OSI Hackathon 2026: KI-Agenten per MCP mit wissenschaftlichen Tools verbinden
Beim OSI Hackathon 2026 entstanden reproduzierbare Workflows, die Coding-Agenten wie Claude Code und GitHub Copilot CLI über MCP mit echten Forschungs-Tools verbinden.
Reproduzierbare KI-Agenten-Workflows mit Python, Claude Code, GitHub Copilot CLI und wissenschaftlichen MCP-Tools aufbauen.
Was passiert, wenn wir KI-Coding-Agenten mit echten wissenschaftlichen Tools verbinden?
Das war eine der Fragen, denen ich nachging, während ich zu KnowledgeIsPower beitrug, einem Open-Source-Projekt, das während des OSI Hackathon 2026 (21.–22. Oktober) entstand.
Unser Team unter der Leitung von Amit Shenoy arbeitete an einem Problem aus der Single-Cell-Proteomik: der Schätzung fehlender Proteinmessungen mithilfe biologischen Wissens und datengetriebener Methoden.
Wir entwickelten scp-graphfs-mcp, einen wissenschaftlichen Model Context Protocol (MCP) Server, der es KI-Agenten ermöglicht, mit Proteinkomplex-Daten, Wissensgraphen und Imputation-Tools zu interagieren.
Mein Beitrag konzentrierte sich auf S5: MCP Client Integration, Testing und Documentation.
In diesem Artikel führe ich durch die Projektarchitektur, erkläre, wie ich KI-Agenten mit dem MCP-Server verbunden habe, und was ich aus der Ausführung eines echten wissenschaftlichen Workflows gelernt habe.
Die Single-Cell-Proteomik hilft Forschenden, Proteine in einzelnen Zellen zu messen.
Massenspektrometrie-Experimente liefern jedoch häufig unvollständige Messungen. Je nach Experiment werden nur etwa 20 bis 60 Prozent der Proteine einer Zelle quantifiziert.
Forschende nutzen Imputation, um fehlende Werte zu schätzen.
Traditionelle Ansätze, darunter k-nearest neighbors (kNN), stützen sich auf Muster, die bereits im Datensatz vorhanden sind.
Unser Team untersuchte, ob biologisches Wissen, insbesondere Beziehungen zwischen Proteinen, diese Schätzungen verbessern könnte.
Das Projekt verglich letztlich 22 Protein-Wissensrepräsentationen und untersuchte Methoden zur Übertragung von Informationen über Proteinko-Regulation aus externen Datensätzen.
Das Model Context Protocol (MCP) bietet einen standardisierten Weg, über den KI-Anwendungen sich mit externen Tools und Datenquellen verbinden können.
Ein MCP-Server stellt Tools bereit, während ein MCP-kompatibler Client es einem KI-Agenten ermöglicht, diese zu entdecken und aufzurufen.
Für unser Projekt sah die Architektur so aus:
AI Agent / MCP Client | +-----------+-----------+ | | Claude Code GitHub Copilot CLI | | +-----------+-----------+ | MCP Protocol (STDIO) | scp-graphfs-mcp | Scientific MCP Tools | Protein Complexes / Knowledge Graphs | Proteomics Dataset Analysis Enter fullscreen mode Exit fullscreen mode Statt für jeden KI-Client eine separate Integration zu schreiben, konnten wir wissenschaftliche Fähigkeiten über einen einzigen MCP-Server bereitstellen.
Diese Tools machten es möglich, von einer Forschungsfrage in natürlicher Sprache zu strukturierten wissenschaftlichen Operationen zu gelangen.
Ich arbeitete mit der Python-Umgebung des Projekts und dem MCP-Server.
Nach dem Klonen des Repositorys erstellte ich eine virtuelle Umgebung und installierte die Entwicklungsabhängigkeiten.
git clone https://github.com/xX-its-amit-Xx/knowledgeispower.git cd knowledgeispower git switch claude/happy-hamilton-kdexid python -m venv. venv. \.venv\Scripts\Activate.ps1 python -m pip install -e ".[dev]" Enter fullscreen mode Exit fullscreen mode Der aktive Entwicklungsbranch des Repositorys war wichtig, weil er die Implementierung enthielt, die für den Hackathon verwendet wurde.
Außerdem führte ich die Offline-Tests des Projekts aus und prüfte, ob der MCP-Server die erwarteten Tools bereitstellte.
