tooluniverse

ToolUniverse

概述

ToolUniverse 是一个统一的生态系统，通过提供对 600+ 种科学资源的标准化访问，让 AI Agent 能够像研究科学家一样工作。使用此技能，可以发现、执行和组合跨多个研究领域的科学工具，包括生物信息学、化学信息学、基因组学、结构生物学、蛋白质组学和药物发现。

主要功能：

• 访问 600+ 种科学工具、模型、数据集和 API
• 使用自然语言、语义搜索或关键词发现工具
• 通过标准化的 AI-Tool Interaction Protocol 执行工具
• 组合多步骤工作流，解决复杂的研究问题
• 通过 Model Context Protocol（MCP）与 Claude Desktop/Code 集成

何时使用此技能

在以下情况下使用此技能：

• 按功能或领域搜索科学工具（例如，“查找蛋白质结构预测工具”）
• 执行计算生物学工作流（例如，疾病靶点识别、药物发现、基因组学分析）
• 访问科学数据库（OpenTargets、PubChem、UniProt、PDB、ChEMBL、KEGG 等）
• 组合多步骤研究流程（例如，靶点发现 → 结构预测 → 虚拟筛选）
• 处理生物信息学、化学信息学或结构生物学任务
• 分析基因表达、蛋白质序列、分子结构或临床数据
• 执行文献搜索、通路富集或变异注释
• 构建自动化科学研究工作流

快速入门

基本设置

from tooluniverse import ToolUniverse

# Initialize and load tools
tu = ToolUniverse()
tu.load_tools()  # Loads 600+ scientific tools

# Discover tools
tools = tu.run({
    "name": "Tool_Finder_Keyword",
    "arguments": {
        "description": "disease target associations",
        "limit": 10
    }
})

# Execute a tool
result = tu.run({
    "name": "OpenTargets_get_associated_targets_by_disease_efoId",
    "arguments": {"efoId": "EFO_0000537"}  # Hypertension
})

Model Context Protocol (MCP)

与 Claude Desktop/Code 集成：

tooluniverse-smcp

核心工作流

1. 工具发现

查找与你的研究任务相关的工具：

三种发现方法：

• Tool_Finder - 基于嵌入的语义搜索（需要 GPU）
• Tool_Finder_LLM - 基于 LLM 的语义搜索（无需 GPU）
• Tool_Finder_Keyword - 快速关键词搜索

示例：

# Search by natural language description
tools = tu.run({
    "name": "Tool_Finder_LLM",
    "arguments": {
        "description": "Find tools for RNA sequencing differential expression analysis",
        "limit": 10
    }
})

# Review available tools
for tool in tools:
    print(f"{tool['name']}: {tool['description']}")

参见 references/tool-discovery.md，了解：

• 详细的发现方法和搜索策略
• 特定领域的关键词建议
• 查找工具的最佳实践

2. 工具执行

通过标准化接口执行单个工具：

示例：

# Execute disease-target lookup
targets = tu.run({
    "name": "OpenTargets_get_associated_targets_by_disease_efoId",
    "arguments": {"efoId": "EFO_0000616"}  # Breast cancer
})

# Get protein structure
structure = tu.run({
    "name": "AlphaFold_get_structure",
    "arguments": {"uniprot_id": "P12345"}
})

# Calculate molecular properties
properties = tu.run({
    "name": "RDKit_calculate_descriptors",
    "arguments": {"smiles": "CCO"}  # Ethanol
})

参见 references/tool-execution.md，了解：

• 跨领域的真实执行示例
• 工具参数处理和验证
• 结果处理和错误处理
• 生产环境使用的最佳实践

3. 工具组合与工作流

组合多个工具，构建复杂的研究工作流：

药物发现示例：

# 1. Find disease targets
targets = tu.run({
    "name": "OpenTargets_get_associated_targets_by_disease_efoId",
    "arguments": {"efoId": "EFO_0000616"}
})

# 2. Get protein structures
structures = []
for target in targets[:5]:
    structure = tu.run({
        "name": "AlphaFold_get_structure",
        "arguments": {"uniprot_id": target['uniprot_id']}
    })
    structures.append(structure)

# 3. Screen compounds
hits = []
for structure in structures:
    compounds = tu.run({
        "name": "ZINC_virtual_screening",
        "arguments": {
            "structure": structure,
            "library": "lead-like",
            "top_n": 100
        }
    })
    hits.extend(compounds)

