단백질 설계 (Protein design) 응용 분야에서의 중요성에도 불구하고, 희소한 실험 데이터 (Sparse experimental data)로부터 결합 친화도 (Binding affinity) 및 열안정성 (Thermostability)과 같은 단백질 특성을 예측하는 것은 여전히 큰 과제로 남아 있습니다. 이에 따라, 우리는 진화적 치환 행렬 (Evolutionary substitution matrices)과 국소 선형성 (Local linearity)을 활용하는 일련의 서열 커널 (Sequence kernels)을 소개하며, 이를 통해 생성된 가우시안 프로세스 (Gaussian processes)가 단백질 특성 지형 (Protein property landscapes)에 대해 데이터 효율적인 모델을 제공하고, 파운데이션 모델 임베딩 (Foundation model embeddings)에 의존하는 대안들보다 빈번하게 우수한 성능을 보임을 입증합니다. 나아가, 사실상 구조 인식 치환 행렬 (Structure-aware substitution matrices)을 학습함으로써, 우리의 커널이 파운데이션 모델로부터 구조적 정보 (Structural information)를 용이하게 통합할 수 있음을 보여줍니다. 우리는 이러한 구조 조건부 커널 (Structure-conditioned kernels)이 여러 단백질 특성 지형에 걸친 멀티태스크 학습 (Multi-task learning)에 적합하며, 국소 지도 학습 (Local supervised learning) 방법들을 결정적으로 능가할 수 있음을 입증합니다.