Open Targets MCP 服务器

这是一个模型上下文协议（MCP）服务器，它公开了Open Targets平台的GraphQL API作为一组工具，用于与Claude Desktop和其他兼容MCP的客户端一起使用。

<!-- mcp-name: io.github.nickzren/opentargets -->

快速安装

对于Claude Desktop

方案1：使用MCPM（推荐）

# 安装mcpm包管理器
pip install mcpm

# 安装服务器
mcpm install opentargets

方案2：手动设置

# 克隆并设置
git clone https://github.com/nickzren/opentargets-mcp
cd opentargets-mcp
pip install uv
uv sync

# 导入到Claude Desktop（stdio传输）
mcpm import stdio opentargets \
  --command "$(uv run which python)" \
  --args "-m opentargets_mcp.server --transport stdio"

然后重启Claude Desktop以开始使用Open Targets工具。

对于其他MCP客户端

git clone https://github.com/nickzren/opentargets-mcp
cd opentargets-mcp
pip install uv
uv sync

# 方案1：使用简单的运行脚本（围绕uv run的薄包装）
./run.sh

# 方案2：直接运行
uv run python -m opentargets_mcp.server

功能

核心能力

• 目标分析：通过Ensembl ID或符号搜索基因/蛋白质。访问表达数据、遗传约束、通路、蛋白质相互作用、安全概况和小鼠表型
• 疾病分析：通过EFO ID查询疾病。查找相关的目标、表型（HPO）和研究项目
• 药物发现：通过ChEMBL ID搜索药物。访问安全数据、不良事件、适应症和作用机制
• 证据挖掘：探索来自多个来源的评分证据的目标-疾病关联
• 变异分析：查询遗传变异、GWAS可信集和药理基因组学数据
• 研究探索：访问具有L2G预测和精细定位位点的GWAS研究
• 智能搜索：实体解析，处理同义词、自动完成和ID映射

数据源

Open Targets平台整合了来自22个以上主要数据源的证据：

• 遗传学：Open Targets Genetics、ClinVar、UK Biobank、FinnGen、Gene2Phenotype、Orphanet、COSMIC
• 功能性：CRISPR筛选、DepMap、GeneBass
• 药物：ChEMBL、FDA/EMA批准、化学探针
• 表达：GTEx、人类蛋白质图谱、表达图谱
• 通路：Reactome、Signor、IntAct
• 文献：Europe PMC文本挖掘
• 安全：FAERS、药理基因组学数据
• 模型：小鼠（MGI、IMPC）表型

架构

graph LR
    subgraph "客户端"
        A[Claude Desktop]
        B[Python 脚本]
        C[AI 代理]
    end
    
    subgraph "MCP 服务器"
        D[Open Targets<br/>MCP 服务器]
        E[工具类别<br/>目标 • 疾病 • 药物<br/>证据 • 搜索 • 变异 • 研究]
    end
    
    subgraph "Open Targets"
        F[GraphQL API]
        G[22+ 数据源]
    end
    
    A <-->|MCP 协议| D
    B <-->|直接API| D
    C <-->|函数调用| D
    D <-->|GraphQL| F
    F <--> G
    
    E --> D
    
    style D fill:#e1f5fe
    style F fill:#fff3e0

MCP服务器充当客户端应用程序和Open Targets平台之间的桥梁。它将工具调用转换为GraphQL查询，并提供对来自22个以上集成数据源的生物医学数据的结构化访问。

预备条件

• Python 3.12+ 和 pip

使用方法

单独运行服务器

# 使用方便脚本（自动处理uv设置）
./run.sh

# 或直接使用uv运行（默认stdio传输）
uv run python -m opentargets_mcp.server

# 显式指定传输方式
uv run python -m opentargets_mcp.server --transport [stdio|sse|http]

配置

• 环境变量：MCP_TRANSPORT (stdio、sse 或 http)、FASTMCP_SERVER_HOST 和 FASTMCP_SERVER_PORT 控制传输和绑定地址。默认值分别为 stdio、0.0.0.0 和 8000。
• 命令行：opentargets-mcp --transport [stdio|sse|http] --host 0.0.0.0 --port 8000 提供灵活的传输选择。
• 详细日志：添加 --verbose 将全局日志级别提升到DEBUG，以便在故障排除时使用。