Bei meinen lokalen Tests meldete die Offline-Suite:
19 passed, 27 xfailed Enter fullscreen mode Exit fullscreen mode Dies war ein Schnappschuss meiner Entwicklungsumgebung, nicht die vollständige Testanzahl des finalen Projekts.
Eine meiner Aufgaben war die Konfiguration von Claude Code als MCP-Client.
Ich installierte die Claude Code CLI und registrierte den lokalen wissenschaftlichen Server unter Verwendung des STDIO-Transports.
Das folgende Beispiel verwendet eine virtuelle Windows-Umgebung:
claude mcp add --transport stdio --scope local scp-graphfs -- ".\.venv\Scripts\scp-graphfs-mcp.exe" Enter fullscreen mode Exit fullscreen mode Verwenden Sie bei einer lokalen Installation den tatsächlichen Pfad der ausführbaren Datei aus Ihrer Umgebung. Ein absoluter Pfad ist in der Regel zuverlässiger.
claude mcp list claude mcp get scp-graphfs Enter fullscreen mode Exit fullscreen mode Ich konfigurierte die Verbindung erfolgreich und verifizierte, dass Claude Code den MCP-Server erkannte.
Eine vollständige Claude-Code-KI-Sitzung konnte ich jedoch selbst nicht durchführen, weil mir der erforderliche Claude-Zugang fehlte.
Die Verbindungseinrichtung und die Verifizierung waren abgeschlossen; ein echtes Claude-Code-Sitzungsprotokoll war nicht Teil meiner individuellen Einreichung.
Ich konfigurierte außerdem GitHub Copilot CLI so, dass es mit scp-graphfs-mcp kommuniziert.
Nach der Installation und Authentifizierung von Copilot CLI nutzte ich dessen MCP-Konfigurationsschnittstelle, um den Server zu registrieren.
Server name: scp-graphfs Transport: STDIO Command: <absolute-path-to-scp-graphfs-mcp.exe> Environment variables: None required Tools: * Enter fullscreen mode Exit fullscreen mode Nach der Konfiguration meldete der MCP-Server einen verbundenen Status.
Alle sechs wissenschaftlichen Tools standen dem Copilot-Agenten zur Verfügung.
Dies ermöglichte mir, eine echte wissenschaftliche Analyse über einen KI-Agenten-Workflow auszuführen.
Ich verwendete GitHub Copilot CLI, um das 26S-Proteasom zu untersuchen, einen Proteinkomplex, der am Proteinabbau beteiligt ist.
Welche Untereinheiten des 26S-Proteasoms werden in data/datasets/petrosius2023_aml_sc.h5ad gemessen, und wie viele ihrer fehlenden Werte können anhand von Partnern ergänzt werden?
Der Workflow umfasste das Abrufen des Proteinkomplexes, die Untersuchung des Datensatzes, die Erstellung einer Nur-26S-Teilmenge und die Verwendung des MCP-Imputation-Tools.
Der Agent rief das MCP-Tool mit folgenden Parametern auf:
Das Tool identifizierte:
Complex Portal ID: CPX-5993 Komplex: 26S Proteasom Gesamtzahl der Untereinheiten: 33 Gemessene Untereinheiten: 31 Zwei Untereinheiten, PSMB3 und SEM1, wurden im Datensatz nicht gemessen.
Das Experiment nutzte den Einzelzell-Proteomics-Datensatz von Petrosius aus dem Jahr 2023.
Der agentengestützte Workflow bereitete eine temporaere.h5ad-Teilmenge vor, die die gemessenen Proteine des 26S Proteasoms enthielt.
Diese Teilmenge war wichtig, weil sich die folgenden Imputationszahlen speziell auf das 26S Proteasom-Experiment bezogen.
Der Agent rief impute_with_prior unter Verwendung des biologischen Priors aus dem Complex Portal auf.
Das Experiment zeigte, dass das MCP-Tool Protein-Komplex-Beziehungen nutzen konnte, um viele fehlende Eintraege in dieser bestimmten Teilmenge zu ergaenzen.
Wichtig: Der Wert von 95,1 Prozent beschreibt den Anteil der fehlenden Eintraege, die durch partnerbasierte Imputation behandelt wurden. Es handelt sich nicht um einen Genauigkeitswert oder einen Beleg dafuer, dass diese Methode kNN uebertraf.
Das vollstaendige Transkript der echten Sitzung wurde im Repository aufbewahrt.
