章元明，华中农业大学植物科技学院二级岗教授，第六届中国农业生物技术学会理事，入选2025科睿维安（Clarivate）全球高被引科学家和2022年度Stanford大学发布的全球前2%顶尖科学家，科学研究荣誉学会Sigma Xi会员，2005年度教育部新世纪人才，2014年度湖北省级人才项目特聘教授，2018和2023年度华中农业大学领军人才B2岗，2016年度NSFC和2021年度国家重点研发计划会评专家，英国遗传学会会员，加拿大作物学会荣誉会员，加州大学Riverside分校博士后。

主要从事统计基因组学、生物统计学和基因分子进化研究工作，主要进展有：1）在国际上发表第1篇关联分析混合模型方法学论文；联合改进CMLM方法；发展的多位点关联分析方法及其软件包mrMLM已在80多个国家、地区和国际学术组织广泛应用，已成为三种主要多位点关联分析方法；原创了考虑所有可能效应和控制所有可能多基因背景的压缩方差组分混合模型，用这一简单模型实现了关联分析 3VmrMLM 新算法检测QTN、QTN × 环境互作（QEI）和 QTN间互作（QQI）并估计其效应的突破性进展，将关联分析从QTN检测推进至QEI、QTN × 气象因素互作（QMI）、QQI检测，已在近30个国家、地区和国际学术组织应用；建立了高效、快速、大数据的关联分析Fast3VmrMLM新算法，突破了对高端芯片和高端设备的依赖，使大数据关联分析 QTN、QEI/QMI 和 QQI 检测在小设备上运算成为可能。3VmrMLM 和 Fast3VmrMLM 算法突破了常用关联分析方法检测显性效应、小效应、小等位基因替代效应 和 稀有变异的“视野盲区”；Fast3VmrMLM 算法实现了从 SNP 标记向“泛分子标记”转变，从数量性状向“组学性状”转变，从 QTN × 综合环境（地点/年份）互作向“QTN × 气象因素”互作和“QTN × 处理数量水平”互作的转变。Fast3VmrMLM 算法解决了 3VmrMLM 算法的计算速度受群体大小、环境数量和上位性检测的标记数量的影响。这些方法已用于研究大豆种子大小与油份含量等驯化性状的遗传基础，创制了权衡大豆粒量与油份组成的新等位基因 GmIOL2；2）研究基因组变异与作物复杂性状形成的分子进化机制；3）提出的 F₂ 群体数量性状基因快速检测 dQTG-seq 方法可检测小效应与极端超显性基因，并研制了 dQTG.seq 的R软件包，解决了BSA方法长期存在的 F₂ 群体 BSA 检测超显性基因的国际难题；提出了双亲分离群体小效应与连锁QTL及其环境互作检测的GCIM方法，并与压缩方差组分混合模型结合，将全面解决双亲分离群体小效应与连锁QTL检测的难题；发展了超饱和线性模型参数估计的惩罚最大似然估计方法；参与提出QTL检测的Bayesian压缩估计方法；4）发展了上位性偏分离群体连锁图矫正方法，研制应用软件包DistortedMap；5）系统拓展了主基因+多基因混合遗传分析方法，研制软件包SEA，已写入教科书。

主持与参加科研项目近30项，在Natl Sci Rev (2026)、Mol Plant (2019, 2022×2, 2026)、Plant Cell (2025)、Mol Biol Evol (2012, 2013)、Phys Life Rev (2017)、Brief Bioinform (2018, 2019, 2022, 2024)、Plant Com (2022, 2025×2)、JIPB (2026)、Journal of Advanced Research (2026)、BMC Biol (2014)、Genom Proteom Bioinf (2020, 2024, 2026)、Plant J (2020, 2026)、J Exp Bot (2020)、PCE (2025)、JGG (2026)、JIA (2026)、Biotechnology for Biofuels and Bioproducts (2022)、Comput Struct Biotechnol J (2020, 2022×2, 2023, 2024)、Genetics (2004, 2005×2)、TAG （2007、2008、2011×2、2022）和PLoS Computat Biol (2017)等发表论文近 200 篇，其中 SCI 论文 130 篇。获教育部和湖北省自然科学二等奖各1项。担任Heredity、Front Plant Genet、Front Plant Sci (Guest)副主编以及BMC Genomics 和 南京农业大学学报等刊物编委。在第三届国际数量遗传学大会上作特邀大会报告。

