯 設計理念

• Agent-First - 為 AI Agent 設計，輸出優化為機器決策
• 任務導向 - Tool 以研究任務為單位，而非底層 API
• DDD 架構 - 以文獻研究領域知識為核心建模
• 上下文感知 - 透過 Session 維持研究狀態

定位：PubMed 專精的 AI 研究助理

• ✅ MeSH 專業詞彙整合 ← 其他來源沒有
• ✅ PICO 結構化查詢 ← 醫學專業
• ✅ ESpell 拼字校正 ← 自動糾錯
• ✅ 批次並行搜尋 ← 高效率

Features

• Search PubMed: Full-text and advanced query support
• Related Articles: Find papers related to a given PMID
• Citing Articles: Find papers that cite a given PMID
• Parallel Search: Generate multiple queries for comprehensive searches
• PDF Access: Get open-access PDF URLs from PubMed Central
• Export Formats: RIS, BibTeX, CSV, MEDLINE, JSON (EndNote/Zotero/Mendeley compatible)
• MCP Integration: Use with VS Code + GitHub Copilot or any MCP client
• Remote Server: Deploy as HTTP service for multi-machine access
• Submodule Ready: Use as a Git submodule in larger projects

🛠️ MCP Tools (14 個工具)

探索型 (Discovery)

Tool	說明	方向
search_literature	搜尋 PubMed 文獻	-
find_related_articles	尋找主題相似文章 (PubMed 演算法)	相似性
find_citing_articles	尋找引用此文的論文 (後續研究)	Forward ➡️
get_article_references	取得此文的參考文獻 (研究基礎)	Backward ⬅️
fetch_article_details	取得文章完整資訊	-
get_citation_metrics	取得引用指標 (iCite RCR/Percentile)	-
build_citation_tree	🆕 建構引用網絡樹 (6 種格式)	Both ↔️
suggest_citation_tree	🆕 評估是否值得建構引用樹	-

批次搜尋 (Parallel Search)

Tool	說明
parse_pico	解析 PICO 臨床問題 (搜尋入口)
generate_search_queries	產生多個搜尋策略 (ESpell + MeSH)
merge_search_results	合併去重搜尋結果
expand_search_queries	擴展搜尋策略

匯出工具 (Export)

Tool	說明
prepare_export	匯出引用格式 (RIS/BibTeX/CSV/MEDLINE/JSON)
get_article_fulltext_links	取得全文連結 (PMC/DOI)
analyze_fulltext_access	分析開放取用可用性

設計原則: 專注搜尋。Session/Cache/Reading List 皆為內部機制，自動運作，Agent 無需管理。

---

📋 Agent 使用流程

快速搜尋 (Simple Search)

search_literature(query="remimazolam ICU sedation", limit=10)

使用 PubMed 官方語法

# MeSH 標準詞彙
search_literature(query='"Diabetes Mellitus"[MeSH]')

# 欄位限定
search_literature(query='(BRAF[Gene Name]) AND (melanoma[Title/Abstract])')

# 日期範圍
search_literature(query='COVID-19[Title] AND 2024[dp]')

# 文章類型
search_literature(query='propofol sedation AND Review[pt]')

# 組合搜尋
search_literature(query='("Intensive Care Units"[MeSH]) AND (remimazolam[tiab] OR "CNS 7056"[tiab])')

PubMed 官方欄位標籤 (Field Tags)

標籤	說明	範例
[Title] 或 [ti]	標題	COVID-19[ti]
[Title/Abstract] 或 [tiab]	標題+摘要	sedation[tiab]
[MeSH] 或 [mh]	MeSH 標準詞彙	"Diabetes Mellitus"[MeSH]
[MeSH Major Topic] 或 [majr]	MeSH 主要主題	"Anesthesia"[majr]
[Author] 或 [au]	作者	Smith J[au]
[Journal] 或 [ta]	期刊縮寫	Nature[ta]
[Publication Type] 或 [pt]	文章類型	Review[pt], Clinical Trial[pt]
[Date - Publication] 或 [dp]	出版日期	2024[dp], 2020:2024[dp]
[Gene Name]	基因名稱	BRAF[Gene Name]
[Substance Name]	物質名稱	propofol[Substance Name]

