Autopoietic Knowledge Synthesis MCP Server

自己創発型ナレッジ合成 MCP サーバー

ApifyForge で見る | Apify Store で使う

---

クイックスタート

MCP クライアント（Claude Desktop、Cursor、Windsurf）に追加します。

{
  "mcpServers": {
    "autopoietic-knowledge-synthesis-mcp": {
      "url": "https://ryanclinton--autopoietic-knowledge-synthesis-mcp.apify.actor/mcp"
    }
  }
}

---

自己創発型ナレッジ合成により、AI エージェントは、高度な数学的フレームワーク群（確率的ブロックモデルによるコミュニティ検出、チューリング不安定性、スミス標準形によるベッチ数、形式概念分析、フィッシャー情報幾何学、ジグザグ・パーシステンス、グレンジャー因果性、アルファ接続による新規性スコアリング）を通じて統合された18の学術・技術データソースを利用できます。科学文献、特許の状況、コミュニティの知識を深く構造的に分析したい研究チーム、AI 開発者、ナレッジエンジニア向けに構築されています。その結果はキーワード検索ではなく、知識が実際にどのように成長し、どこにギャップがあるのかを明らかにする、トポロジー的、因果的、情報幾何学的な分析です。

この MCP サーバーを Claude、Cursor、または MCP 互換の AI エージェントに接続します。サーバーは18のデータソースアクターを並列で実行し、統合した結果からナレッジグラフを構築して、各数学的フレームワークを適用した後、構造化 JSON を返します。1回のツール呼び出しで、研究の最前線を示し、ブレークスルーの確率を特定し、学術研究、特許、コード、臨床実践にまたがる知識移転経路をマッピングできます。これらは、手作業での文献レビューでは概算に数週間かかる分析です。

⬇️ 抽出できるデータ

データ項目	ソース	対象範囲
📄 学術出版物	OpenAlex	2億5,000万件以上の研究成果、完全なメタデータ
🔬 生物医学文献	PubMed / Europe PMC	3,500万件以上、4,000万件以上の記事
💻 コンピューターサイエンス論文	Semantic Scholar + DBLP	2億件以上、600万件以上の出版物
📐 プレプリント	arXiv	STEM 分野全体で200万件以上のプレプリント
📑 出版社横断メタデータ	Crossref	登録済み研究成果1億3,000万件
🔓 オープンアクセス全文	CORE	2億件以上の論文
🧑‍🔬 研究者の身元情報	ORCID	所属情報付き研究者1,500万人
💰 NIH 助成金	NIH Reporter	NIH の現在および過去のすべての助成金
🔧 オープンソースコード	GitHub Repo Search	すべての公開リポジトリ
🧪 臨床研究	ClinicalTrials.gov	世界中の登録済み試験すべて
🏭 米国特許	USPTO PatentsView	米国特許コーパス全体
🌍 欧州特許	EPO Open Patent Services	欧州特許コーパス
💬 技術的な議論	StackExchange	170以上の技術コミュニティ
📰 テックコミュニティの動向	Hacker News	コミュニティの関心と議論の傾向
📊 連邦政府のデータセット	Data.gov	米国政府のオープンデータ
🔗 引用トポロジー	全ソースから算出	ベッチ数、パーシステンス図
🌐 知識移転経路	ソース横断のグレンジャー因果性	特許 → 論文 → コード → 試験
🎯 新規性スコア	情報幾何学的ダイバージェンス	INCREMENTAL / MODERATE / SIGNIFICANT / BREAKTHROUGH

Autopoietic Knowledge Synthesis MCP Server を使う理由

従来の文献検索では、関連度順に並べられた論文の一覧が返されます。これは便利ですが、根本的な限界があります。どの分野がブレークスルーに近づいているのか、どの研究者が孤立したコミュニティをつないでいるのか、分野の構造にどこに概念的な穴があるのかはわかりません。特許、生物医学文献、プレプリント、コード、臨床試験、政府データセットを扱う18の情報源を横断して手動で統合するには、数週間かかります。Elicit、Consensus、Semantic Scholar 独自の検索などのツールは、単一データベースから検索するものであり、情報源を横断した構造分析には対応していません。

この MCP サーバーは、情報源を横断するナレッジグラフの構築全体を自動化し、さらに9つの厳密な数学的フレームワークを適用して、「知識が最も急速に成長しているのはどこか」「どこにギャップがあるのか」「知的領域を誰が支配しているのか」といった戦略的な問いに答えます。

• スケジューリング — 研究モニタリングを毎日または毎週実行し、変化する分野を追跡します
• API アクセス — 単一の MCP リクエストで、Python、JavaScript、または任意の HTTP クライアントから呼び出せます
• プロキシローテーション — Apify のインフラストラクチャを介して18のアクターを並列実行し、レート制限の問題を回避します
• モニタリング — アクターの実行が失敗したときや、予期しない結果が生成されたときに、Slack またはメールでアラートを受け取れます
• インテグレーション — 結果を Zapier、Make、Google Sheets、または任意の Webhook の送信先に連携できます

