El aprovechamiento de la secuenciación de genoma completo (WGS) que incluye todo el espectro de variación genética proporciona una mejor comprensión de los mecanismos biológicos involucrados en los rasgos económicamente importantes de los animales de granja. Sin embargo, la efectividad de la WGS en mejorar la precisión de la predicción genómica (GP) es limitada. Los análisis genéticos recientes de rasgos complejos, como el estudio de asociación a nivel genómico (GWAS), han identificado numerosas regiones genómicas y genes potenciales, que pueden proporcionar información previa valiosa para la mejora de la selección genómica (GS). En este estudio, aplicamos diferentes métodos de predicción genómica para integrar los resultados de GWAS y las anotaciones de características génicas, lo cual mejoró significativamente la precisión de GS para los rasgos de producción de carne. Los modelos bayesianos que incorporan características genómicas mostraron la mayor precisión de predicción, particularmente para la ganancia diaria promedio (ADG) y el peso óseo (BW). En comparación con los modelos de predicción basados en datos de WGS, la GP que incluye información biológica previa puede optimizar la precisión de la predicción hasta en un 11.56% para ADG y un 14.60% para BW. Además, la GP utilizando GBLUP y métodos bayesianos que integran información biológica previa para GWAS de un solo rasgo pueden aumentar significativamente la precisión de la predicción. Los métodos bayesianos generalmente superaron a los modelos GBLUP, con mejoras promedio de 2.25% para ADG, 5.04% para BW y 3.44% para el peso vivo (LW). Nuestros resultados indican que aprovechar el conocimiento biológico previo puede refinar significativamente los modelos de GS y resaltar el potencial de combinar datos de WGS con conocimiento biológico previo para mejorar aún más el proceso de cría.