# 4. Evaluate drug-likeness
drug_candidates = []
for compound in hits:
    props = tu.run({
        "name": "RDKit_calculate_drug_properties",
        "arguments": {"smiles": compound['smiles']}
    })
    if props['lipinski_pass']:
        drug_candidates.append(compound)

参见 references/tool-composition.md，了解：

• 完整的工作流示例（药物发现、基因组学、临床）
• 顺序和并行工具组合模式
• 输出处理钩子
• 工作流最佳实践

科学领域

ToolUniverse 支持涵盖主要科学领域的 600+ 种工具：

生物信息学：

• 序列分析、比对、BLAST
• 基因表达（RNA-seq、DESeq2）
• 通路富集（KEGG、Reactome、GO）
• 变异注释（VEP、ClinVar）

化学信息学：

• 分子描述符和指纹
• 药物发现和虚拟筛选
• ADMET 预测和类药性
• 化学数据库（PubChem、ChEMBL、ZINC）

结构生物学：

• 蛋白质结构预测（AlphaFold）
• 结构检索（PDB）
• 结合位点检测
• 蛋白质-蛋白质相互作用

蛋白质组学：

• 质谱分析
• 蛋白质数据库（UniProt、STRING）
• 翻译后修饰

基因组学：

• 基因组组装和注释
• 拷贝数变异
• 临床基因组学工作流

医学/临床：

• 疾病数据库（OpenTargets、OMIM）
• 临床试验和 FDA 数据
• 变异分类

参见 references/domains.md，了解：

• 完整的领域分类
• 各学科的工具示例
• 跨领域应用
• 按领域划分的搜索策略

参考文档

此技能包含全面的参考文件，提供特定方面的详细信息：

• references/installation.md - 安装、设置、MCP 配置、平台集成
• references/tool-discovery.md - 发现方法、搜索策略、列出工具
• references/tool-execution.md - 执行模式、实际示例、错误处理
• references/tool-composition.md - 工作流组合、复杂管道、并行执行
• references/domains.md - 按领域分类工具、用例示例
• references/api_reference.md - Python API 文档、钩子、协议

工作流： 在协助处理特定任务时，请参考相应文件获取详细说明。例如，搜索工具时，请查阅 references/tool-discovery.md 中的搜索策略。

示例脚本

两个可执行示例脚本演示了常见用例：

scripts/example_tool_search.py - 演示全部三种发现方法：

• 基于关键词的搜索
• 基于 LLM 的搜索
• 特定领域的搜索
• 获取详细的工具信息

scripts/example_workflow.py - 完整的工作流示例：

• 药物发现管道（疾病 → 靶点 → 结构 → 筛选 → 候选物）
• 基因组学分析（表达数据 → 差异分析 → 通路）

运行示例，了解典型的使用模式和工作流组合方式。

最佳实践

1. 工具发现：

   • 先进行宽泛搜索，再根据结果缩小范围
   • 使用 Tool_Finder_Keyword，通过已知术语快速搜索
   • 使用 Tool_Finder_LLM 处理复杂的语义查询
   • 设置合适的 limit 参数（默认值：10）

2. 工具执行：

   • 执行前务必核实工具参数
   • 在生产工作流中实现错误处理
   • 验证输入数据格式（SMILES、UniProt ID、基因符号）
   • 检查结果类型和结构

3. 工作流组合：

   • 组合完整工作流前，逐步单独测试
   • 为长工作流实现检查点
   • 考虑远程 API 的速率限制
   • 工具之间相互独立时，使用并行执行

4. 集成：

   • 仅初始化一次 ToolUniverse，并重复使用该实例
   • 在启动时调用一次 load_tools()
   • 缓存常用的工具信息
   • 启用日志记录以便调试

关键术语

• 工具：可通过 ToolUniverse 访问的科学资源（模型、数据集、API、软件包）
• 工具发现：使用搜索方法（Finder、LLM、Keyword）查找相关工具
• 工具执行：通过 tu.run() 使用特定参数运行工具
• 工具组合：串联多个工具，以执行多步骤工作流
• MCP：用于与 Claude Desktop/Code 集成的 Model Context Protocol
• AI-Tool Interaction Protocol：用于 LLM 与工具通信的标准化接口

资源

• 官方网站：https://aiscientist.tools
• GitHub：https://github.com/mims-harvard/ToolUniverse
• 文档：https://zitniklab.hms.harvard.edu/ToolUniverse/
• 安装：uv pip install tooluniverse
• MCP 服务：tooluniverse-smcp