传输模式

服务器支持由FastMCP驱动的多种传输协议：

stdio传输（默认）

# 对于Claude Desktop（通过mcpm）和本地CLI工具
opentargets-mcp --transport stdio

SSE传输

# 对于基于web的MCP客户端，使用Server-Sent Events
opentargets-mcp --transport sse --host 0.0.0.0 --port 8000

HTTP传输

# 对于可流式传输的HTTP MCP客户端
opentargets-mcp --transport http --host 0.0.0.0 --port 8000

与MCP客户端一起使用

• Claude Desktop：使用mcpm安装（stdio）或直接服务器连接（sse）
• Web MCP客户端：使用SSE或HTTP传输，带有公共URL（需要隧道）
• 自定义集成：根据您的客户端实现，任何传输模式均可

示例脚本

uv run python examples/target_validation_profile.py EGFR
uv run python examples/disease_to_drug.py "精神分裂症"
uv run python examples/drug_safety_profile.py "奥希替尼"
uv run python examples/genetic_target_prioritization.py "炎症性肠病"

AI代理示例

ReAct代理提供了一个交互式的终端界面，用于探索Open Targets数据：

# 复制示例.env文件并添加您的OpenAI API密钥
cp .env.example .env
# 然后编辑.env并设置您的OPENAI_API_KEY

# 运行代理
uv run python examples/react_agent.py

该代理使用ReAct（推理和行动）模式，将复杂的生物医学查询分解成步骤，使其易于探索药物靶标、疾病及其关系。

可用工具

服务器封装了来自Open Targets平台的45个GraphQL操作。每个工具返回的结构化JSON都反映了官方模式，您可以使用MCP list_tools请求检查完整的机器可读列表。

快速启动快捷方式

• get_target_info – 核心目标身份记录（Ensembl ID、同义词、基因组坐标）
• get_disease_info – 疾病/EFO摘要，附带治疗领域背景
• get_drug_info – 基于ChEMBL的药物概况和机制数据
• search_entities – 统一实体搜索，处理同义词
• get_target_associated_diseases – 高置信度的目标-疾病链接及评分
• get_disease_associated_targets – 优先目标列表，针对EFO疾病
• get_target_known_drugs – 目标的已批准和研究中的药物
• get_target_disease_evidence – 跨遗传学、表达和文献的证据详情

按类别完整目录

• 目标身份与生物学（20个工具） — get_target_info，get_target_class，get_target_alternative_genes，get_target_associated_diseases，get_target_known_drugs，get_target_literature_occurrences，get_target_expression，get_target_pathways_and_go_terms，get_target_homologues，get_target_subcellular_locations，get_target_genetic_constraint，get_target_mouse_phenotypes，get_target_hallmarks，get_target_depmap_essentiality，get_target_interactions，get_target_safety_information，get_target_tractability，get_target_chemical_probes，get_target_tep，get_target_prioritization。
• 疾病分析（4个工具） — get_disease_info，get_disease_associated_targets，get_disease_phenotypes，get_disease_otar_projects。
• 药物概况（7个工具） — get_drug_info，get_drug_cross_references，get_drug_linked_diseases，get_drug_linked_targets，get_drug_adverse_events，get_drug_pharmacovigilance，get_drug_warnings。
• 证据合成（2个工具） — get_target_disease_evidence，get_target_disease_biomarkers。
• 搜索与发现（4个工具） — search_entities，search_suggestions，get_similar_targets，search_facets。
• 变异解释（4个工具） — get_variant_info，get_variant_credible_sets，get_variant_pharmacogenomics，get_variant_evidences。
• 研究探索（4个工具） — get_study_info，get_studies_by_disease，get_study_credible_sets，get_credible_set_by_id。

每个分组匹配Open Targets文档中描述的数据域（目标、疾病、药物、证据、变异和研究）。对于高负载工作量，请参考官方API FAQ中的平台节流指导，并尽可能地缓存下游。

开发

# 运行测试
uv run pytest tests/ -v