ChemLint — Сервер MCP, предоставляющий LLM-серверам нативный доступ к хеминформатике и молекулярным инструментам ML

##Резюме

ChemLint превращает ИИ-помощников в мощные рабочие механизмы молекулярного машинного обучения. С помощью протокола Model Context Protocol (MCP) LLM получают возможность манипулировать молекулярными структурами, вычислять дескрипторы, обучать модели ML и генерировать всеобъемлющие аналитические отчеты - все через естественный разговор.

Просто пообщайтесь с Claude Desktop (или любым клиентом MCP) для выполнения сложных рабочих процессов хеминформатики, которые обычно требуют написания скриптов Python и жонглирования несколькими библиотеками.

Ключевые особенности

###Молекулярные операции ** Обработка SMILES**: стандартизация, канонизация, валидация, 10-ступенчатая очистка трубопроводов ** Молекулярные дескрипторы**: простые (MW, LogP, TPSA) и сложные (ECFP, MACCS, RDKit отпечатки пальцев) ** Анализ каркасов**: Бемис-Мурко, общие каркасы, циклические скелеты с показателями разнообразия Сходство и кластеризация: сходство Танимото, DBSCAN, иерархическое, k-средство, кластеризация Бутиной ** Подструктурное сопоставление**: обнаружение SMARTS с 88+ встроенными функциональными группами

Машинное обучение

🧬 ChemLint

ChemLint — An MCP server that gives LLMs native access to cheminformatics and molecular ML tools

---

Summary

ChemLint transforms AI assistants into powerful molecular machine learning workbenches. Through the Model Context Protocol (MCP), LLMs gain the ability to manipulate molecular structures, calculate descriptors, train ML models, and generate comprehensive analysis reports — all through natural conversation.

Simply chat with Claude Desktop (or any MCP client) to perform complex cheminformatics workflows that would normally require writing Python scripts and juggling multiple libraries.

---

✨ Key Features

🧪 Molecular Operations

• SMILES Processing: Standardization, canonicalization, validation, 10-step cleaning pipelines
• Molecular Descriptors: Simple (MW, LogP, TPSA) and complex (ECFP, MACCS, RDKit fingerprints)
• Scaffold Analysis: Bemis-Murcko, generic scaffolds, cyclic skeletons with diversity metrics
• Similarity & Clustering: Tanimoto similarity, DBSCAN, hierarchical, k-means, Butina clustering
• Substructure Matching: SMARTS pattern detection with 88+ built-in functional groups

🤖 Machine Learning

• 33 ML Algorithms: Classification & regression (RF, GBM, SVM, linear models, ensembles with uncertainty)
• Cross-Validation: 6 strategies (k-fold, stratified, Monte Carlo, scaffold, cluster, leave-P-out)
• Hyperparameter Tuning: Grid search, random search with customizable parameter spaces
• Model Evaluation: 20+ metrics, confusion matrices, ROC curves, calibration plots

📊 Quality Reports

• Data Quality Analysis: 19-section comprehensive report (PAINS, Lipinski, duplicates, stereochemistry, etc.)
• Split Quality Analysis: 8 data leakage checks (duplicates, similarity, scaffolds, stereoisomers)
• Scaffold Reports: Diversity metrics (Gini, Shannon entropy), enrichment analysis, structural outliers

📈 Visualization & Statistics

• Interactive Plots: Scatter plots with molecular tooltips, histograms, density plots, box plots, heatmaps
• Statistical Tests: 15+ tests (t-test, ANOVA, Mann-Whitney, Kruskal-Wallis, chi-square, normality tests)
• Dimensionality Reduction: PCA, t-SNE for chemical space visualization
• Outlier Detection: Z-score, IQR, isolation forest, local outlier factor

🔬 Advanced Features

• Activity Cliff Detection: Find structurally similar molecules with large activity differences
• Data Splitting: Random, stratified, scaffold-based, cluster-based, temporal splits
• Duplicate Handling: Activity conflict detection with aggregation strategies