En este trabajo estudiamos el trastorno depresivo mayor a través de imágenes de resonancia magnéticas de distintos pacientes, capturadas con el individuo en total estado de reposo. Buscamos encontrar una metodología que ayude a la predicción del trastorno, a partir de la actividad cerebral entre distintas regiones del cerebro. Evaluamos distintos modelos de aprendizaje automático supervisado, trabajando con diferentes agrupaciones de predictores, con el fin de caracterizar a cada individuo de la mejor manera posible, construyendo grafos y explotando sus propiedades, cálculos de correlación, matrices, etc. Los métodos que presentaron mejores resultados fueron los basados en el clasificador Random Forest, construyendo árboles de decisión a partir de los atributos de cada individuo, obteniendo un grafo para cada paciente a partir de su resonancia magnética, y utilizando métricas globales de la red, funciones de correlación adecuadas, y también atributos demográficos de cada paciente. Se alcanzaron resultados que superan el 70 % de precisión en todas las métricas utilizadas para medir la perfomance de nuestros modelos, tanto en accuracy, recall, precision y f1-score. Utilizamos un conjunto de datos de magnitud considerablemente grande para esta temática (más de 2400 pacientes), analizado en la actualidad por diversos artículos científicos. Logramos buenos resultados a pesar de trabajar con un universo de pacientes grande y heterogéneo, donde habitualmente la mayoría de los artículos científicos que trabajan en esta temática, suelen perder bastante precisión, y se limitan a trabajar con un universo de pacientes reducido.