Entender las relaciones entre rasgos es fundamental en la mejora del soja porque el objetivo es maximizar las ganancias simultáneas. Los estudios de asociación genómica de múltiples rasgos (MT-GWAS) estándar identifican variantes vinculadas a múltiples rasgos, pero no logran capturar estructuras fenotípicas o interrelaciones. Los Modelos de Ecuaciones Estructurales (SEM) tienen en cuenta las covarianzas y la recursión, lo que permite descomponer los efectos de los polimorfismos de un solo nucleótido (SNP) en componentes directos o indirectos e identificar regiones pleiotrópicas. Aplicamos SEM para analizar la morfología (grosor de la vaina, PT) y los rasgos de rendimiento (número de vainas, NP; número de granos, NG; peso de cien granos, HGW). El conjunto de datos comprendía 96 individuos de soja genotipados con 4070 marcadores SNP. La red fenotípica se construyó utilizando el algoritmo de escalada, una clase de métodos basados en puntajes comúnmente aplicados para aprender la estructura de redes bayesianas, y los coeficientes estructurales se estimaron con SEM. Según los signos de los coeficientes, identificamos interrelaciones negativas entre NG y HGW, y positivas entre NP y NG, y HGW y PT. NG, HGW y PT mostraron efectos indirectos de SNP. También encontramos loci que controlan conjuntamente rasgos. En total, se identificaron 46 genes candidatos: 7 asociados exclusivamente con NP y 4 asociados con NG. 15 genes adicionales fueron comunes a NP y NG, 3 fueron comunes a NP y HGW, 6 fueron comunes a NG y HGW, y 11 fueron comunes a NP, NG y HGW. En resumen, SEM-GWAS reveló nuevas relaciones entre los rasgos de soja, incluyendo PT, apoyando los programas de mejora.