完整語法參考: PubMed Search Field Tags

深入探索 (找到重要論文後)

find_related_articles(pmid="12345678")   # 相關文章 (PubMed 演算法)
find_citing_articles(pmid="12345678")    # 引用這篇的後續研究 (forward in time)
get_article_references(pmid="12345678")  # 這篇的參考文獻 (backward in time)

---

🔬 Citation Discovery Guide | 引用探索指南

找到重要論文後，有 5 種工具 可以探索相關文獻。選擇正確的工具能大幅提升研究效率：

工具對比表

工具	方向	資料來源	用途	API 呼叫量
find_related_articles	相似性	PubMed algorithm	找主題/方法相似的文章	1 次
find_citing_articles	Forward ➡️	PMC citations	找引用此文的後續研究	1 次
get_article_references	Backward ⬅️	PMC references	找此文引用的參考文獻	1 次
build_citation_tree	Both ↔️	PMC (BFS 遍歷)	建構完整引用網絡圖	多次 (深度相關)
suggest_citation_tree	-	文章資訊	評估是否值得建樹	1 次

使用場景決策樹

找到一篇重要論文 (PMID: 12345678)
    │
    ├── 想找「類似主題」的文章？
    │   └── ✅ find_related_articles(pmid="12345678")
    │       → PubMed 演算法根據 MeSH、關鍵詞、引用模式找相似文章
    │
    ├── 想知道「後續研究怎麼發展」？
    │   └── ✅ find_citing_articles(pmid="12345678")
    │       → 找出引用這篇的所有論文 (時間軸: 向後 → 現在)
    │
    ├── 想了解「這篇文章的基礎是什麼」？
    │   └── ✅ get_article_references(pmid="12345678")
    │       → 取得這篇文章的參考文獻清單 (時間軸: 向前 ← 過去)
    │
    └── 想建立「完整的研究脈絡網絡」？
        │
        ├── 先評估: suggest_citation_tree(pmid="12345678")
        │   → 看引用數、被引數，決定是否值得建樹
        │
        └── 建構網絡: build_citation_tree(pmid="12345678", depth=2)
            → 輸出 Mermaid/Cytoscape/GraphML 等格式

實際範例

情境 1：快速找相關論文

# 找到一篇 remimazolam 的重要 RCT，想看看有沒有類似研究
find_related_articles(pmid="33475315", limit=10)

情境 2：追蹤研究影響力

# 這篇 2020 年的論文影響了哪些後續研究？
find_citing_articles(pmid="33475315", limit=20)

情境 3：理解研究基礎

# 這篇文章引用了哪些關鍵文獻？找出 foundation papers
get_article_references(pmid="33475315", limit=30)

情境 4：建立研究脈絡圖 (Literature Review)

# Step 1: 評估是否值得建樹
suggest_citation_tree(pmid="33475315")

# Step 2: 建構 2 層引用網絡，輸出 Mermaid 格式 (可在 VS Code 預覽)
build_citation_tree(
    pmid="33475315",
    depth=2,
    direction="both",
    output_format="mermaid"
)

Citation Tree 輸出格式

格式	用途	工具
mermaid	VS Code Markdown 預覽	內建 Mermaid 擴充
cytoscape	學術標準、生物資訊	Cytoscape.js
g6	現代網頁視覺化	AntV G6
d3	靈活客製化	D3.js force layout
vis	快速原型	vis-network
graphml	桌面分析軟體	Gephi, VOSviewer, yEd