特徴

• 18 のアクターを並列で呼び出し — OpenAlex、PubMed、Semantic Scholar、arXiv、Crossref、CORE、ORCID、NIH Grants、DBLP、Europe PMC、USPTO、EPO、Wikipedia、GitHub、StackExchange、ClinicalTrials.gov、Data.gov、Hacker News に対して、runActorsParallel を介して同時にクエリを実行します
• スミス標準形によるベッチ数 — 整数行列の簡約により、引用シンプレックス複体の Betti_0（連結成分）、Betti_1（引用サイクル）、Betti_2（知識の空白）を計算します
• 形式概念分析 — 2 値のオブジェクト属性コンテキスト行列を概念束に簡約し、各世代でフィッシャー情報量の勾配降下法を用いて形式概念を拡張または枝刈りします
• フィッシャー情報幾何学 — オントロジーの統計多様体上で自然勾配による更新を行います。dtheta/dt = -g^{ij}(theta) * dL/dtheta^j に従い、世代間の情報利得を KL ダイバージェンスで測定します
• ジグザグパーシステンス — 時間とともに変化する知識グラフのスナップショット全体で、位相的特徴の生成・消滅ペアを追跡し、次元ラベル付きのパーシステンス図を生成します
• チューリング不安定性の検出 — 知識グラフに反応拡散系 du/dt = f(u,v) + D_u * Laplacian(u) を適用します。拡散駆動不安定性（D_v*f_u + D_u*g_v > 0）により、自然発生的なブレークスルーに近づいている領域を特定します
• 確率的ブロックモデルによるコミュニティ検出 — EM 推論により、P(A_ij=1) = B(z_i, z_j) を介して研究者を潜在コミュニティに割り当てます。コミュニティ境界を越え、高い媒介中心性を持つ橋渡し役の研究者を特定します
• 知識移転のグレンジャー因果性 — VAR モデル X_t = Sum(A_k * X_{t-k}) + epsilon と F 検定を用いて、特許公開の時系列が学術論文公開の時系列にグレンジャー因果性を持つか、またその逆も成り立つかを判定します
• FCI 因果推論 — Fast Causal Inference アルゴリズムで条件付き独立性検定を行い、知識グラフの因果的な骨格を復元します。相関と、方向性を持つ因果の流れを区別します
• アルファ接続による新規性スコアリング — 情報幾何学的ダイバージェンス D_alpha(p||q) = (4/(1-alpha^2)) * (1 - sum(p^((1+alpha)/2) * q^((1-alpha)/2))) を用いて、各論文を分野の分布と照合して評価します。論文は INCREMENTAL、MODERATE、SIGNIFICANT、BREAKTHROUGH に分類されます
• 再現性を確保するシード付き PRNG — コンテンツハッシュから初期化された Mulberry32 PRNG により、同じクエリでは実行ごとに決定的な出力を生成します
• オイラー標数の計算 — ベッチ数とあわせて、シンプレックス複体から位相不変量 chi = V - E + F を導出し、位相を包括的に分析します
• 登録済み MCP ツール 8 個 — 各ツールが、型付きの Zod 入力スキーマと構造化 JSON 出力を備えた個別の分析機能を提供します
• スタンバイモードでの運用 — サーバーは Apify のインフラストラクチャ上で継続的に稼働し、初回接続後はコールドスタートによる遅延がありません

自己創出的な知識統合のユースケース

研究戦略と助成金の獲得戦略

複数年にわたるプログラムを計画する研究責任者や PI は、助成金申請を書く前に、研究分野の今後の動向を把握する必要があります。discover_research_fronts ツールは、アルファ新規性のダイバージェンスが大きく、チューリング不安定な動態を持つ新興クラスターを特定します。これらは、知識体系が自発的な再編に近づいている領域です。predict_breakthrough_areas ツールは、NIH の助成金動向や特許出願の速度を含む 18 のソースを対象に、反応拡散不安定性の分析を用いて、ブレークスルーの可能性に基づき研究分野を順位付けします。チームは、すでに競争が飽和したサブ分野で競い合うのではなく、ブレークスルーの可能性が高い道筋を特定し、それに合わせて助成金申請を進めることができます。

システマティックレビューとメタ分析

システマティックレビューを行う研究者は通常、個々のデータベースを検索するのに何週間も費やします。analyze_citation_topology ツールは、10 の学術情報源から同時に情報を取得し、引用ネットワークの完全なトポロジー構造（ベッチ数、パーシステンス図、ジグザグ特徴量）を計算します。これにより、十分に統合されているトピック（Betti_1 が低い）と、孤立したクラスターに断片化されているトピック（Betti_0 が高い）が明らかになります。detect_knowledge_gaps ツールは、トポロジー上の穴の数が多い特定のサブトピックを特定し、それらを統合する研究が大きな影響をもたらす可能性を示します。

研究開発チーム向けの競合インテリジェンス

製薬、材料科学、テクノロジー企業の研究開発チームは、競合他社がどの分野で特許を出願しているか、どの学術研究がいち早く商業化されているか、どの大学の研究室が関連する課題に取り組んでいるかを把握する必要があります。trace_knowledge_transfer ツールは、グレンジャー因果性と FCI 因果推論を適用して、学術論文から特許、さらに臨床試験や製品開発へと知識がどのように流れるかを追跡します。このツールは時間差の構造を特定し、特定の分野で特許と論文のどちらが先行するか、また、その知識移転を主導する機関がどこかを明らかにします。

共同研究ネットワーク分析と人材の特定

採用担当者や研究プログラム担当者は、新興分野の主要な研究者を特定する必要があります。対象は論文を多く発表している著者だけでなく、異なるコミュニティをつなぐ橋渡し役の研究者も含みます。assess_researcher_influence ツールは、ORCID、OpenAlex、DBLP の共著ネットワークに対して確率的ブロックモデルによるコミュニティ検出を適用し、PageRank と媒介中心性を計算し、研究者を潜在コミュニティに割り当てるとともに、知的な橋渡し役となる媒介中心性の高い研究者を特定します。h-index の計算により、ネットワーク指標と併せて、標準化された影響力の基準値を得られます。

AI 学習データのキュレーションと研究の新規性によるフィルタリング

特定分野向けのモデルを構築する AI チームは、どの論文が真に新しい概念を加えているのか、どの論文が段階的な改良にとどまるのかを評価する必要があります。compute_novelty_score ツールは、取得されたコーパス内の各論文を、分野の分布からのアルファダイバージェンス、概念束の新規性（既存の束に存在しない新しい形式概念）、ベッチ数比に基づくトポロジー上の新規性という 3 つの軸でスコアリングします。BREAKTHROUGH に分類された論文は学習パイプラインでより重く扱い、INCREMENTAL に分類された論文は重みを下げるか除外できます。

