En modelos de regresión de alta dimensionalidad, el lasso bayesiano con las priors de pico y losa gaussianas es ampliamente adoptado para seleccionar variables y estimar parámetros desconocidos. Sin embargo, implica cálculos de matrices grandes en un muestreador de Gibbs estándar. Para resolver este problema, se emplea el muestreador de Gibbs Skinny para obtener observaciones necesarias para la selección de variables bayesianas. Sin embargo, cuando el tamaño de la muestra es mucho menor que el número de variables, el cálculo es bastante demorado. Como alternativa al muestreador de Gibbs Skinny, desarrollamos un enfoque bayesiano variacional para seleccionar variables y estimar parámetros en modelos lineales mixtos de alta dimensionalidad bajo las priors de pico y losa gaussianas de coeficientes de regresión de efectos fijos específicos de la población, que se reformulan como una mezcla de una distribución normal y una distribución exponencial. Se propone el algoritmo de ascenso de coordenadas, que puede implementarse eficientemente, para optimizar el límite inferior de la evidencia. El factor de Bayes, que se puede calcular con la técnica de muestreo de ruta, se presenta para comparar dos modelos competidores en el marco bayesiano variacional. Se realizan estudios de simulación para evaluar el rendimiento del método bayesiano variacional propuesto. Se analiza un ejemplo empírico mediante las metodologías propuestas.