病理学 MCP Sever

环境配置

conda create -n ict python=3.10 -y

conda activate ict

pip install -r requirements.txt

ClinVar 变异查询器

作用：当医生询问某个突变的临床意义时，实时去 NCBI ClinVar 数据库抓取最新的权威评级。

工具名称 search_clinvar: 查询 NCBI ClinVar 数据库，获取特定基因突变的临床致病性分类。

• gene(字符串，必填): 标准 HUGO 基因名称，如 'TP53'
• mutation(字符串，必填): 蛋白质水平的突变描述，如 'R273H'

User：请帮我查询一下 TP53 基因的 R273H 突变在 ClinVar 数据库中的临床意义是什么？

Agent：

调用 search_clinvar 工具，传入 gene='TP53' 和 mutation='R273H'，返回 ClinVar 中的评级结果。

根据 NCBI ClinVar 数据库的最新记录（最后评估日期：2024-xx-xx），TP53 R273H 突变被明确归类为致病性 (Pathogenic)。该评级基于多个提交者的无冲突数据，证据审查状态良好。因此，现有的临床证据非常充分，支持将其视为驱动突变。

药物结合口袋分析工具

这个工具能够计算靶向药物突变位点与药物结合口袋的距离，帮助医生评估突变对药物疗效的潜在影响。

工具名称 analyze_drug_binding_distance(gene: str, mutation: str) -> str：输入基因名称和突变信息，返回突变位点与药物结合口袋的距离分析结果。

• gene(字符串，必填): 标准 HUGO 基因名称，如 'EGFR'
• mutation(字符串，必填): 蛋白质水平的突变描述，如 'L858R'
• ligand(字符串，必填): 药物小分子的 3 字符代码，如 'IRE'

User：“EGFR T790M 突变为什么会导致一代靶向药（如吉非替尼）耐药？”

Agent：

调用 analyze_drug_binding_distance 工具，传入 gene='EGFR'、mutation='T790M' 和 ligand='IRE'，获取突变位点与吉非替尼结合口袋的距离分析结果。

根据 PDB 数据库中 EGFR T790M 突变的结构分析，该突变位点距离吉非替尼的结合口袋约 5 Å。这个距离表明 T790M 突变可能引起结合口袋构象的改变，导致吉非替尼无法有效结合，从而引发耐药现象。

ICD-O-3 标准编码查询器 (Standard Searcher)

工具名称: search_icd_o_code

绑定智能体: 术语规范员 (Coder Agent)

服务端口: 8000

核心功能: 解决 LLM 在医疗术语标准化上的“幻觉”问题，提供毫秒级的 ICD-O-3 编码查询与术语纠错。

技术实现:

内存索引: 服务启动时将数万条 ICD-O-3 映射关系（Morphology & Topography）加载至 Pandas DataFrame。

模糊匹配: 使用 difflib 算法实现高容错率检索，能够处理医生口语化的输入（如将“乳腺管癌”自动纠正为“浸润性导管癌”）。

输入/输出:

Input: query (String) - 诊断关键词。

Output: JSON - 包含标准术语、形态学编码（如 8500/3）、部位编码（如 C50.9）。

TNM 分期计算器 (Logic Calculator)

工具名称: calculate_tnm_staging

绑定智能体: 术语规范员 (Coder Agent)

服务端口: 8002

核心功能: 基于 AJCC 第 8 版指南，将复杂的分期逻辑转化为确定性的代码规则，避免 LLM 在逻辑推理中出现算术错误。

技术实现:

规则引擎 (Rule Engine): 将临床分期规则硬编码为查找表（Lookup Table）或逻辑树。

确定性推理: 对于给定的 T/N/M 输入，保证 100% 输出唯一且正确的临床分期（如 Stage IIB）。

输入/输出:

Input: site (String), t (String), n (String), m (String)

Output: JSON - 包含分期结果（Stage Group）及对应协议版本。

PubMed 实时循证引擎 (Evidence Searcher)

工具名称: search_pubmed

绑定智能体: 知识溯源员 (Researcher Agent)

服务端口: 8003

核心功能: 赋予智能体连接外部世界的能力，实时获取最新的病理学研究进展和 WHO 分类更新，弥补静态知识库的时效性滞后。

技术实现:

Biopython 接口: 利用 NCBI E-utilities API 进行高效检索。

相关性排序: 基于 Relevance 算法筛选 Top-3 文献，提取摘要（Abstract）作为 LLM 的 RAG 上下文。

输入/输出:

Input: query (String) - 医学关键词。

Output: JSON - 包含论文标题、作者、年份、PMID 及摘要文本。