Neben der MCP-Integration fuehrte das Team einen umfassenderen wissenschaftlichen Benchmark durch.
Abbildung 1. Vergleich von 22 biologischen Wissensrepraesentationen. Kuratierte physikalische Komplexe schnitten unter den Priors am besten ab, doch keiner davon uebertraf fuer sich genommen die schlichte kNN-Baseline. Quelle: KnowledgeIsPower-Team, OSI Hackathon 2026.
Zu den besten kuratierten Wissensquellen gehoerten:
Diese stellten biologisch relevante Beziehungen dar, doch keiner der einzelnen Priors bestand die Entwicklungsschwelle des Projekts gegenueber den staerksten rein datenbasierten Methoden.
Abbildung 2. Unveraendertes Holdout-Experiment nach Brunner 2022. Die referenzbasierte Methode verringerte das RMSE innerhalb von Komplexen im Vergleich zur staerksten rein datenbasierten Baseline. Quelle: KnowledgeIsPower-Team, OSI Hackathon 2026.
Alle sechs berichteten gepaarten Bootstrap-95-Prozent-Konfidenzintervalle lagen unter null.
Ein frueheres Holdout lieferte jedoch schwaechere Ergebnisse gegenueber der staerksten rein datenbasierten Baseline, sodass die Replikation eine wichtige Einschraenkung blieb.
Die zentrale wissenschaftliche Erkenntnis war, dass das Lernen von Proteinbeziehungen aus externen biologischen Daten wirksamer sein kann als der ausschliessliche Rueckgriff auf kuratiertes Protein-Komplex-Wissen.
Meine Arbeit konzentrierte sich auf die praktische MCP-Integration und eine reproduzierbare Dokumentation.
Mein zusammengefuehrter Beitrag ist hier verfuegbar:
https://github.com/xX-its-amit-Xx/knowledgeispower/pull/8
Die oben diskutierten Ergebnisse des wissenschaftlichen Benchmarks wurden vom breiteren KnowledgeIsPower-Team erzielt.
Dieses Projekt gab mir praktische Erfahrung mit mehreren Technologien und Vorgehensweisen.
MCP-Integration: Wie KI-Agenten ueber ein Standardprotokoll mit spezialisierten Tools kommunizieren koennen.
KI-gestuetzte wissenschaftliche Workflows: Wie ein Agent Fragen in natuerlicher Sprache mit strukturierten wissenschaftlichen Operationen kombinieren kann.
Python und Bioinformatik: Arbeiten mit Proteomics-Datensaetzen, Proteinidentifikatoren und wissenschaftlichen Tools.
Testen und Reproduzierbarkeit: Warum Setup-Anleitungen, Tool-Ausgaben und echte Sitzungstranskripte wichtig sind.
Open-Source-Zusammenarbeit: An einem bestehenden Repository mitwirken, Projektspezifikationen einhalten und Pull Requests einreichen.
Kommend aus dem Bereich Computer Vision und maschinelles Lernen fand ich es besonders spannend zu sehen, wie KI-Agenten Forschung ausserhalb meines gewohnten Fachgebiets unterstuetzen koennen.
Der OSI Hackathon 2026 war eine Gelegenheit, die Schnittstelle von KI-Agenten, wissenschaftlichem Rechnen, biologischem Wissen und Open-Source-Software zu erkunden.
Unser Team baute ein funktionsfaehiges MCP-basiertes Forschungssystem und berichtete sowohl ueber positive Ergebnisse als auch ueber wichtige Einschraenkungen.
Mein Beitrag trug dazu bei zu zeigen, wie ein externer KI-Coding-Agent sich mit dem wissenschaftlichen Server verbinden und eine reproduzierbare Analyse ausfuehren konnte.
Ich bin unserem Teamleiter Amit Shenoy sowie meinen Teamkollegen Ratish Panda, Eeshan Khan, Fatima Zahra und Asiya Ali fuer die Zusammenarbeit dankbar.
Ich freue mich darauf, an weiteren Projekten zu KI-Agenten, MCP, Computer Vision und wissenschaftlicher Forschung zu arbeiten.
