利用改进的Hummers法氧化鳞片石墨，获得富含羟基和羧基的氧化石墨烯量子点(GOQDs)。通过透射电子显微镜、X射线衍射、红外光谱及拉曼光谱测试表征其理化性质。此外，利用鸡卵清蛋白(OVA)作为模式抗原，构筑GOQDs/OVA纳米疫苗并评估其载量、安全性、免疫效力等。结果显示，GOQDs/OVA纳米疫苗直径在5 nm左右，具有高度的水分散性和稳定性。其对OVA的最大负载量约为500 mg·g^-1，在pH=5.5和7.4环境下24 h的释放率分别为74.65%和56.93%，表现出pH刺激响应释放性能。当GOQDs浓度在500 μg·mL^-1以下时，不会引起溶血、细胞损伤、重要组织发生病变等现象。免疫后，与OVA单独免疫对照组相比，GOQDs/OVA纳米疫苗可以诱导产生高水平的免疫球蛋白G(IgG)、免疫球蛋白G1(IgG1)及免疫球蛋白G2a(IgG2a)抗体，提高白细胞介素(IL)-1β、IL-2、IL-4和IL-6、肿瘤坏死因子-α(TNF-α)和γ干扰素(IFN-γ)的分泌，同时促进脾中辅助性(CD4⁺)和细胞毒性(CD8⁺)T淋巴细胞百分比的增加。

核磁共振(NMR)波谱是一种用于探测分子结构和提供定量分析的稳健的非侵入性表征技术。然而，进一步的NMR应用通常受到低灵敏度性能的限制，尤其是对于异核实验。在此，我们提出了一种轻量级的深度学习协议，用于高质量、可靠和快速的NMR波谱降噪。该深度学习(DL)协议具有轻量级的网络优势和快速的计算效率，有效地抑制噪声和伪峰信号，并恢复几乎完全淹没在严重噪声中的目标弱峰，从而实现了可观的信噪比提升。此外，它仅使用物理驱动的仿真NMR数据学习，在频域中实现令人满意的波谱去噪，并允许区分真实信号和噪声伪影。此外，训练的轻量级网络模型通用于一维和多维NMR波谱，并适用于不同的化学样品。因此，本研究呈现的深度学习方法在化学、生物学、材料和生命科学等领域具有应用潜力。