---

🔍 深度搜尋：兩種入口模式

本工具提供兩種深度搜尋入口，最終都透過 並行搜尋 + 合併去重 完成：

┌─────────────────────────────────────────────────────────────────────────┐
│                         深度搜尋流程圖                                    │
├─────────────────────────────────────────────────────────────────────────┤
│                                                                          │
│   ┌───────────────────┐         ┌───────────────────┐                   │
│   │  關鍵字導向入口     │         │  PICO 臨床問題入口  │                   │
│   │  (知道要搜什麼)     │         │  (有臨床問題描述)   │                   │
│   └─────────┬─────────┘         └─────────┬─────────┘                   │
│             │                             │                              │
│             │                             ▼                              │
│             │                   ┌───────────────────┐                   │
│             │                   │   parse_pico()    │                   │
│             │                   │   解析 P/I/C/O    │                   │
│             │                   └─────────┬─────────┘                   │
│             │                             │                              │
│             ▼                             ▼                              │
│   ┌─────────────────────────────────────────────────────────────┐       │
│   │              generate_search_queries()                       │       │
│   │              (ESpell 校正 + MeSH 擴展 + 同義詞)                │       │
│   │                                                              │       │
│   │   關鍵字模式: 呼叫 1 次                                        │       │
│   │   PICO 模式:  對每個元素 (P/I/C/O) 各呼叫 1 次 (並行)          │       │
│   └──────────────────────────┬──────────────────────────────────┘       │
│                              │                                           │
│                              ▼                                           │
│   ┌─────────────────────────────────────────────────────────────┐       │
│   │              Agent 組合查詢策略                               │       │
│   │                                                              │       │
│   │   • 使用返回的 suggested_queries                              │       │
│   │   • 或用 mesh_terms + all_synonyms 自行組合                   │       │
│   │   • PICO 模式: 用 Boolean 邏輯組合 (P) AND (I) AND (O)        │       │
│   └──────────────────────────┬──────────────────────────────────┘       │
│                              │                                           │
│                              ▼                                           │
│   ┌─────────────────────────────────────────────────────────────┐       │
│   │              search_literature() × N (並行執行)               │       │
│   └──────────────────────────┬──────────────────────────────────┘       │
│                              │                                           │
│                              ▼                                           │
│   ┌─────────────────────────────────────────────────────────────┐       │
│   │              merge_search_results()                          │       │
│   │              合併去重 + 標記高相關性文章                        │       │
│   └─────────────────────────────────────────────────────────────┘       │
│                                                                          │
└─────────────────────────────────────────────────────────────────────────┘

入口 1️⃣：關鍵字導向 (Keyword Search)

適用場景: 已知要搜尋的關鍵字或主題

# Step 1: 取得搜尋素材 (ESpell + MeSH + 同義詞)
generate_search_queries(topic="remimazolam ICU sedation")

# 返回內容:
{
  "corrected_topic": "remimazolam icu sedation",   # 拼字校正
  "mesh_terms": [
    {"input": "remimazolam", "preferred": "remimazolam [Supplementary Concept]", 
     "synonyms": ["CNS 7056", "ONO 2745"]},
    {"input": "sedation", "preferred": "Deep Sedation", 
     "synonyms": ["Sedation, Deep"]}
  ],
  "all_synonyms": ["CNS 7056", "ONO 2745", "Sedation, Deep", ...],
  "suggested_queries": [
    {"id": "q1_title", "query": "(remimazolam icu sedation)[Title]"},
    {"id": "q2_tiab", "query": "(remimazolam icu sedation)[Title/Abstract]"},
    {"id": "q4_mesh", "query": "\"remimazolam [Supplementary Concept]\"[MeSH Terms]"},
    {"id": "q6_syn", "query": "(CNS 7056)[Title/Abstract]"},
    ...
  ]
}

# Step 2: 並行執行搜尋
search_literature(query="(remimazolam icu sedation)[Title]")          # 並行
search_literature(query="(remimazolam icu sedation)[Title/Abstract]") # 並行
search_literature(query="\"Deep Sedation\"[MeSH Terms]")              # 並行
...

