Los estudios de conectividad funcional (FC) han demostrado el valor fundamental de estudiar el cerebro y sus trastornos a través del grafo ponderado no dirigido de la matriz de correlación de resonancia magnética funcional (fMRI). Sin embargo, la mayoría del trabajo con el FC depende de la forma en que se calcula la conectividad, y además depende del análisis manual post-hoc de las matrices de FC. En este trabajo, proponemos una arquitectura de aprendizaje profundo BrainGNN que aprende la estructura de conectividad como parte del aprendizaje para clasificar sujetos. Aplica simultáneamente una red neuronal gráfica a este grafo aprendido y aprende a seleccionar un subconjunto escaso de regiones cerebrales importantes para la tarea de predicción. Demostramos que el rendimiento de clasificación del modelo es de vanguardia en un conjunto de datos fMRI de esquizofrenia y demostramos cómo la introspección conduce a hallazgos relevantes para el trastorno. Los grafos aprendidos por el modelo muestran una fuerte discriminación de clases y el subconjunto escaso de regiones relevantes es consistente con la literatura sobre esquizofrenia.