オントロジー工学とナレッジグラフの構築

エンタープライズ検索や AI 推論システム向けのドメインオントロジーを構築するナレッジエンジニアは、分野の概念語彙がどのように進化しているかを把握する必要があります。evolve_ontology ツールは、オントロジーの統計多様体上でフィッシャー情報量の勾配降下法を用いて各世代を改良しながら、最大 20 世代にわたる形式概念分析を実行します。出力には、各世代の概念束、世代ごとの情報利得、収束率が含まれ、オントロジーのバージョン管理に関する意思決定のためのデータ駆動型の基盤を提供します。

AI エージェントで自生的な知識の統合を使用する方法

1. MCP サーバーを接続する — MCP クライアントの設定にサーバー URL を追加します。Claude Desktop の場合は、mcpServers の下に "url": "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp" を追加します。YOUR_APIFY_TOKEN を Apify Console で取得したトークンに置き換えてください。

2. ツールを選択してクエリを設定する — 特定のツールを自然言語の研究トピックで呼び出すよう、AI エージェントに指示します。例：「discover_research_fronts を、query mRNA vaccine delivery mechanisms、maxResults 30 で呼び出してください。」

3. 構造化された分析結果を受け取る — サーバーは 18 のデータソースを並列で実行し（通常 2～5 分）、グラフの統計情報、トポロジー指標、順位付けされた結果、数学的スコアを含む構造化 JSON を返します。

4. 出力を活用する — エージェントに研究の最前線を要約させたり、新規性スコア付きの論文をスプレッドシートにエクスポートさせたり、ブレークスルー予測を研究モニタリングダッシュボードに渡したりできます。

入力パラメーター

これは MCP サーバーであり、Apify アクターの入力は受け取りません。すべてのパラメーターは、MCP プロトコル経由でツールを呼び出すたびに渡します。

パラメーター	型	必須	デフォルト	説明
query	string	はい	—	研究トピック、分野名、または研究者名です。18 のすべてのアクターに渡されます。例："CRISPR base editing"、"transformer attention mechanisms"
maxResults	number	いいえ	30	データソースごとにリクエストする結果の最大数です。値を大きくすると網羅性が向上しますが、コストと実行時間も増加します。範囲：5～50
generations	number	いいえ	5	（evolve_ontology のみ）概念ラティスを精緻化する進化世代数です。範囲：1～20

入力例

特定の科学サブ分野における研究の最前線を見つける：

{
  "query": "mRNA lipid nanoparticle delivery",
  "maxResults": 30
}

幅広い分野について、世代数を増やしてオントロジーを進化させる：

{
  "query": "quantum error correction",
  "maxResults": 25,
  "generations": 10
}

分野をすばやく調査するための最小限の高速クエリ：

{
  "query": "diffusion models generative AI",
  "maxResults": 10
}

入力のヒント

• クエリは具体的にします — "CRISPR base editing adenine" は "gene editing" よりも焦点の絞られた最前線を返します。クエリはそのまま 18 種類の検索 API に渡されます。
• 迅速なプロトタイピングでは maxResults を 10～15 にします — 値を小さくすると、役立つナレッジグラフを構築しながら、コストと実行時間を約 5 分から約 2 分に抑えられます。
• evolve_ontology は 5 世代から始めます — 通常、3～7 世代の間に収束します。20 世代実行しても、最終的なラティスが大きく変化することはほとんどありません。
• 質問文ではなく名詞句でクエリを入力します — 学術系 API では、"antibiotic resistance mechanisms" の方が "how does antibiotic resistance work" よりも適切に機能します。
• 研究者の影響力を分析する場合は、研究者のフルネームまたは ORCID をクエリに使用します — ORCID アクターが名前の曖昧性を解消します。

⬆️ 出力例

{
  "totalFronts": 7,
  "averageNovelty": 0.74,
  "topField": "mRNA lipid nanoparticle delivery",
  "fronts": [
    {
      "id": 0,
      "keywords": ["ionizable lipid", "endosomal escape", "LNP formulation", "pKa optimization"],
      "papers": [
        "Ionizable lipid nanoparticles for in vivo mRNA delivery",
        "Endosomal escape mechanisms in lipid nanoparticle systems",
        "pH-responsive LNP design for hepatic targeting"
      ],
      "noveltyScore": 0.91,
      "momentum": 0.87,
      "bettiSignature": [3, 2, 1],
      "turingUnstable": true,
      "alphaNovelty": 0.88
    },
    {
      "id": 1,
      "keywords": ["extrahepatic delivery", "muscle targeting", "intramuscular LNP"],
      "papers": [
        "Organ-selective lipid nanoparticles for extrahepatic mRNA delivery",
        "Skeletal muscle targeting via surface-modified LNPs"
      ],
      "noveltyScore": 0.78,
      "momentum": 0.63,
      "bettiSignature": [2, 1, 0],
      "turingUnstable": false,
      "alphaNovelty": 0.71
    }
  ],
  "graphStats": {
    "nodes": 312,
    "edges": 894,
    "bettiNumbers": [8, 14, 3],
    "conceptCount": 47
  }
}

出力フィールド

discover_research_fronts

フィールド	型	説明
totalFronts	number	確率的ブロックモデルによるコミュニティ検出で特定された、異なる研究フロントの数
averageNovelty	number	すべてのフロントにおけるアルファ接続の新規性スコアの平均（0-1）
topField	string	最も新規性の高い研究フロントのラベル
fronts[].id	number	SBM 推論によるコミュニティインデックス
fronts[].keywords	string[]	キーワードの重複エッジから導出された、このフロントの上位キーワード
fronts[].papers	string[]	このコミュニティに割り当てられた代表的な論文のタイトル
fronts[].noveltyScore	number	このフロントの複合新規性（アルファダイバージェンス＋トポロジー）
fronts[].momentum	number	出版時期の分布から導出された成長率の指標
fronts[].bettiSignature	number[]	このフロントのサブグラフにおける [Betti_0, Betti_1, Betti_2]
fronts[].turingUnstable	boolean	このフロントが拡散駆動型不安定性の基準を満たしているかどうか
fronts[].alphaNovelty	number	生のアルファ接続ダイバージェンススコア
graphStats.nodes	number	構築されたナレッジグラフ内のノード総数
graphStats.edges	number	エッジの総数（引用、共著者、キーワードの重複、意味的関係、特許と論文の関係）
graphStats.bettiNumbers	number[]	完全な引用シンプレックス複体のグローバルなベッチ数
graphStats.conceptCount	number	FCA 概念束内の形式概念の数