Offizieller OSI Hackathon 2026: https://scientificintelligence.org/campaigns/osi-hackathon-2026
KnowledgeIsPower-Einreichung: https://scientificintelligence.org/campaigns/osi-hackathon-2026/submissions/190
Projekt-Repository: https://github.com/xX-its-amit-Xx/knowledgeispower
Mein zusammengefuehrter Pull Request: https://github.com/xX-its-amit-Xx/knowledgeispower/pull/8
Mein GitHub: https://github.com/abdullahjave
Geschrieben von Abdullah Javed, Informatikstudent, AI- und Computer-Vision-Enthusiast und Open-Source-Mitwirkender.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Building reproducible AI-agent workflows with Python, Claude Code, GitHub Copilot CLI, and scientific MCP tools.
What happens when we connect AI coding agents to real scientific tools?
That was one of the questions I explored while contributing to KnowledgeIsPower, an open-source project developed during the OSI Hackathon 2026 (October 21–22).
Our team, led by Amit Shenoy, worked on a problem in single-cell proteomics: estimating missing protein measurements using biological knowledge and data-driven methods.
We developed scp-graphfs-mcp, a scientific Model Context Protocol (MCP) server that enables AI agents to interact with protein-complex data, knowledge graphs, and imputation tools.
My contribution focused on S5: MCP Client Integration, Testing, and Documentation.
In this article, I'll walk through the project architecture, how I connected AI agents to the MCP server, and what I learned from running a real scientific workflow.
Single-cell proteomics helps researchers measure proteins in individual cells.
However, mass-spectrometry experiments often produce incomplete measurements. Depending on the experiment, only around 20–60% of a cell's proteins may be quantified.
Researchers use imputation to estimate missing values.
Traditional approaches, including k-nearest neighbors (kNN), rely on patterns already present in the dataset.
Our team explored whether biological knowledge, particularly relationships between proteins, could improve these estimates.
The project ultimately compared 22 protein knowledge representations and investigated methods for transferring protein co-regulation information from external datasets.
The Model Context Protocol (MCP) provides a standardized way for AI applications to connect with external tools and data sources.
An MCP server exposes tools, while an MCP-compatible client allows an AI agent to discover and call them.
For our project, the architecture looked like this:
AI Agent / MCP Client | +-----------+-----------+ | | Claude Code GitHub Copilot CLI | | +-----------+-----------+ | MCP Protocol (STDIO) | scp-graphfs-mcp | Scientific MCP Tools | Protein Complexes / Knowledge Graphs | Proteomics Dataset Analysis Enter fullscreen mode Exit fullscreen mode Instead of writing a separate integration for every AI client, we could expose scientific capabilities through one MCP server.
These tools made it possible to move from a natural-language research question to structured scientific operations.
I worked with the project's Python environment and MCP server.
After cloning the repository, I created a virtual environment and installed the development dependencies.
git clone https://github.com/xX-its-amit-Xx/knowledgeispower.git cd knowledgeispower git switch claude/happy-hamilton-kdexid python -m venv. venv. \.venv\Scripts\Activate.ps1 python -m pip install -e ".[dev]" Enter fullscreen mode Exit fullscreen mode The repository's active development branch was important because it contained the implementation used for the hackathon.
I also ran the project's offline tests and checked that the MCP server exposed its expected tools.
During my local testing, the offline suite reported:
19 passed, 27 xfailed Enter fullscreen mode Exit fullscreen mode This was a snapshot of my development environment, not the final project's complete test count.
One of my tasks was configuring Claude Code as an MCP client.
I installed the Claude Code CLI and registered the local scientific server using STDIO transport.
The following example uses a Windows virtual environment:
claude mcp add --transport stdio --scope local scp-graphfs -- ".\.venv\Scripts\scp-graphfs-mcp.exe" Enter fullscreen mode Exit fullscreen mode For a local installation, use the actual executable path from your environment. An absolute path is generally more reliable.
claude mcp list claude mcp get scp-graphfs Enter fullscreen mode Exit fullscreen mode I successfully configured the connection and verified that Claude Code recognized the MCP server.
However, I couldn't complete a full Claude Code AI session myself because I didn't have the required Claude access.
The connection setup and verification were completed; a real Claude Code session transcript was not part of my individual submission.
I also configured GitHub Copilot CLI to communicate with scp-graphfs-mcp.
After installing and authenticating Copilot CLI, I used its MCP configuration interface to register the server.
Server name: scp-graphfs Transport: STDIO Command: <absolute-path-to-scp-graphfs-mcp.exe> Environment variables: None required Tools: * Enter fullscreen mode Exit fullscreen mode After configuration, the MCP server reported a connected status.
