使用说明

项目简介

mcp_bigquery_biomedical 是一个 MCP 服务器，旨在为大型语言模型 (LLM) 提供访问 Google BigQuery 中生物医学数据集的接口。该服务器允许 LLM 通过标准化的 MCP 协议，安全有效地查询和分析海量的生物医学数据，从而支持生物医药领域的知识发现和决策。

主要功能点

数据资源访问: 提供对 Google BigQuery 生物医学数据集的访问能力，特别是 OpenTargets 数据库。
SQL查询工具: 支持执行 'SELECT' SQL 查询，从 BigQuery 数据集中提取所需信息。
数据集和表信息: 提供列出可用数据集、表格以及描述表格结构的功能，帮助 LLM 理解数据模式。
分析洞察记录: 内置分析备忘录 (memo) 功能，允许 LLM 记录和检索分析过程中的关键发现 (insights)。
Prompt 模板: 预置了用于临床试验领域分析的 Prompt 模板，支持定制化的 LLM 交互模式。
成本控制: 具备查询成本控制机制，防止因 LLM 生成的复杂查询而产生过高的 BigQuery 使用费用。

安装步骤

环境准备: 确保已安装 Python 3.8 或更高版本。建议使用虚拟环境 (venv) 管理项目依赖。
安装依赖: 虽然仓库中没有明确的 'requirements.txt' 文件，但根据 'README.md' 和代码内容，你需要安装以下Python包。可以使用 'uv' 或 'pip' 进行安装 (以下命令使用 'uv'，如果使用 'pip'，请将 'uv' 替换为 'pip')：
```
uv pip install google-cloud-bigquery mcp pydantic python-dotenv
```
如果你还没有安装 'uv', 可以先用 'pip install uv' 安装。
配置环境变量:
- 'BIGQUERY_CREDENTIALS': 设置 Google Cloud Service Account 密钥文件的路径。你需要先在 Google Cloud Console 中创建一个 Service Account，并下载 JSON 格式的密钥文件。
- 'ALLOWED_DATASETS': 设置允许访问的 BigQuery 数据集名称列表，用逗号分隔。例如：'open_targets_platform,open_targets_genetics'。
- 'BIGQUERY_MAX_COST_USD' (可选): 设置单个查询允许的最大成本（美元），默认值为 0.5 美元。

启动服务器: 在项目根目录下，使用以下命令启动 MCP 服务器：

uv run mcp_bigquery_biomedical

服务器配置

以下是配置 'claude_desktop_config.json' 以连接到 'mcp_bigquery_biomedical' MCP 服务器的示例。你需要根据你的实际环境修改 'PATH TO mcp-bigquery-biomedical REPOSITORY' 和 'PATH_TO_YOUR_SERVICE_ACCOUNT_KEY.json'。

"mcpServers": {
    "BIGQUERY-BIOMEDICAL-MCP": {
      "command": "uv",
      "args": [
        "--directory",
        "PATH TO mcp-bigquery-biomedical REPOSITORY", //  替换为 mcp-bigquery-biomedical 仓库的本地路径
        "run",
        "mcp_bigquery_biomedical"
      ],
      "env": {
        "BIGQUERY_CREDENTIALS": "PATH_TO_YOUR_SERVICE_ACCOUNT_KEY.json", // 替换为你的 Service Account 密钥文件路径
        "ALLOWED_DATASETS": "open_targets_platform,open_targets_genetics" //  根据需要配置允许访问的数据集
      }
    }
}

基本使用方法

确保 MCP 服务器已成功启动并运行。
在支持 MCP 协议的 LLM 客户端（例如 Claude Desktop）中，配置并连接到 'BIGQUERY-BIOMEDICAL-MCP' 服务器。
LLM 客户端将能够：
- 列出和读取服务器提供的资源 (Resources)，例如 "OpenTargets Database Schema" 和 "Insights on Target Assessment"。
- 列出和调用服务器提供的工具 (Tools)，例如 "read-query", "list-tables", "describe-table" 等，以查询和分析 BigQuery 数据。
- 使用服务器提供的 Prompt 模板，例如 "indication-landscape"，进行特定领域的分析任务。

通过这些工具和资源，LLM 可以与 BigQuery 中的生物医学数据进行交互，执行复杂的数据分析和知识挖掘任务。

关键词