evolve_ontology

フィールド	型	説明
finalConceptCount	number	最終世代の束における形式概念の数
totalInformationGain	number	全世代にわたる KL ダイバージェンスの累積値
convergenceRate	number	世代をまたいで束のサイズが安定する割合
generations[].generation	number	世代インデックス（0 始まり）
generations[].latticeSize	number	この世代における形式概念の数
generations[].fisherGradientNorm	number	この世代におけるフィッシャー情報勾配のノルム
generations[].informationGain	number	前世代からの KL ダイバージェンスの増加量
generations[].convergence	number	収束指標（値が小さいほど安定）
generations[].concepts[].name	string	概念ラベル
generations[].concepts[].extent	string[]	概念の外延に含まれる論文／オブジェクト
generations[].concepts[].intent	string[]	概念を定義する属性／キーワード

detect_knowledge_gaps

フィールド	型	説明
totalGaps	number	高いベッチ数から特定された知識ギャップの数
averageFillingPotential	number	ギャップを埋める研究機会スコアの平均
topOpportunity	string	最も可能性の高いギャップの分野ラベル
gaps[].field	string	ギャップが存在する研究サブ分野
gaps[].bettiNumber	number	ギャップのトポロジー次元を示すベッチ数
gaps[].gapDimension	number	穴のシンプレックス複体の次元
gaps[].nearestConcepts	string[]	束内でギャップの境界となる形式概念
gaps[].fillingPotential	number	推定される研究機会スコア（0-1）
gaps[].turingActivity	number	この領域のチューリング不安定性の尺度

analyze_citation_topology

フィールド	型	説明
bettiNumbers	number[]	[Betti_0, Betti_1, Betti_2] — 連結成分、ループ、空洞
eulerCharacteristic	number	トポロジー不変量 chi = V - E + F
topologicalComplexity	number	ベッチ数の比から求めた複合的な複雑度指標
persistenceDiagram[]	object[]	各トポロジー的特徴の次元を含む生成／消滅ペア
zigzagFeatures[]	object[]	時間スナップショットをまたいだジグザグ・パーシステンス追跡から得られる特徴

predict_breakthrough_areas

Field	Type	説明
topPrediction	string	突破の確率が最も高い分野
averageProbability	number	スキャンしたすべての分野における突破確率の平均
systemInstability	number	知識グラフ全体のグローバルなチューリング不安定性の指標
predictions[].field	string	研究分野名
predictions[].probability	number	推定突破確率（0～1）
predictions[].turingPattern	string	検出されたパターンの種類（例：「TURING_SPOT」、「TURING_STRIPE」）
predictions[].reactionRate	number	反応拡散モデルにおける活性化因子の反応率
predictions[].diffusionCoeff	number	拡散係数比 D_v / D_u
predictions[].timeToBreakthrough	number	力学系に基づく突破までの推定月数
predictions[].supportingEvidence	string[]	予測を裏付ける論文および特許

trace_knowledge_transfer

Field	Type	説明
totalTransfers	number	統計的に有意なグレンジャー因果的移転経路の数
strongestPath	string	F 統計量が最も高い移転経路の説明
averageTransferStrength	number	すべての経路におけるグレンジャー F 統計量の平均
transfers[].source	string	起点となる知識領域（例：「patents」、「academic_papers」）
transfers[].target	string	移転先の領域
transfers[].grangerFStat	number	VAR モデルの F 統計量
transfers[].pValue	number	グレンジャー因果関係の統計的有意性
transfers[].lagOrder	number	最適な VAR ラグ次数（知識移転の遅延年数）
transfers[].causalDirection	string	「forward」、「reverse」、「bidirectional」、または「none」

assess_researcher_influence

Field	Type	説明
totalCommunities	number	SBM によって検出された潜在コミュニティの数
modularity	number	ネットワークのモジュラリティスコア（高いほどコミュニティ構造が明確）
researchers[].name	string	研究者名
researchers[].orcid	string	ORCID 識別子
researchers[].pageRank	number	共著グラフにおける PageRank 中心性
researchers[].betweenness	number	媒介中心性（橋渡しとなる研究者は高いスコアになります）
researchers[].communityId	number	SBM によるコミュニティの割り当て
researchers[].sbmRole	string	確率的ブロックモデル内での役割ラベル
researchers[].hIndex	number	利用可能な引用データから算出された h-index
communities[].id	number	コミュニティのインデックス
communities[].members	string[]	このコミュニティに属する研究者名
communities[].cohesion	number	このコミュニティの内部連結性の指標

compute_novelty_score

Field	Type	説明
averageNovelty	number	スコアを算出したすべての論文における複合的新規性の平均
breakthroughCount	number	BREAKTHROUGH に分類された論文の数
fieldDistribution	object	分野ごとの新規性階層別論文数
scores[].paperId	string	論文識別子
scores[].title	string	論文タイトル
scores[].alphaNovelty	number	情報幾何学によるアルファ接続の新規性
scores[].alphaDivergence	number	D_alpha(p||q) の未加工のダイバージェンス値
scores[].conceptNovelty	number	FCA による新規性：既存の束に含まれない概念の割合
scores[].topologicalNovelty	number	分野のベースラインに対するベッチ数の比率
scores[].compositeNovelty	number	3 つすべての新規性次元を重み付けして組み合わせた値
scores[].tier	string	「INCREMENTAL」、「MODERATE」、「SIGNIFICANT」、または「BREAKTHROUGH」

オートポイエティック知識合成の利用料金はいくらですか？

この MCP サーバーはイベントごとの従量課金制です。ツール呼び出しごとに料金が発生します。各ツール呼び出しでは最大 18 個のアクターが並列実行され、プラットフォームのコンピューティング料金も含まれます。

