《Protein Science》：ProteinMCP: An agentic AI framework for autonomous protein engineering
编辑推荐：
为了解决计算蛋白质设计流程复杂、耗时且严重依赖专家经验的问题，研究人员开发了ProteinMCP，一个用于自主蛋白质工程的智能体AI框架。该框架通过模型-上下文-协议（MCP）统一整合了38个专业工具，实现了对蛋白质适应度建模、从头设计结合蛋白和纳米抗体工程等复杂科学工作流的端到端自动化。例如，一个全面的蛋白质适应度建模工作流可在11分钟内完成。这项研究为缩短蛋白质设计-构建-测试周期，使先进的计算蛋白质设计技术为更广泛的科学界所用提供了强大平台。
想象一下，你要为一场复杂的化学实验设计一种全新的、具有特定功能的工具分子——蛋白质。在计算机的帮助下，这似乎成为可能。然而，现实往往比理想骨感。计算蛋白质设计领域近年来涌现了Rosetta、RFdiffusion等一大批强大但专业的工具，它们各自为政，拥有不同的接口、数据格式和运行要求。当你试图完成一个实际的蛋白质设计项目时，面临的往往不是单一工具，而是一条由多个步骤组成的复杂“流水线”：从序列比对、结构预测，到适应性建模、功能筛选……每一步都需要调用不同的软件，手动处理中间结果，这不仅极其耗时、容易出错，更将许多缺乏深厚计算背景的普通科研人员挡在了门外。这种“工具泛滥”的悖论，反而成了阻碍技术普及和突破的瓶颈。
为了解决这个挑战，一个名为ProteinMCP的研究应运而生，并发表在《Protein Science》期刊上。这项研究旨在打破壁垒，让蛋白质设计变得像“说”出来一样简单。研究人员开发了一个革命性的智能体AI框架，让大型语言模型（LLM）充当“总指挥”，理解用户高层的科学目标，并自动编排和执行复杂的多步骤工作流。其核心在于，将38个前沿的生物信息学工具，通过一个名为“模型-上下文-协议（Model-Context-Protocol, MCP）”的标准接口统一起来，构建了一个“工具大联盟”。ProteinMCP不仅实现了现有工具的自动化调用，其独创的自动化MCP服务器创建流程，还能将GitHub或本地的现有代码库快速“包装”成标准MCP服务器，使得平台的扩展变得前所未有的简单和可持续。
为了验证ProteinMCP的强大能力，研究团队通过三个典型的蛋白质工程案例研究进行了演示。在第一个案例中，ProteinMCP在仅仅11分钟内，就全自动地完成了一个包含多序列比对（MSA）、PLMC、EV+OneHot、ESM、ProtTrans等多种模型的综合性蛋白质适应性建模工作流，并自动分析比较了各模型的性能。第二个案例展示了其从头设计高亲和力结合蛋白的能力。以PD-L1为靶点，ProteinMCP自动调用BindCraft MCP，完成了从骨架生成、序列优化到结构筛选和深入分析（包括结合界面评分pTM、结构置信度pLDDT、结合自由能dG等）的全过程，成功设计出了具有高预测亲和力的候选结合蛋白。第三个案例聚焦于治疗性纳米抗体的自动化工程。ProteinMCP通过BoltzGen MCP，管理了从任务配置、提交、监控到结果检索和分析的全过程，对生成的50个设计进行了基于pTM、ipTM、pAE、氢键数量等多指标的综合评估与可视化，快速筛选出了高质量的候选分子。
在方法学上，本研究的关键技术主要包括：1. 自动化MCP服务器创建：利用LLM智能体（Claude）自动分析代码仓库，识别用例，封装核心功能，并生成标准化的MCP服务器接口和文档，实现新工具的快速集成。2. 基于技能（Skill）的工作流抽象：将复杂的多步骤科学流程（如适应度建模）定义为人类可读的Markdown技能文档，使得AI代理能以高效率和可复现的方式执行标准化工作流。3. 智能体工作流执行与交互式调试：由LLM代理解析并执行技能文档，在遇到错误时，用户可以通过自然语言与代理交互，指导其修复底层MCP代码或调整技能参数，实现灵活的错误恢复。4. 工作流基准测试：通过实施上述三个完整的端到端案例研究，定性地展示了平台在自动化复杂科学任务、大幅提升效率方面的实际效用。
2.1 ProteinMCP架构：用于智能体蛋白质工程的生态系统
ProteinMCP采用模块化的四层架构。其核心是一个LLM智能体（位于编排层），负责解读用户的高级目标、制定计划，并通过调用下层MCP服务器层中的工具来执行。MCP服务器层通过标准化的MCP协议，统一了38个专业的生物信息学工具，涵盖从序列分析到蛋白质设计的各个方面。这使得智能体能够将分散的软件无缝集成到复杂的工作流中。