先后在动物科学、动物医学、植物科学技术、植物保护、水产科学等专业从事生物统计学本科教学40年和作学学科数量遗传学研究生教学20余年。作为主要负责人的《生物统计与田间试验》于2007年获国家精品课程；1998年谢庄、章元明主编了《水产生物统计学》（中国农业科技出版社）；2000年参与了《试验统计方法》统稿，改写的第八章参数估计方法与全书风格一致；以我的博士学位论文为基础，于2003合著了《植物数量性状遗传体系》（盖钧镒、章元明、王建康；现代遗传学丛书；教育部指定研究生教材）专著；2015年徐辰武、章元明主编了《生物统计与试验设计》（高等教育出版社）；2017年主编的农业部“十二五”规划教材《生物统计学》（中国农业出版社）于2020年获全国农业教育优秀教材奖。为满足智慧农业和生物育种等新农科专业以及表型组学、智慧育种、大数据分析和人工智能等研究方向的需要，修订了主编的《生物统计学》教材。在修订时，立足于具有应用价值的环境设计与处理设计及其统计分析方法，注重基本概念、基本思想和基本方法的理解与应用，紧扣新农科、新专业和新研究方向的时代发展脉搏，让学生认识到误差控制的重要性和应用试验设计与统计方法的灵活性，提高其或然性推理能力和科研素质，触动学生思考统计学问题与推理思想，为大数据分析和人工智能应用打下坚实基础。于2025年出版了农业农村部“十四五”规划教材《生物统计学》第二版。在教学中，不断修订数量遗传学和生物统计学的教学内容体系，注重用简明的语言讲述生物统计学和数量遗传学的基本原理与基本方法，特别是将数量遗传学研究成果融入研究生教学内容；注重教学思想和教学改革，多次获得南京农业大学优秀教学奖励，2020年获华中农业大学教书育人奖和教育成果特等奖（排3），在《高等农业教育》等刊物发表教学论文2篇。

已培养博士后、博士和硕士100名左右。

近五年发表的重要学术论文或（参与）撰写的编者按

1.      Wang JT, Han XL, Zhao MM, Zhang HQ, Chen Y, Jiang QY, Zhang YM. A fast method for breeding by design via G × E interactions detected in large-scale climatic, phenomic and genomic data. Natl Sci Rev 2026 Feb 11;13(10):nwag095. doi: 10.1093/nsr/nwag095

2.      Wang N, Liu W, Han X, Li Z, Jing X, Zhang Z, Fang H, Zhang S, Xu H, Zou Q, Yu L, Xu T, Wang T, Chen R, Zhao J, Meng L, Chen Z, Wu S, Hu D, Mao Z, Jiao C, Xu W, Fei Z, Zhang Y, Luo J, Chen X. Omics-assisted genetic dissection and coordinated improvement of apple flesh color, flavor, and fruit size. Mol Plant 2026 Jun 2:S1674-2052(26)00188-7. doi: 10.1016/j.molp.2026.05.021

3.      Chen Y, Gao F, Wang J, Wang A, Zhao M, Hu Y, Zhao Q, Wang Y, Shu G, Zhang YM. Genetic architecture of heterosis in maize NCII breeding populations. J Adv Res 2026 Jun 3:S2090-1232(26)00446-7. doi: 10.1016/j.jare.2026.05.049

4.      Liu J, Zhang S, Yan Q, Chen J, Lin Y, Xue C, Wu R, Somta P, Yuan X, Zhang YM, Chen X. Genome assembly and genome-wide association studies decipher the genetic basis of isovitexin synthesis and yield traits in mungbean. Plant J. 2026 Jun;126(5):e70932. doi: 10.1111/tpj.70932

