La selección genómica permite la identificación de genotipos superiores, reduciendo así los ciclos de reproducción y aumentando la intensidad de selección. Sin embargo, su eficiencia puede verse comprometida debido a las estructuras complejas de las poblaciones de reproducción, que surgen del uso de múltiples padres de diferentes especies. En este contexto, las líneas parcialmente endogámicas han surgido como una alternativa viable para mejorar la eficiencia y generar clones productivos. Este estudio tuvo como objetivo aplicar la selección genómica a una población autofecundada de diferentes spp. Nuestro objetivo era predecir los valores genómicos de cría (GEBVs) de individuos que carecían de información fenotípica, con un enfoque particular en el desarrollo de líneas endogámicas. La población estudiada comprendía 662 individuos, de los cuales 600 fueron fenotipados para el diámetro a la altura del pecho (DBH) a los 36 meses en un experimento de campo. Los 62 individuos restantes se encontraban en un huerto de hibridación y carecían de datos fenotípicos. Todos los individuos, incluidos progenitores e hijos, fueron genotipados utilizando 10,132 marcadores SNP. La predicción genómica se llevó a cabo utilizando cuatro modelos frecuentistas: GBLUP, GBLUP aditivo dominante, HBLUP y ABLUP; y cinco modelos bayesianos: BRR, BayesA, BayesB, BayesC y Bayes LASSO, utilizando validación cruzada k-fold. Entre los modelos de GS, GBLUP mostró el mejor rendimiento general, con una capacidad predictiva de 0.48 y un R de 0.21. Para el error cuadrático medio, el Bayes LASSO presentó el menor error (3.72), y para los otros modelos, el MSE osciló entre 3.72 y 15.50. Sin embargo, GBLUP se destacó al presentar mejor precisión en la predicción del rendimiento individual y un rendimiento equilibrado en el parámetro estudiado. Estos resultados destacan el potencial de la selección genómica para su uso en la mejora genética a través de líneas endogámicas. Además, nuestro modelo facilita la identificación de individuos prometedores y la aceleración de los ciclos de reproducción, uno de los principales desafíos en los programas de cría. En consecuencia, puede reducir los costos de producción de los programas de cría, ya que elimina la necesidad de implementar experimentos en grandes áreas plantadas, al tiempo que mejora la fiabilidad en la selección de genotipos.