シナリオ	ツール呼び出し数	1 回あたりの料金	合計料金
単一クエリのテスト	1	$0.04	$0.04
毎日の調査概要（5 ツール）	5	$0.04	$0.20
毎週の分野スキャン（7 ツール x 4 週間）	28	$0.04	$1.12
システマティックレビューの設定（8 ツールすべて x 5 トピック）	40	$0.04	$1.60
継続的な調査モニタリング（毎日、全ツール一式）	240	$0.04	$9.60/月

コストを管理するため、実行ごとに最大支出額を設定できます。予算に達すると、アクターは停止します。

Apify の無料プランには、月額 5 ドル分のプラットフォームクレジットが含まれており、毎月 125 回のツール呼び出しを無料で利用できます。Elicit の月額 10～50 ドル、Consensus の月額 9～99 ドル、または調査アシスタントを時給 25～50 ドルで雇う場合と比べてみてください。このサーバーを使えば、ほとんどの調査チームは月額 5 ドル未満で利用できます。

MCP プロトコルを使用してオートポイエティック知識合成に接続する

Claude Desktop

claude_desktop_config.json に追加します。

{
  "mcpServers": {
    "autopoietic-knowledge-synthesis": {
      "url": "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor

Cursor の MCP 設定に追加します。

{
  "mcpServers": {
    "autopoietic-knowledge-synthesis": {
      "url": "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Python（HTTP POST 経由）

import httpx
import json

response = httpx.post(
    "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp",
    headers={
        "Content-Type": "application/json",
        "Authorization": "Bearer YOUR_APIFY_TOKEN",
    },
    json={
        "jsonrpc": "2.0",
        "method": "tools/call",
        "params": {
            "name": "discover_research_fronts",
            "arguments": {
                "query": "mRNA lipid nanoparticle delivery",
                "maxResults": 30,
            },
        },
        "id": 1,
    },
    timeout=300,
)

result = response.json()
fronts = json.loads(result["result"]["content"][0]["text"])
print(f"Found {fronts['totalFronts']} research fronts")
print(f"Top field: {fronts['topField']}")
for front in fronts["fronts"]:
    print(f"  Front {front['id']}: novelty={front['noveltyScore']:.2f}, "
          f"turingUnstable={front['turingUnstable']}, "
          f"keywords={front['keywords'][:3]}")

JavaScript / TypeScript

const response = await fetch(
  "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp",
  {
    method: "POST",
    headers: {
      "Content-Type": "application/json",
      "Authorization": "Bearer YOUR_APIFY_TOKEN",
    },
    body: JSON.stringify({
      jsonrpc: "2.0",
      method: "tools/call",
      params: {
        name: "compute_novelty_score",
        arguments: {
          query: "transformer attention mechanisms efficiency",
          maxResults: 25,
        },
      },
      id: 1,
    }),
  }
);

const data = await response.json();
const result = JSON.parse(data.result.content[0].text);
console.log(`Average novelty: ${result.averageNovelty.toFixed(2)}`);
console.log(`Breakthrough papers: ${result.breakthroughCount}`);
for (const score of result.scores.slice(0, 5)) {
  console.log(`  [${score.tier}] ${score.title} — composite: ${score.compositeNovelty.toFixed(3)}`);
}

cURL（単一のツール呼び出し）

# Call discover_research_fronts
curl -X POST "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "predict_breakthrough_areas",
      "arguments": {
        "query": "quantum error correction",
        "maxResults": 20
      }
    },
    "id": 1
  }'

オートポイエティック知識合成の仕組み

フェーズ 1：知識グラフの並列構築

各ツール呼び出しでは、runActorsParallel を介して 18 個のアクター呼び出しを同時に実行します。個々の apify-client 呼び出しに Promise.all を使用し、アクターごとに 180 秒のタイムアウトを設定します。情報源には、学術文献（OpenAlex、PubMed、Semantic Scholar、arXiv、Crossref、CORE、DBLP、Europe PMC）、研究者データ（ORCID）、研究資金（NIH Grants）、特許（USPTO、EPO）、オープンな知識（Wikipedia）、コード（GitHub）、コミュニティの議論（StackExchange、Hacker News）、臨床データ（ClinicalTrials.gov）、政府のデータセット（Data.gov）が含まれます。

結果は、型付きの KnowledgeNode オブジェクトと KnowledgeEdge オブジェクトを含む KnowledgeGraph 構造に統合されます。エッジの型は citation、co_author、keyword_overlap、semantic、patent_paper です。キーワード重複エッジは、ノードの各ペアのキーワード配列の共通部分から構築されます。共著者エッジは、少なくとも 1 つの著者名トークンを共有するノード同士を結び付けます。単体複体はエッジ集合から構築されます。頂点は 0-単体、エッジは 1-単体、三角形（2 つの共通する隣接ノードを持つノード）は 2-単体です。

フェーズ 2：スミス標準形によるトポロジー解析

各単体次元について境界行列 ∂_k を構築し、行と列に対する整数演算によってスミス標準形に変換することで、ベッチ数を計算します。k 次ベッチ数は rank(ker ∂_k) - rank(im ∂_{k+1}) です。クエリのハッシュ文字列から初期化される Mulberry32 シード付き PRNG により、確率的な要素（SBM の初期化、チューリング摂動）は同じ入力に対して再現可能になります。

ジグザグ持続性は、タイムスタンプ付き部分グラフ（出版年ごとにグループ化）にわたるフィルトレーションを構築して計算します。ノードの追加と削除に伴って、トポロジー的特徴がどのように生まれ、消滅するかを追跡します。各誕生・消滅のペアには、次元と持続期間（death - birth）のラベルが付けられます。

フェーズ 3：コミュニティ検出と因果推論

確率的ブロックモデルによるコミュニティ検出では、共著グラフに EM 推論を適用します。E ステップではコミュニティ割り当ての事後確率を計算し、M ステップではブロック行列 B とコミュニティ事前確率 pi を更新します。対数尤度の変化を監視して収束を判定します。収束後、モジュラリティ Q = (1/2m) * sum[(A_ij - k_i*k_j/2m) * delta(c_i, c_j)] を計算します。

