Les quantiles des distributions de l'âge épigénétique fournissent des informations précieuses sur les différentes sous-populations vieillissantes. Ces informations sont plus pertinentes sur le plan clinique pour identifier les individus qui vieillissent plus ou moins vite que leurs pairs et pour caractériser leurs traits distinctifs, comparativement aux évaluations basées sur la moyenne de la population. Cependant, les horloges épigénétiques actuelles découlent toutes de modèles de prédiction basés sur la moyenne, qui n'offrent que des perspectives limitées sur l'hétérogénéité des sous-populations, réduisant ainsi leur utilité clinique. Nous proposons une méthode inédite qui établit un apprentissage par transfert de la moyenne vers les quantiles, permettant la conversion d'un modèle de prédiction basé sur la moyenne en un modèle de prédiction basé sur les quantiles, sous des hypothèses peu contraignantes concernant la distribution de l'âge. Nous fournissons une justification théorique rigoureuse, ainsi qu'un algorithme et le logiciel correspondant, pour implémenter ce cadre de conversion de modèle. La méthodologie est démontrée à la fois par des études de simulation et par des applications sur des données réelles de vieillissement.