# Step 3: 合併結果
merge_search_results(results_json='[["pmid1","pmid2"],["pmid2","pmid3"]]')
# → unique_pmids: 去重後的 PMID 列表
# → high_relevance_pmids: 多策略命中的高相關文章

入口 2️⃣：PICO 臨床問題 (Clinical Question)

適用場景: 有臨床問題需要拆解成結構化搜尋

# Step 1: 解析 PICO 結構
parse_pico(description="remimazolam 在 ICU 鎮靜比 propofol 好嗎？會減少 delirium 嗎？")

# 返回內容:
{
  "pico": {
    "P": "ICU patients requiring sedation",
    "I": "remimazolam",
    "C": "propofol", 
    "O": "delirium incidence"
  },
  "question_type": "therapy",  # 建議的 Clinical Query filter
  "next_steps": "對每個 PICO 元素呼叫 generate_search_queries()"
}

# Step 2: 對每個 PICO 元素取得搜尋素材 (並行!)
generate_search_queries(topic="ICU patients")  # P → MeSH: "Intensive Care Units"
generate_search_queries(topic="remimazolam")   # I → MeSH: "remimazolam [Supplementary Concept]"
generate_search_queries(topic="propofol")      # C → MeSH: "Propofol"
generate_search_queries(topic="delirium")      # O → MeSH: "Delirium"

# Step 3: Agent 組合查詢 (使用 Boolean 邏輯)
# 高精確度: (P) AND (I) AND (C) AND (O)
query_precise = '("Intensive Care Units"[MeSH] OR ICU[tiab]) AND ' \
                '(remimazolam[tiab] OR "CNS 7056"[tiab]) AND ' \
                '(propofol[tiab] OR Diprivan[tiab]) AND ' \
                '(delirium[tiab] OR "Emergence Delirium"[MeSH])'

# 高召回率: (P) AND (I OR C) AND (O)
query_recall = '(ICU[tiab]) AND (remimazolam[tiab] OR propofol[tiab]) AND (delirium[tiab])'

# Step 4: 並行搜尋 + 合併
search_literature(query=query_precise)  # 並行
search_literature(query=query_recall)   # 並行
merge_search_results(...)

兩種入口對比

特性	關鍵字導向	PICO 臨床問題
入口工具	generate_search_queries(topic)	parse_pico(description)
適用場景	知道要搜什麼詞	有臨床問題需要拆解
MeSH 擴展	1 次呼叫	4 次呼叫 (P/I/C/O 各一次)
查詢組合	使用 suggested_queries	Agent 用 Boolean 組合
範例輸入	"remimazolam ICU sedation"	"remimazolam 在 ICU 比 propofol 好嗎？"

設計哲學: 工具提供素材 (MeSH terms, synonyms)，Agent 做決策 (如何組合查詢)

---

🏗️ Architecture (DDD)

本專案採用 Domain-Driven Design (DDD) 架構，以文獻研究領域知識為核心建模。

src/pubmed_search/
├── mcp/
│   └── tools/
│       ├── discovery.py    # 探索型 (search, related, citing, details)
│       ├── strategy.py     # 策略型 (generate_queries, expand)
│       ├── pico.py         # PICO 解析
│       ├── merge.py        # 結果合併
│       ├── export.py       # 匯出工具
│       └── citation_tree.py # 引用網絡視覺化 (6 種格式)
├── entrez/                 # NCBI Entrez API 封裝
├── exports/                # 匯出格式 (RIS, BibTeX, CSV)
└── session.py              # Session 管理 (內部機制)

內部機制 (對 Agent 透明)

機制	說明
Session	自動建立、自動切換
Cache	搜尋結果自動快取，避免重複 API
Rate Limit	自動遵守 NCBI API 限制 (0.34s/0.1s)
MeSH Lookup	generate_search_queries() 自動查詢 NCBI MeSH 資料庫
ESpell	自動拼字校正 (remifentanyl → remifentanil)
Query Analysis	每個 suggested query 顯示 PubMed 實際解讀方式

📖 完整架構說明：ARCHITECTURE.md

• DDD 分層架構圖
• MCP 工具分類詳解
• Citation Discovery 工具關係圖
• 資料流程圖
• 技術決策記錄 (ADR)