グレンジャー因果性では、特許公開の時系列データと学術論文公開の時系列データ（年ごとに集計）それぞれに VAR(p) モデルを適用します。最適なラグ次数 p は AIC によって選択します。F 検定統計量は F = ((RSS_reduced - RSS_full)/p) / (RSS_full/(T-2p-1)) として計算します。次に、FCI アルゴリズムで結果として得られた因果スケルトンに条件付き独立性検定を適用してエッジの向きを定め、単なる相関ではなく有向因果経路を復元します。

フェーズ 4：情報幾何学的な新規性スコアリング

形式概念分析では、行が論文、列がキーワードとなる二値コンテキスト行列を構築します。形式概念とは、extent に含まれるすべての論文が intent に含まれるすべてのキーワードを共有する、極大な組 (extent, intent) です。このような極大な組をすべて計算して概念束を構築します。フィッシャー情報勾配降下法では、世代をまたいでこの概念束を精緻化します。フィッシャー情報計量 g^{ij}(theta) は、概念所属ベクトルの経験共分散の逆行列として近似し、自然勾配 g^{ij} * dL/dtheta^j を用いて概念の重みを更新します。

アルファ接続ダイバージェンス D_alpha(p||q) = (4/(1-alpha^2)) * (1 - sum(p^((1+alpha)/2) * q^((1-alpha)/2))) は、各論文のキーワード分布 p と分野全体の集約分布 q の間で計算し、デフォルトでは alpha = 0（幾何平均ダイバージェンス）を使用します。複合新規性では、アルファダイバージェンス、概念束の新規性、ベッチ数比を重み付けしてスコアにまとめ、閾値に基づいて 4 段階に分類します。

最良の結果を得るためのヒント

1. クエリには具体的な名詞句を使います。 "adenine base editor off-target effects" の方が、"CRISPR" よりも焦点の絞られた研究フロントを生成します。18 個の上流アクターはそれぞれ、クエリ文字列を自らの API に直接適用するため、具体性はすべての情報源に反映されます。

2. predict_breakthrough_areas の前に detect_knowledge_gaps を実行します。 ギャップによってトポロジー上の空白が特定され、ブレークスルー予測によって、その空白のうちどれにチューリング不安定性が生じているかが特定されます。この 2 つのツールはパイプラインとして設計されています。まずギャップを特定し、次に上位のギャップについてブレークスルーの確率を予測します。

3. assess_researcher_influence と trace_knowledge_transfer を組み合わせます。 影響力分析による SBM のコミュニティ割り当てから、特許から論文への知識移転経路を誰が掌握しているかが分かります。ブリッジ研究者とグレンジャー因果性による移転経路を照合することで、商業化を加速させている主要な科学者を特定できます。

4. 探索的なスキャンでは maxResults を 10 に減らします。 maxResults=10 の場合、各アクターは最大 10 件を返し、グラフ全体は 100～200 個のノードになります。これはトポロジーの計算に十分で、実行時間は約 2 分です。網羅性が重要な本番分析では maxResults=30 を使用します。

5. ほとんどの分野では、世代数を 5～8 にして evolve_ontology を使います。 通常、収束は第 3～7 世代の間に起こります。各世代で報告されるフィッシャー情報の勾配ノルムから、いつ精緻化が安定したかが分かります。ノルムが 0.05 未満なら、収束したことを示します。

6. 分野をモニタリングするには、discover_research_fronts を毎週スケジュールします。 新しい論文がグラフに加わると、確率的ブロックモデルによって新たなコミュニティが特定されます。毎週実行した結果のフロントを比較すると、主流の総説論文に登場する前に、新興のサブ分野を見つけられます。

7. まず turingUnstable: true のフロントを確認します。 チューリング不安定性を持つ研究フロントは、ブレークスルー前の状態にあるとモデル化されています。これらは、近い将来にインパクトの高い研究成果を生み出す可能性が最も高い分野です。

8. 特許から論文への移転分析では、クエリにその分野の科学用語と工学用語の両方が含まれていることを確認してください。"immunotherapy checkpoint inhibitor PD-1 antibody" には、生物学的メカニズムと製品クラスの両方が含まれているため、グレンジャー因果性によって両方の用語体系にまたがる移転を検出できます。

他の Apify アクターとの組み合わせ

アクター	組み合わせ方法
Company Deep Research	まず技術分野のナレッジ統合を実行し、次に Company Deep Research を使って、ブレークスルーの可能性が高い領域を事業化している企業を特定します
Website Content to Markdown	主要な論文や研究室のウェブサイトの全文を Markdown に変換し、より深く根拠を得るために、ナレッジ統合の出力とともにエージェントに渡します
WHOIS Domain Lookup	影響力分析で主要な研究者や機関を特定した後、ドメイン登録情報を調べ、研究に関連するスタートアップの活動を見つけます
Website Tech Stack Detector	どの大学の研究室やスタートアップのウェブサイトがどの技術スタックを使用しているかを特定し、ソフトウェア開発のパターンと研究の最前線を関連付けます
Trustpilot Review Analyzer	応用研究分野（医療機器、ソフトウェアツールなど）では、新規性スコアを付けた研究トレンドとレビューから得られる市場の反応を組み合わせます
B2B Lead Qualifier	ブレークスルー領域に関する企業の調査結果を、提携や投資に向けたアプローチに活用できる有望なリードに変換します
SEC EDGAR Filing Analyzer	グレンジャー因果性による知識移転の調査結果と SEC 提出書類を相互参照し、特定されたブレークスルー領域に投資している上場企業を見つけます