All six scientific tools were available to the Copilot agent.
This allowed me to run a real scientific analysis through an AI-agent workflow.
I used GitHub Copilot CLI to investigate the 26S proteasome, a protein complex involved in protein degradation.
Which subunits of the 26S proteasome are measured in data/datasets/petrosius2023_aml_sc.h5ad, and how many of their missing values can be filled from partners?
The workflow involved retrieving the protein complex, examining the dataset, preparing a 26S-only subset, and using the MCP imputation tool.
The agent called the MCP tool with parameters equivalent to:
{ "id": "PSMB5", "sources": [ "complexportal" ] } Enter fullscreen mode Exit fullscreen mode The tool identified:
Complex Portal ID: CPX-5993 Complex: 26S proteasome Total subunits: 33 Measured subunits: 31 Enter fullscreen mode Exit fullscreen mode Two subunits, PSMB3 and SEM1, were not measured in the dataset.
The experiment used the Petrosius 2023 single-cell proteomics dataset.
The agent-assisted workflow prepared a temporary.h5ad subset containing the measured 26S proteasome proteins.
This subset was important because the following imputation counts applied specifically to the 26S proteasome experiment.
The agent called impute_with_prior using the Complex Portal biological prior.
The experiment showed that the MCP tool could use protein-complex relationships to fill many missing entries in this particular subset.
Important: The 95.1% figure describes the fraction of missing entries handled through partner-based imputation. It is not an accuracy score or evidence that this method outperformed kNN.
The complete real-session transcript was preserved in the repository.
Alongside MCP integration, the team conducted a broader scientific benchmark.
Figure 1. Comparison of 22 biological knowledge representations. Curated physical complexes ranked highest among the priors, but none independently beat the plain kNN baseline. Source: KnowledgeIsPower team, OSI Hackathon 2026.
The top curated knowledge sources included:
These represented meaningful biological relationships, but none of the individual priors passed the project's development gate against the strongest data-only methods.
Figure 2. Untouched Brunner 2022 holdout experiment. The reference-based method reduced in-complex RMSE compared with the strongest data-only baseline. Source: KnowledgeIsPower team, OSI Hackathon 2026.
All six reported paired-bootstrap 95% confidence intervals were below zero.
However, an earlier holdout produced weaker results against the strongest data-only baseline, so replication remained an important limitation.
The key research lesson was that learning protein relationships from external biological data could be more effective than relying on curated protein-complex knowledge alone.
My work focused on practical MCP integration and reproducible documentation.
My merged contribution is available here:
https://github.com/xX-its-amit-Xx/knowledgeispower/pull/8
The scientific benchmark results discussed above were produced by the broader KnowledgeIsPower team.
This project gave me hands-on experience with several technologies and practices.
MCP integration: How AI agents can communicate with specialized tools using a standard protocol.
AI-assisted scientific workflows: How an agent can combine natural-language questions with structured scientific operations.
Python and bioinformatics: Working with proteomics datasets, protein identifiers, and scientific tools.
Testing and reproducibility: Why setup instructions, tool outputs, and real session transcripts matter.
Open-source collaboration: Contributing to an existing repository, following project specifications, and submitting pull requests.
Coming from a computer vision and machine learning background, I found it especially interesting to see how AI agents could support research outside my usual domain.
The OSI Hackathon 2026 was an opportunity to explore the intersection of AI agents, scientific computing, biological knowledge, and open-source software.
Our team built a functional MCP-based research system and reported both positive findings and important limitations.
My contribution helped demonstrate how an external AI coding agent could connect to the scientific server and execute a reproducible analysis.
I'm grateful to our team lead Amit Shenoy and my teammates Ratish Panda, Eeshan Khan, Fatima Zahra, and Asiya Ali for the collaboration.
I look forward to working on more projects involving AI agents, MCP, computer vision, and scientific research.
Official OSI Hackathon 2026: https://scientificintelligence.org/campaigns/osi-hackathon-2026
KnowledgeIsPower Submission: https://scientificintelligence.org/campaigns/osi-hackathon-2026/submissions/190
Project Repository: https://github.com/xX-its-amit-Xx/knowledgeispower
My Merged Pull Request: https://github.com/xX-its-amit-Xx/knowledgeispower/pull/8
My GitHub: https://github.com/abdullahjave
Written by Abdullah Javed — Computer Science student, AI and Computer Vision enthusiast, and open-source contributor.