Le modèle graphique gaussien est un formalisme de travail bien adapté à la représentation de dépendances entre variables. Récemment, ce modèle a été l'objet de nombreuses études visant à la découverte de réseaux de régulation protéique ou génique. La littérature considère le cas où un seul réseau est inféré à partir d'un jeux de données. Cependant, les mesures d'expression de gènes étant peu nombreuses, il est d'usage courant de réunir plusieurs conditions expérimentales affectant les interactions entre protéines ou gènes, pour construire un seul jeu de donnée de plus grande taille. Dans cet article, nous proposons d'estimer un modèle graphique gaussien par condition expérimentale. Ces modèles sont estimés simultanément, en imposant une contrainte de régularité traduisant la proxi mité entre tâches. Nous explorons deux formes d'expression de cette contrainte : un a priori empirique sur les valeurs des corrélations partielles, et une pénalité visant à favoriser la découverte de réseaux similaires. Nous montrons l'intérêt de ces approches par une évaluation quantitative des performances sur des données simulées et réelles.