制限事項

• データソースの網羅性には限りがあります — 18 のデータソースは主要な英語の学術・特許データベースをカバーしていますが、分野固有のリポジトリ、英語以外の文献、グレイリテラチャー、これらの API に収録されていない学会論文を見落とす可能性があります。
• グラフのサイズは maxResults によって制限されます — 各データソースが 1 回の呼び出しで返す項目は最大 maxResults 件です。構築されたグラフは文献全体ではなく、サンプルを反映しています。出版物の少ない希少なサブフィールドは、大規模な主流分野よりも網羅的にカバーされます。
• トポロジーアルゴリズムは近似値です — 単体複体は共著関係とキーワードの重複に基づいて構築され、実際の引用グラフではありません。上流のアクターから実際の引用リンクは抽出されないため、トポロジーは知的な近接性を示す指標であり、正確な引用構造ではありません。
• ブレークスルーの予測は確実な結果ではなく、確率的な構造シグナルです — ナレッジグラフにおけるチューリング不安定性は、ブレークスルーの必要条件ではありますが、十分条件ではありません。このモデルは構造的な前提条件を特定しますが、資金調達の急変、地政学的な出来事、偶然の発見は考慮できません。
• グレンジャー因果性の分析には時系列データが必要です — VAR モデルは出版年ごとの件数に依存します。出版年数が 5 年未満の新興分野では、信頼性の高いラグ次数の推定に十分な時系列データがありません。
• 研究者の影響力データには出版バイアスがあります — SBM 分析の対象は、これらのデータベースに収録された出版物を持つ研究者に限られます。産業界の研究者、実務家、収録数の少ない分野の研究者は十分に反映されません。
• ツールの呼び出しにはそれぞれ 2～5 分かかります — 結果を返す前に、18 のアクターすべてが完了する必要があります。実行時間の長いアクター（NIH Grants、EPO Patents）を含む広範なクエリでは、5 分以上かかることがあります。
• イベントごとの料金は対象範囲を広げるほど累積します — 1 つのトピックに対して 8 つのツールをすべて実行すると、料金は $0.32 です。多くのトピックを体系的に監視すると費用がかさむため、大規模に実行する場合は支出上限を設定してください。

インテグレーション

• Zapier — 毎週 discover_research_fronts を実行するようにトリガーし、研究の追跡用に結果を Google Sheet または Notion データベースに送信します
• Make — 新しいクエリ入力に対して知識の統合を実行し、ブレークスルーの可能性がある領域に変化があったときに Slack に通知する、自動化された研究パイプラインを構築します
• Google Sheets — 新規性スコア付きの論文リストをスプレッドシートに直接エクスポートし、システマティックレビューのワークフローに活用します
• Apify API — クエリのバッチ処理と結果の取り扱いを全面的に制御しながら、Python または JavaScript の研究パイプラインから MCP ツールをプログラムで呼び出します
• Webhooks — スケジュールされた知識の統合が完了したとき、またはエラーが発生したときにアラートを受け取ります
• LangChain / LlamaIndex — 知識の統合結果を RAG パイプラインの検索ツールとして接続し、トポロジー構造化された研究インテリジェンスで LLM の応答を根拠付けます

トラブルシューティング

• ツール呼び出しで空の fronts または gaps 配列が返される — 通常、主要な情報源のいくつかからクエリに対する結果がほとんど得られなかったことを意味します。より広いクエリ（たとえば、狭い下位分野ではなくその親分野を使う）を試すか、maxResults を増やしてください。応答の graphStats.nodes フィールドを確認してください。ノードが 20 未満のグラフでは、信頼性の低いトポロジーが生成されます。

• 実行に 5 分以上かかる — 上流のアクター（NIH Grants、EPO patents）の API 応答が遅くなることがあります。アクターごとのタイムアウトは 180 秒です。単一のアクターがタイムアウトしても、ツールは残りの 17 個のソースからの結果を返します。"machine learning" のような非常に広いクエリでは、複数のソースで同時にページネーションの上限に達し、実行時間が延びることがあります。

• Granger 因果性で、すべての移転について causalDirection: "none" と表示される — これは、クエリしたトピックについて年ごとの時系列変動が不十分であることを示します。VAR モデルには、出版数がゼロでない時点（年）が少なくとも 5～10 必要です。インデックス化された出版物が 5 年未満のトピックでは、代わりに discover_research_fronts または detect_knowledge_gaps を使用してください。

• ツールの完了前に利用上限に達する — 各ツール呼び出しでは、実行開始時に 1 件の課金イベントが発生します。Apify アカウントの残高または 1 回の実行あたりの利用上限が低すぎる場合、ツールは "error": true および "message": "Spending limit reached for {tool-name}" を含む JSON エラーオブジェクトを返します。クレジットを追加するか、Apify アカウント設定で 1 回の実行あたりの利用上限を引き上げてください。

• MCP クライアントで認証エラーが発生する — Apify API トークンが Authorization: Bearer YOUR_APIFY_TOKEN ヘッダーで渡されていることを確認してください。一部の MCP クライアント設定では、Cookie ベースのセッション認証に頼らず、ヘッダーを明示的に設定する必要があります。

責任ある利用

• このサーバーは、一般公開されている学術データベース、特許登録機関、オープンなコミュニティプラットフォームを照会します。
• 各上流ソースの利用規約を遵守してください。同じ限定的なクエリを短時間に過剰な頻度で自動照会すると、個々のデータソースでレート制限が発生することがあります。
• 研究者の影響力データには、ORCID 識別子と出版記録が含まれます。このデータは、正当な研究、採用、科学的な共同研究にのみ使用してください。
• 適用されるデータ保護法に基づく適法な根拠なしに、迷惑な商業的勧誘の対象者を特定する目的でこのサーバーを使用しないでください。
• ウェブスクレイピングとデータ利用の適法性に関するガイダンスについては、Apifyのガイドを参照してください。

❓ よくある質問

自己創発的な知識統合では、1回の実行で研究フロントをいくつ発見できますか？ 確率的ブロックモデルによるコミュニティ検出では、知識グラフが支えるだけの数のコミュニティが特定されます。実際には、ほとんどの分野で、maxResults=30 のクエリあたり5～15件の研究フロントが返されます。レスポンスの totalFronts フィールドで、各実行の正確な件数を確認できます。

