En este documento, consideramos el problema de estimar múltiples Modelos Gráficos Gaussianos a partir de conjuntos de datos de alta dimensionalidad. Suponemos que estos conjuntos de datos se muestrean de diferentes distribuciones con la misma estructura de independencia condicional, pero no la misma matriz de precisión. Proponemos un método de estimación de datos conjunto que utiliza un enfoque de regresión penalizada a nivel de nodo. En particular, utilizamos una penalización de Lasso grupal para garantizar simultáneamente la simetría de la matriz de adyacencia resultante y el aprendizaje conjunto de los grafos. Resolvemos el problema de minimización utilizando el algoritmo de descenso de grupo y proponemos dos procedimientos para estimar el parámetro de regularización. Además, establecemos la propiedad de consistencia del estimador. Finalmente, ilustramos el rendimiento de nuestro estimador a través de ejemplos de datos simulados y reales en redes de regulación génica.