2.2 MCP服务器的自动化创建与管理
研究开发了一个自动创建工作流，能够从现有的代码仓库（如GitHub URL）自动创建和部署新的MCP服务器。该流程仅需仓库URL和目标函数作为输入，系统便会自动设置隔离的Conda环境、克隆仓库、使用FastMCP库包装指定函数，并将新服务器注册到主代理。这套流程显著降低了扩展系统能力所需的工程工作量，已成功将38个广泛使用的生物信息学工具转化为稳定的MCP服务器。
2.3 智能体平台的比较分析
研究将ProteinMCP与其他四个近期发布的AI代理平台（BioinfoMCP, Paper2Agent, PRIME, Biomni）进行了定性比较。ProteinMCP是唯一一个在所有评估标准（易用性、节省时间、鲁棒性、MCP创建、工作流支持、令牌效率）上都获得最高评级（★★★）的平台。这确立了其作为一个为蛋白质科学社区设计的、强大且易用的平台的独特地位。
2.4 案例研究1：全自动高通量适应度建模工作流
给定野生型序列和包含实验适应度评分的变异体CSV文件，ProteinMCP代理自主执行了一个六步工作流，涵盖了协同进化模型（MSA, PLMC, EV+OneHot）和基于预训练蛋白质语言模型（ESM, ProtTrans）的模型，随后自动汇总和可视化结果。整个涉及多个不同且计算密集的建模流程的过程在11分钟内完成，系统自动识别出EV+OneHot模型为最佳表现者，Spearman's ρ达到0.57。相比之下，手动完成相同工作流预计需要熟练的生物信息学家投入1-3天。
2.5 案例研究2：自动化从头设计及高亲和力结合蛋白分析
研究以PD-L1为靶点，利用BindCraft MCP成功设计了一系列候选结合蛋白。工作流不仅生成设计，还进行了多阶段自动化分析以筛选最有前景的候选物。设计过程包括使用AlphaFold2 (AF2) multimer进行骨架生成、使用ProteinMPNN进行序列优化，以及使用AlphaFold2进行结构过滤。最终通过结合pLDDT、界面预测TM-score (ipTM)和Rosetta物理评分等多指标评估，识别出了一个pLDDT为0.94、界面TM-score (ipTM)为0.80的顶级结合蛋白，表明其具有稳定且特异的相互作用的高置信度预测。
2.6 案例研究3：纳米抗体的自主工程与筛选
研究利用BoltzGen MCP执行了端到端的纳米抗体设计工作流。系统自主管理了从任务配置、提交到结果检索和分析的全过程。对一个生成50个设计的案例，ProteinMCP并未重新发明设计算法，而是无缝地编排了该工具，并将其输出以清晰、可操作的形式呈现。通过基于pTM、ipTM、预测对齐误差(pAE)和界面氢键数量等多指标评估，从50个初始设计中筛选出两个高质量设计，并进行了详细的可视化分析，加速了潜在治疗候选物的发现。
综上所述，ProteinMCP通过其智能体AI框架，为解决计算蛋白质设计领域的工具碎片化和高门槛问题提供了创新性方案。其核心贡献在于：1. 架构创新：构建了一个基于MCP协议的可扩展工具生态系统，并由LLM智能体进行高层编排，实现了从“手动链式调用”到“目标驱动自动化”的范式转变。2. 效率革命：通过全自动化工作流，将原本需要数天的手动任务缩短至分钟级（如11分钟完成适应度建模），极大加速了设计-构建-测试循环。3. 能力展示：在适应度建模、从头结合蛋白设计和纳米抗体工程这三个具有代表性的复杂任务上，成功验证了平台处理端到端科学流程的能力，不仅能够执行计算，还能进行多指标分析和结果可视化。4. 可持续性与易用性：其自动化MCP创建流程确保了平台能持续集成最新工具，而基于技能（Skill）的抽象则降低了非专家用户的操作复杂性。
在讨论中，作者强调了该平台的模块化、自动化设计-分析-筛选循环以及高效率等关键优势。同时，也指出了其局限性：平台的能力本质上依赖于所集成工具的质量和范围，且所有预测仍需实验验证。平台的稳健性通过运行环境隔离、智能体错误恢复和健康检查等机制得以保障。其自动化扩展能力使其能够快速适应酶设计等新兴领域的挑战。总之，ProteinMCP作为一个强大、可扩展且用户友好的平台，不仅能够加速专家学者的发现进程，更有潜力使更广泛的科学界能够利用先进的计算蛋白质设计能力，从而推动分子科学进入一个创新时代。