MeSH 自動擴展 + Query Analysis

當呼叫 generate_search_queries("remimazolam sedation") 時，內部自動：

1. ESpell 校正 - 修正拼字錯誤
2. MeSH 查詢 - Entrez.esearch(db="mesh") 取得標準詞彙
3. 同義詞提取 - 從 MeSH Entry Terms 取得同義詞
4. 🆕 Query Analysis - 分析 PubMed 如何解讀每個 query

{
  "mesh_terms": [
    {
      "input": "remimazolam",
      "preferred": "remimazolam [Supplementary Concept]",
      "synonyms": ["CNS 7056", "ONO 2745"]
    }
  ],
  "all_synonyms": ["CNS 7056", "ONO 2745", ...],
  "suggested_queries": [
    {
      "id": "q1_title",
      "query": "(remimazolam sedation)[Title]",
      "purpose": "Exact title match - highest precision",
      "estimated_count": 8,
      "pubmed_translation": "\"remimazolam sedation\"[Title]"
    },
    {
      "id": "q3_and",
      "query": "(remimazolam AND sedation)",
      "purpose": "All keywords required",
      "estimated_count": 561,
      "pubmed_translation": "(\"remimazolam\"[Supplementary Concept] OR \"remimazolam\"[All Fields]) AND (\"sedate\"[All Fields] OR ...)"
    }
  ]
}

Query Analysis 的價值: Agent 以為 remimazolam AND sedation 只搜這兩個詞，但 PubMed 實際會展開成 Supplementary Concept + 同義詞，結果從 8 篇變成 561 篇。這讓 Agent 理解 意圖 與 實際搜尋 的差異。

---

🔒 HTTPS Deployment | HTTPS 部署

為生產環境啟用 HTTPS 安全通訊，滿足企業資安需求。

Quick Start | 快速開始

# Step 1: 生成 SSL 憑證
./scripts/generate-ssl-certs.sh

# Step 2: 啟動 HTTPS 服務 (Docker)
./scripts/start-https-docker.sh up

# 驗證部署
curl -k https://localhost/

HTTPS Endpoints

Service	URL	Description
MCP SSE	https://localhost/sse	SSE connection (MCP)
Messages	https://localhost/messages	MCP POST
Health	https://localhost/health	Health check

Claude Desktop Configuration

{
  "mcpServers": {
    "pubmed-search": {
      "url": "https://localhost/sse"
    }
  }
}

📖 完整說明：

• 架構設計 → ARCHITECTURE.md
• 部署指南 → DEPLOYMENT.md

---

🔐 Security | 安全性

Security Features | 安全特性

Layer	Feature	Description
HTTPS	TLS 1.2/1.3 encryption	All traffic encrypted via Nginx
Rate Limiting	30 req/s	Nginx level protection
Security Headers	XSS/CSRF protection	X-Frame-Options, X-Content-Type-Options
SSE Optimization	24h timeout	Long-lived connections for real-time
No Database	Stateless	No SQL injection risk
No Secrets	In-memory only	No credentials stored

---

Installation

Basic Installation (Library Only)

pip install pubmed-search

With MCP Server Support

pip install "pubmed-search[mcp]"

From Source

git clone https://github.com/u9401066/pubmed-search-mcp.git
cd pubmed-search-mcp
pip install -e ".[all]"

As a Git Submodule

# Add as submodule to your project
git submodule add https://github.com/u9401066/pubmed-search-mcp.git src/pubmed_search

# Install dependencies
pip install biopython requests mcp

Then import in your code:

from src.pubmed_search import PubMedClient
# or add src to your Python path

Usage

As a Python Library

from pubmed_search import PubMedClient

client = PubMedClient(email="[e-mail]")

# Search for papers
results = client.search("anesthesia complications", limit=10)
for paper in results:
    print(f"{paper.pmid}: {paper.title}")

# Get related articles
related = client.find_related("12345678", limit=5)

# Get citing articles
citing = client.find_citing("12345678")

As an MCP Server (Local - stdio)

