La industria de la cabra de cachemira de Mongolia Interior (IMCG) es un importante contribuyente a la producción global de cachemira, con características de lana que sirven como indicadores económicos clave que impactan directamente tanto en los ingresos como en la sostenibilidad a largo plazo de la industria. Cuando se utilizan SNPs a nivel genómico para estimar matrices de parentesco, el modelo animal tradicional asume implícitamente que todos los SNPs tienen la misma distribución de tamaño de efecto. Sin embargo, en la práctica, existen diferencias en los mecanismos genéticos y la complejidad de diferentes rasgos. Realizamos un estudio de asociación a nivel genómico (GWAS) en 2299 IMCGs genotipados con 67,021 SNPs, que se obtuvieron después de la imputación. Los rasgos medidos incluyeron rendimiento de cachemira (CY), longitud de lana (WL), longitud de cachemira (CL) y diámetro de cachemira (CD), con un total de 33,564 registros recopilados. El 5% al 20% superior de los SNPs significativos del GWAS se utilizó como información biológica previa. Luego asignamos pesos proporcionales basados en su contribución a la varianza genética total y los integramos con los loci restantes para construir una matriz de relación de parentesco para estimar parámetros genéticos y valor de cría genómica. Al incorporar información previa de marcadores del GWAS, se encontró que las estimaciones de heredabilidad para CY, WL, CL y CD fueron 0.26, 0.37, 0.09 y 0.35, respectivamente. Para CY y CL, integrar el 5% superior de los marcadores SNP previos dio como resultado las mayores precisiones de predicción genómica de 0.742 y 0.673, representando mejoras del 16.67% y 19.75% sobre los modelos que no utilizaron información previa. En contraste, para WL y CD, las mayores precisiones de 0.851 y 0.780 se lograron al integrar el 10% superior de los marcadores SNP previos, reflejando mejoras del 9.81% y 10.14%, respectivamente. En comparación con el método GBLUP convencional, este método de integración de marcadores previos derivados del GWAS para la evaluación genética genómica puede mejorar significativamente la precisión de la predicción genómica para los rasgos de lana en IMCGs. Este enfoque facilita la selección precisa para los rasgos de lana en IMCGs, permitiendo un progreso genético acelerado a través de programas de cría a largo plazo.