一項由Case Western Reserve University與Duke University School of Medicine合作開發的新型人工智慧（AI）軟體框架 stMCP，正大幅簡化科學家分析空間基因圖譜（spatial gene maps）的過程。過去，這項技術雖能精準描繪組織中的基因表達位置，但分析過程卻極其複雜，需要深厚的程式設計技能和專業軟體輔助，對許多實驗室構成門檻。

由喬丹·J·史密斯（Jordan J. Smith）領導的研究團隊，利用模型上下文協議（Model Context Protocol, MCP）伺服器，成功讓 stMCP 連結人工智慧大型語言模型（LLM）與空間轉錄組學（spatial transcriptomics）分析。這意味著研究人員不再需要撰寫複雜程式碼，只需透過日常語言提問，就能探索基因表達數據。更重要的是，所有運算都在使用者本機系統執行，確保了敏感生物數據的安全性，不會離開使用者設備。

模型上下文協議（MCP）是一項新興標準，旨在連接人工智慧助理與外部工具及數據來源，讓 AI 模型能以結構化的方式調用預定義的功能。在 stMCP 中，MCP 伺服器結合了自然語言介面和模組化的協調層，能將使用者請求導向預設的分析工具。分析結果會透過網頁瀏覽器呈現，並附有詳盡的分析日誌，完整記錄每個步驟，大大提升了研究的可追溯性。

stMCP 的設計兼顧了可及性與可重複性。它提供簡化的安裝流程，減輕了實驗室的軟體配置負擔。透過會話管理（session management）功能，研究人員可以在多次互動中進行疊代分析，並在先前結果的基礎上繼續探索。基準測試結果顯示，stMCP 的受限架構對於常見的空間轉錄組學分析任務穩健有效，且能優雅處理模糊的請求。例如，該框架已成功分析大型公開的 Xenium 資料集，並支援多種空間轉錄組學平台的應用流程。

研究團隊認為，儘管 stMCP 在一定程度上犧牲了彈性，換取了可預測性，這對於需要高度可重複性的科學研究而言是理想的。這項研究成果已於 BMC生物資訊學（BMC Bioinformatics）期刊上開放取用。他們將 stMCP 視為展示 MCP 架構如何普遍連接自然語言介面與科學計算工具的範例，在提高可及性、計算控制和可重複性之間取得了良好平衡。開發過程中，團隊也曾利用生成式 AI 工具協助程式碼除錯及文章語法編輯，但分析決策和數據解讀仍由人工監督。