5.      Chen Y, Wang JY, Yuan DH, Zeng YL, Ma XS, Liang XT, Jiang QY, Xia YY, Zuo JF, Zhang YM. A GmOIL2 allele separates fertility 1 and seed traits in soybean. JIPB, in press, doi: 10.1111/jipb.70345

6.      Peng C, Chen Y, Han X, Dong H, Zheng A, Du X, Chang X, Zhao M, Qi X, Zhang Y, Hu L. Genome-wide Analysis Reveals the Genetic Basis of Key Agronomic Traits and Modern Wheat Breeding in Henan Province. Genomics Proteomics Bioinformatics 2026 Feb 15:qzag015. doi: 10.1093/gpbjnl/qzag015

7.      Li M, Zhang YM. 3vGCIM: a compressed variance component mixed model for detecting QTL-by-environment interactions in RIL population. J Genet Genomics 2026 Feb;53(2):343-356. doi: 10.1016/j.jgg.2025.05.011

8.      Zhao M, Han X, Zheng A, Yan Y, Zhang H, Ma X, Wang J, Zhang Y. Dissecting the genetic foundation of heterosis for rice complex traits using GWAS, TWAS and mGWAS. Journal of Integrative Agriculture 2026 June 12, online. doi: 10.1016/j.jia.2026.06.016

9.      Han X, Wu X, Zhang Y, Tang Q, Zeng L, Liu Y, Xiang Y, Hou K, Fang S, Lei W, Li H, Tang S, Zhao H, Peng Y, Yao X, Guo T, Zhang YM, Guo L. Genetic and transcriptome analyses of the effect of genotype-by-environment interactions on Brassica napus seed oil content. Plant Cell 2025 Apr 2;37(4):koaf062. doi: 10.1093/plcell/koaf062

10.   Wang J, Chen Y, Shu G, Zhao M, Zheng A, Chang X, Li G, Wang Y, Zhang YM. Fast3VmrMLM: A fast algorithm that integrates genome-wide scanning with machine learning to accelerate gene mining and breeding by design for polygenic traits in large-scale GWAS datasets. Plant Commun 2025 Jul 14;6(7):101385. doi: 10.1016/j.xplc.2025.101385

11.   Sun WX, Chang XY, Chen Y, Zhao Q, Zhang YM. The integration of quantile regression with 3VmrMLM identifies more QTNs and QTN-by-environment interactions using SNP- and haplotype-based markers. Plant Commun 2025 Mar 10;6(3):101196. doi: 10.1016/j.xplc.2024.101196

12.   Zhao Q, Wang T, Pei FJ, Chen Y, Chang XY, Mi JM, Zhang YM. Phenotypic Plasticity of Grain Size-Related Traits in Main-Crop and Ratoon Rice. Plant Cell Environ 2025 Jun;48(6):3890-3901. doi: 10.1111/pce.15397

13.   Wang JT, Chang XY, Zhao Q, Zhang YM. FastBiCmrMLM: a fast and powerful compressed variance component mixed logistic model for big genomic case-control genome-wide association study. Brief Bioinform 2024 May 23;25(4):bbae290. doi: 10.1093/bib/bbae290

14.   Li HF, Wang JT, Zhao Q, Zhang YM. BLUPmrMLM: A Fast mrMLM Algorithm in Genome-wide Association Studies. Genomics Proteomics Bioinformatics 2024 Sep 13;22(3):qzae020. doi: 10.1093/gpbjnl/qzae020

15.   Zhang YW, Han XL, Li M, Chen Y, Zhang YM. IIIVmrMLM.QEI: An effective tool for indirect detection of QTN-by-environment interactions in genome-wide association studies. Comput Struct Biotechnol J 2024 Dec 2;23:4357-4368. doi: 10.1016/j.csbj.2024.11.046

16.   Zhang YM, Jia Z, Xie SQ, Wen J, Wang S, Zhang YW. Editorial: Advances in statistical methods for the genetic dissection of complex traits in plants. Front Plant Sci 2024 Jan 15;15:1357564. doi: 10.3389/fpls.2024.1357564