知識グラフ上のチューリング不安定性は、どのようにブレークスルーを予測しますか？ このサーバーは、知識グラフ全体の研究活動を、活性化因子と阻害因子による反応拡散系としてモデル化します。拡散係数と反応速度が不安定性の判定基準 D_v*f_u + D_u*g_v > 0 を満たすと、系は知識グラフ上に自発的に空間パターンを形成します。つまり、アイデアや研究者が臨界量に近づいている領域に対応する、活動の集中です。こうした構造的に不安定な領域で、ブレークスルーが生まれる可能性が最も高くなります。

引用ネットワークにおけるベッチ数は、実際には何を意味しますか？ Betti_0 は引用グラフ内の非連結成分、つまり相互引用のない孤立した研究クラスターの数を数えます。Betti_1 はループを数えます。これは、論文が循環的に互いを引用しているグループを示し、自己強化型のコミュニティであることを意味します。Betti_2 は、囲まれた空隙、すなわち2単体複体内の位相的な穴を数えます。多くの場合、これは活発な研究に囲まれながら、実質的に十分な研究が行われていない領域に対応します。

新規性スコアの精度はどの程度ですか？ 新規性スコアは、絶対的な正解ではなく、各実行で抽出された分野の分布を基準に調整されています。BREAKTHROUGH ティア（複合新規性 > 0.85）は、格子に新しい形式概念を導入し、分野平均からのアルファダイバージェンスが高い論文を、安定して特定します。専門家による評価との照合は現在も進行中です。各ティアは決定的な分類ではなく、構造化されたシグナルとして扱ってください。

自己創発的な知識統合は、Semantic Scholar や Elicit とどう違いますか？ Semantic Scholar と Elicit は、単一データベースからの検索に、関連度順のランキングとテキストベースの要約を組み合わせています。このサーバーは18のソースを統合グラフにまとめ、トポロジー、情報幾何学、因果推論、反応拡散ダイナミクスなど、9つの独立した数学的フレームワークを適用して、知識の内容だけでなく構造を分析します。検索システムでは対応できない「どこにギャップがあるか」「何がブレークスルーにつながるか」といった問いに答えます。

自己創発的な知識統合を使って、特定の研究者の影響力を分析できますか？ はい。assess_researcher_influence のクエリとして、研究者の名前または ORCID を渡してください。このツールは ORCID に直接問い合わせ（最大20件の結果を取得）、OpenAlex、Semantic Scholar、DBLP などのソースと相互参照して、共著ネットワークを構築し、PageRank、媒介中心性、SBM によるコミュニティ割り当て、h-index を算出します。

一般的なツール呼び出しにはどのくらい時間がかかりますか？ ほとんどのツール呼び出しは2～4分で完了します。ボトルネックとなるのは、18の並列アクター呼び出しのうち最も遅いものです。複雑なクエリでは、通常、NIH Grants または EPO Patents が該当します。maxResults を10～15に減らすと、通常、実行時間は1.5～2.5分になります。このサーバーは Apify 上でスタンバイモードで動作するため、初回接続後にコールドスタートによる遅延はありません。

自己創発的な知識統合を自動実行するようスケジュールできますか？ はい。Apify のスケジューラーを使って、Apify のプラットフォーム上で基盤となるアクターを任意の間隔（毎日、毎週、毎月）で実行するようスケジュールできます。また、HTTP POST エンドポイントを介して、独自のスケジューラーからプログラムで MCP ツール呼び出しをトリガーすることもできます。構造化された JSON 出力により、実行間の結果を比較し、新たな研究フロントを検出できます。 これらの学術データベースを自動的に検索しても合法ですか？ 18 のアップストリームソースはすべて、利用規約が文書化された公開 API を提供しており、レート制限の範囲内での自動研究検索が認められています。OpenAlex、PubMed、arXiv、Crossref、CORE は、大規模なプログラムによるアクセスを明確に想定して設計されています。USPTO PatentsView と EPO Open Patent Services は政府が運営する公開 API であり、研究目的の利用に制限はありません。MCP サーバーは、アクターごとのタイムアウトによって各 API のレート制限を守り、全文コンテンツの一括取得を避けます。

実行中に 18 個のアクターのいずれかが失敗すると、どうなりますか？ runActor 関数はアクターごとにエラーを捕捉し、タイムアウトまたは失敗したアクターについては空の配列を返します。残りのアクターの結果は引き続きナレッジグラフに統合されます。トポロジーとスコアリングのアルゴリズムは、利用可能なデータに基づいて動作します。大幅に劣化した実行（多数の同時失敗が発生した場合）では、グラフが小さくなり、指標の信頼性も低下しますが、ツールがエラーをスローすることはありません。graphStats.nodes の数が少ない結果を返します。

LangChain や LlamaIndex のパイプラインで自己創発的なナレッジ合成を利用できますか？ はい。MCP サーバーは、あらゆる MCP クライアントライブラリと互換性があります。LangChain では、@modelcontextprotocol/sdk クライアントを使って接続し、各ツールを LangChain の Tool オブジェクトでラップしてください。構造化 JSON 出力は、研究インテリジェンスで LLM の応答をグラウンディングするのに適しています。たとえば、LLM に研究提案書の執筆を依頼する前に、discover_research_fronts の出力をコンテキストとして渡せます。

改善にご協力ください

問題が発生した場合、Apify アカウントで実行内容の共有を有効にすると、より迅速なデバッグに役立ちます。

1. アカウント設定 > プライバシーに移動します
2. 実行内容を公開アクターの作成者と共有するを有効にします

これにより、問題が発生した際に実行の詳細を確認できるため、より迅速に修正できます。データを閲覧できるのはアクターの開発者のみで、一般には公開されません。

サポート

バグを見つけた場合や機能のリクエストがある場合は、このアクターのページにあるIssues タブで Issue を作成してください。カスタムソリューションやエンタープライズ連携については、Apify プラットフォームからお問い合わせください。