En este trabajo, consideramos el problema de estimar los gráficos de dependencias condicionales entre variables (es decir, modelos gráficos) a partir de múltiples conjuntos de datos bajo configuraciones gaussianas. Presentamos , que mejora nuestro método anterior al modelar la similitud y las diferencias específicas de clase en las estructuras de gráficos y estimar mejor los gráficos con hubs, lo que hace que este nuevo enfoque sea más atractivo para aplicaciones de datos biológicos. Introducimos estas dos mejoras modificando la formulación del problema basado en regresión y el algoritmo de minimización correspondiente. También presentamos, por primera vez en el entorno de múltiples gráficos, un procedimiento de selección de estabilidad para reducir el número de falsos positivos en los gráficos estimados. Finalmente, ilustramos el rendimiento de a través de ejemplos de datos simulados y reales. El método está implementado en la nueva versión del paquete R.