17.   Zhao Q, Shi XS, Wang T, Chen Y, Yang R, Mi J, Zhang YW, Zhang YM. Identification of QTNs, QTN-by-environment interactions, and their candidate genes for grain size traits in main crop and ratoon rice. Front Plant Sci 2023 Feb 2;14:1119218. doi: 10.3389/fpls.2023.1119218

18.   Jiang GL, Rajcan I, Zhang YM, Han T, Mian R. Editorial: Soybean molecular breeding and genetics. Front Plant Sci 2023 Feb 28;14:1157632. doi: 10.3389/fpls.2023.1157632

19.   Li G, Zhou YH, Li HF, Zhang YM. A multi-locus linear mixed model methodology for detecting small-effect QTLs for quantitative traits in MAGIC, NAM, and ROAM populations. Comput Struct Biotechnol J 2023 Mar 15;21:2241-2252. doi: 10.1016/j.csbj.2023.03.022

20.   Zhang YM, Jia Z, Dunwell JM. Editorial: The applications of new multi-locus GWAS methodologies in the genetic dissection of complex traits, volume II. Front Plant Sci 2023 Dec 1;14:1340767. doi: 10.3389/fpls.2023.1340767

21.   Li M, Zhang YW, Zhang ZC, Xiang Y, Liu MH, Zhou YH, Zuo JF, Zhang HQ, Chen Y, Zhang YM. A compressed variance component mixed model for detecting QTNs and QTN-by-environment and QTN-by-QTN interactions in genome-wide association studies. Mol Plant 2022 Apr 4;15(4):630-650. doi: 10.1016/j.molp.2022.02.012

22.   Li M, Zhang YW, Xiang Y, Liu MH, Zhang YM. IIIVmrMLM: The R and C++ tools associated with 3VmrMLM, a comprehensive GWAS method for dissecting quantitative traits. Mol Plant 2022 Aug 1;15(8):1251-1253. doi: 10.1016/j.molp.2022.06.002

23.   Zhou YH, Li G, Zhang YM. A compressed variance component mixed model framework for detecting small and linked QTL-by-environment interactions. Brief Bioinform 2022 Mar 10;23(2):bbab596. doi: 10.1093/bib/bbab596

24.   Li P, Li G, Zhang YW, Zuo JF, Liu JY, Zhang YM. A combinatorial strategy to identify various types of QTLs for quantitative traits using extreme phenotype individuals in an F2 population. Plant Commun 2022 May 9;3(3):100319. doi: 10.1016/j.xplc.2022.100319

25.   Mir RR, Rustgi S, Zhang YM, Xu C. Multi-faceted approaches for breeding nutrient-dense, disease-resistant, and climate-resilient crop varieties for food and nutritional security. Heredity (Edinb). 2022 Jun;128(6):387-390. doi: 10.1038/s41437-022-00542-0

26.   Zuo JF, Ikram M, Liu JY, Han CY, Niu Y, Dunwell JM, Zhang YM. Domestication and improvement genes reveal the differences of seed size- and oil-related traits in soybean domestication and improvement. Comput Struct Biotechnol J 2022 Jun 13;20:2951-2964. doi: 10.1016/j.csbj.2022.06.014

27.   Han X, Zhang YW, Liu JY, Zuo JF, Zhang ZC, Guo L, Zhang YM. 4D genetic networks reveal the genetic basis of metabolites and seed oil-related traits in 398 soybean RILs. Biotechnol Biofuels Bioprod 2022 Sep 9;15(1):92. doi: 10.1186/s13068-022-02191-1

28.   Wang X, Zhang X, Fan D, Gong J, Li S, Gao Y, Liu A, Liu L, Deng X, Shi Y, Shang H, Zhang Y, Yuan Y. AAQSP increases mapping resolution of stable QTLs through applying NGS-BSA in multiple genetic backgrounds. Theor Appl Genet 2022 Sep;135(9):3223-3235. doi: 10.1007/s00122-022-04181-1

29.   Li P, Wei LQ, Pan YF, Zhang YM. dQTG.seq: A comprehensive R tool for detecting all types of QTLs using extreme phenotype individuals in bi-parental segregation populations. Comput Struct Biotechnol J 2022 May 14;20:2332-2337. doi: 10.1016/j.csbj.2022.05.009