VS Code Configuration

Add to your .vscode/mcp.json:

{
  "servers": {
    "pubmed-search": {
      "type": "stdio",
      "command": "pubmed-search-mcp",
      "args": ["[e-mail]"]
    }
  }
}

Or using Python module:

{
  "servers": {
    "pubmed-search": {
      "type": "stdio",
      "command": "python",
      "args": ["-m", "pubmed_search.mcp", "[e-mail]"]
    }
  }
}

Running Standalone

# Using the console script
pubmed-search-mcp [e-mail]

# Or using Python
python -m pubmed_search.mcp [e-mail]

As a Remote MCP Server (HTTP/SSE)

For serving multiple machines, run the server in HTTP mode:

# Quick start
./start.sh

# Or with custom options
python run_server.py --transport sse --port 8765 --email [e-mail]

# Using Docker
docker compose up -d

Remote Client Configuration

On other machines, configure .vscode/mcp.json:

{
  "servers": {
    "pubmed-search": {
      "type": "sse",
      "url": "http://YOUR_SERVER_IP:8765/sse"
    }
  }
}

See DEPLOYMENT.md for detailed deployment instructions including:

• systemd service setup
• Docker deployment
• Nginx reverse proxy
• Security considerations

MCP Tools

Tool	Description
search_literature	Search PubMed for medical literature
find_related_articles	Find articles related to a given PMID
find_citing_articles	Find articles that cite a given PMID (forward)
get_article_references	Get this article's bibliography (backward)
fetch_article_details	Get full details for specific PMIDs
build_citation_tree	Build citation network tree (6 output formats)
suggest_citation_tree	Suggest citation tree after fetching article
generate_search_queries	Generate multiple queries for parallel search
merge_search_results	Merge and deduplicate results
expand_search_queries	Expand search with synonyms/related terms
prepare_export	Export citations in RIS/BibTeX/CSV/MEDLINE/JSON
get_article_fulltext_links	Get PMC/DOI full-text links
analyze_fulltext_access	Analyze open access availability

📤 Export Formats

Export your search results in formats compatible with major reference managers:

Format	Compatible With	Use Case
RIS	EndNote, Zotero, Mendeley	Universal import
BibTeX	LaTeX, Overleaf, JabRef	Academic writing
CSV	Excel, Google Sheets	Data analysis
MEDLINE	PubMed native format	Archiving
JSON	Programmatic access	Custom processing

Exported Fields

• Core: PMID, Title, Authors, Journal, Year, Volume, Issue, Pages
• Identifiers: DOI, PMC ID, ISSN
• Content: Abstract (HTML tags cleaned)
• Metadata: Language, Publication Type, Keywords
• Access: DOI URL, PMC URL, Full-text availability

Special Character Handling

• BibTeX exports use pylatexenc for proper LaTeX encoding
• Nordic characters (ø, æ, å), umlauts (ü, ö, ä), and accents are correctly converted
• Example: Søren Hansen → S{\o}ren Hansen

API Documentation

PubMedClient

The main client class for interacting with PubMed.

from pubmed_search import PubMedClient

client = PubMedClient(
    email="[e-mail]",  # Required by NCBI
    api_key=None,            # Optional: NCBI API key for higher rate limits
    tool="pubmed-search"     # Tool name for NCBI tracking
)

Low-level Entrez API

For more control, use the low-level Entrez interface:

from pubmed_search.entrez import LiteratureSearcher

searcher = LiteratureSearcher(email="[e-mail]")

# Advanced search with filters
results = searcher.search_advanced(
    term="propofol sedation",
    filter_humans=True,
    filter_english=True,
    date_range=("2020", "2024"),
    max_results=50
)

License

MIT License - see LICENSE

Contributing

1. Fork the repository
2. Create a feature branch
3. Make your changes
4. Run tests: pytest
5. Submit a pull request

Links

• GitHub Repository
• PyPI Package
• NCBI Entrez Programming Utilities